論文の概要: Spatial-Temporal Learning-Based Distributed Routing for Dynamic LEO Satellite Networks

• arxiv url: http://arxiv.org/abs/2605.02413v1
• Date: Mon, 04 May 2026 10:05:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.232368
• Title: Spatial-Temporal Learning-Based Distributed Routing for Dynamic LEO Satellite Networks
• Title（参考訳）: 動的LEO衛星ネットワークのための時空間学習に基づく分散ルーティング
• Authors: Po-Heng Chou, Chiapin Wang, Shou-Yu Chen, Hsiang-Ming Wang,
• Abstract要約: 本稿では,低地球軌道(LEO)衛星ネットワークのための時空間学習に基づく分散ルーティングフレームワークを提案する。 提案手法は,グリーンAIの観点から,炭素排出量の無視による計算オーバーヘッドを低く抑え,その効率性を実証する。
• 参考スコア（独自算出の注目度）: 0.2994333558834796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a spatial-temporal learning-based distributed routing framework for dynamic Low Earth Orbit (LEO) satellite networks, where graph attention networks (GAT) and long short-term memory (LSTM) are integrated within a deep Q-network (DQN)-based architecture to enable distributed and adaptive routing decisions based on local observations. The routing problem is formulated as a partially observable Markov decision process (POMDP) to address partial observability under dynamic topology and time-varying traffic. Simulation results show that the proposed method significantly outperforms conventional and learning-based routing schemes in terms of throughput, packet loss, queue length, and end-to-end delay, while achieving proactive congestion avoidance with up to 23.26% queue reduction. In addition, the proposed approach maintains low computational overhead with negligible carbon emissions, demonstrating its efficiency from a Green AI perspective.
• Abstract（参考訳）: 本稿では,グラフアテンションネットワーク(GAT)と長期短期記憶(LSTM)を深部Q-network(DQN)アーキテクチャに統合し,局所観測に基づく分散および適応的なルーティング決定を可能にする,動的低地球軌道(LEO)衛星ネットワークのための時空間学習に基づく分散ルーティングフレームワークを提案する。 ルーティング問題を部分的に観測可能なマルコフ決定プロセス(POMDP)として定式化し、動的トポロジと時間変動トラフィックの下での部分観測可能性に対処する。 シミュレーションの結果,提案手法はスループット,パケットロス,待ち行列長,終末遅延の点で従来型および学習型ルーティング方式を著しく上回り,最大23.26%の待ち行列の回避を実現している。 さらに、提案手法は、グリーンAIの観点から、炭素排出量の無視による計算オーバーヘッドを低く抑え、その効率性を実証する。

関連論文リスト

• Reinforcement Learning for Opportunistic Routing in Software-Defined LEO-Terrestrial Systems [16.049887428366333]
  大型の低地球軌道(LEO)衛星コンステレーションはインテリジェントなルーティング戦略を必要としている。 固定宛先ではなく,現在利用可能な地上ゲートウェイにパケットを転送することで,配送遅延を最小限に抑える。
  論文  参考訳（メタデータ） (2026-01-20T07:01:14Z)
• Spatial-Temporal Reinforcement Learning for Network Routing with Non-Markovian Traffic [2.9228846099569283]
  本稿では,パケットルーティングのための空間時空間RL(STRL)フレームワークを提案する。 ネットワークトポロジの変化にもかかわらず、トレーニング中に従来のベースラインを19%以上、推論で7%以上上回りました。
  論文  参考訳（メタデータ） (2025-07-27T08:00:43Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
  本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。 軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。 提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
  論文  参考訳（メタデータ） (2024-04-02T11:59:58Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Robust Path Selection in Software-defined WANs using Deep Reinforcement Learning [18.586260468459386]
  本稿では、経路計算と経路更新のオーバーヘッドを考慮した、ネットワーク内の経路選択を行うデータ駆動アルゴリズムを提案する。 提案手法は,ECMPなどの従来のTE方式に比べてリンク利用率を40%削減できる。
  論文  参考訳（メタデータ） (2022-12-21T16:08:47Z)
• Simulating Network Paths with Recurrent Buffering Units [4.7590500506853415]
  我々は,送信者が提供する時間変化負荷に応じて,エンドツーエンドのパケット遅延値を生成するモデルを求める。 本稿では,リカレントバッファリングユニット(Recurrent Buffering Unit)と呼ばれる新しいRNNスタイルのアーキテクチャに物理ネットワークパスの意味を埋め込む,ネットワークシミュレーションのための新しいグレーボックスアプローチを提案する。
  論文  参考訳（メタデータ） (2022-02-23T16:46:31Z)
• Deep Reinforcement Learning Aided Packet-Routing For Aeronautical Ad-Hoc Networks Formed by Passenger Planes [99.54065757867554]
  エンド・ツー・エンド(E2E)遅延の最小化を目的としたAANETにおけるルーティングのための深層強化学習を起動する。 最深Qネットワーク(DQN)は、転送ノードで観測される最適ルーティング決定と局所的な地理的情報との関係をキャプチャする。 フィードバック機構を組み込んだディープバリューネットワーク(DVN)を用いて,システムのダイナミクスに関する知識をさらに活用する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:56Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。