📘 《AI 時代系列（6）：進階通訊工程——邁向2035年太空星鏈網路時代》
📘 第 14周: 🧠 AI × MLOps × 太空網路資料管線
138／150單元：網路行為預測 📊預測雨衰、可用度、多普勒與流量
________________________________________
🎯 單元導讀
LEO × NTN 網路的最大特點，就是「不穩定」。
這些不穩定是工程師永遠的惡夢：
✔ Ka/Ku-band 雨衰突然掉 20–40 dB
✔ 多普勒 50–100 kHz 超高速飄移
✔ 星間 ISL 斷一下就 reroute 大爆發
✔ 某區域流量突然暴漲（例如飛機、海上、演唱會）
這一小節，就是教你如何：
🧠 用 AI「提前預測」
⚡ 讓 Space-RIC「提前動作」
🔒 讓整個網路變得更穩定、更智慧
________________________________________
🧠 一、四大預測核心（AI 必須看懂的行為）
________________________________________
① Rain Fade Prediction（雨衰預測）🌧
Ka/Ku/V-band 的雨衰是 NTN 最大死敵。
雨一下、SNR 直接崩：
• 20 dB fade → MCS 直接腰斬
• ISL Ka-band 無法穩定
• gateway link down
• 大量 reroute → 整個星座被拖垮
AI 可根據：
• 即時氣象（cloud density / radar）
• 卫星 SNR curve
• 地面 station logs
• 氣象模型（NowCast）
• 歷史衰減 pattern
來預測：
⭐ 10 秒後、60 秒後某 gateway 會不會被雨衰打爛
⭐ 哪個 beam 要提前功率提升
⭐ 哪條路由需要避開雨帶
工程價值超巨大。
________________________________________
② Satellite Availability Prediction（衛星可用度）🛰
衛星的「可用度」不是永遠 100%，會受：
• 太陽能角度
• ML inference load
• onboard routing 超載
• thermal 變化
• ISL link fail
• 排程衝突
• 軌道偏移
AI 會學出：
✔ 哪顆衛星每 20 分鐘會 overload
✔ 哪顆衛星常發生 buffer-drop
✔ 哪顆衛星的 CPU load 在高流量時容易爆
進而預測：
⭐ 未來 30 秒～5 分鐘內，哪些衛星將「不可用」。
⭐ Space-RIC 可以提前讓 traffic 迴避那顆衛星。
________________________________________
③ Doppler Drift Prediction（多普勒飄移預測）🚀
LEO 最大差異：
Doppler 超狂（與 5G 地面完全不同）。
• LEO → ±40–100 kHz
• 高度與角度變化造成偏移
• RF chain 必須快速補償
AI 可預測：
✔ Doppler 的 0~5 秒 slope
✔ 未來 10 秒的 Doppler range
✔ 哪些 UE 需要提前切換 compensation
這對：
• 調變（MCS）
• carrier tracking loop
• frequency offset correction
• beam pointing
都有巨大幫助。
________________________________________
④ Traffic Forecasting（流量預測）🌍
NTN 流量不是固定分佈，它與：
• 飛機動線
• 海上航道
• 都市白天/夜間負載
• 緊急事件
• 節日
• 演唱會、球賽
深深相關。
AI 會學出：
🟦 某國家 19:00～22:00 需要額外 20% capacity
🟦 航班密集區 10 分鐘內會負載暴增
🟦 海上船隻密集段負載會瞬間跳升
🟦 某 gateway 即將超載
使 Space-RIC 可以：
⭐ 動態調度 ISL
⭐ 提前做 routing rebalancing
⭐ 產生最短時延 path
⭐ 移動 beam 讓覆蓋最優化
________________________________________
🧠 二、AI 模型怎麼做？
對於 4 大預測任務，常用：
✔ LSTM / GRU
時序預測（雨衰、SNR、Doppler、Traffic）
✔ Temporal CNN
更快地處理高頻時序資料
✔ Transformer（Time-series Transformer）
適合長序列（軌道 + 流量）
✔ Graph Neural Network（GNN）
因為 LEO 星座「就是一張動態張」
GNN 最適合：
• routing topology
• ISL visibility
• traffic distribution
• 多衛星多 gateway 協同
⭐ 現代 NTN 預測 → GNN + Transformer 是王道。
________________________________________
🧠 三、ASCII 圖：AI 預測 4 大行為
┌──────────────────────────────┐
│ 時序資料來源 │
│ SNR | Doppler | Traffic | Rain │
└──────────────────────────────┘
│
▼
┌────────────────────────────────┐
│ AI Predictor (GNN + Transformer) │
└────────────────────────────────┘
│ rain fade │ doppler drift │
▼ ▼
Beam Adjust Freq Compensation
│
▼
Space-RIC Routing & Power Control
這張圖說明的是一個以時序感知為核心的 AI 預測式閉環控制流程：系統先彙整來自星地鏈路與網路層的時序資料（如 SNR、都卜勒偏移、流量變化與降雨影響），再由結合 GNN 與 Transformer 的 AI Predictor 同時學習空間拓樸關係與時間演化趨勢，提前預測 rain fade 與 doppler drift 等關鍵風險；預測結果分別觸發 Beam Adjust（因應降雨衰減調整波束指向與增益）與 Freq Compensation（補償頻率漂移），最終交由 Space-RIC 執行路由與功率控制，使系統從「事後反應」升級為「事前預防」，在高速動態的 NTN／LEO 環境中維持穩定連線與整體效能最佳化。
________________________________________
🧠 四、工程應用：Space-RIC 怎麼用這些預測？
AI 產生的預測會立即送到 Space-RIC：
✔ 預測雨衰 → 提前 reroute / boost power
✔ 預測不可用衛星 → 重新安排 traffic path
✔ 預測多普勒 → 提前做 frequency correction
✔ 預測流量峰值 → 提前 load-balancing
這讓星座表現：
🔹 更穩定
🔹 更少擁塞
🔹 更低延遲
🔹 更多吞吐
🔹 更能承受突發事件
________________________________________
🧪 五、模擬題
________________________________________
1️⃣ 專業題
LEO NTN 最容易受到哪種物理現象影響，造成 Ka/Ku-band SNR 暴跌？
📜 答案：雨衰（Rain Fade）
👉 Ka / Ku 頻段屬高頻微波，對降雨中的水滴吸收與散射極為敏感，暴雨會快速造成路徑損耗上升，導致 SNR 在短時間內大幅下降，是 LEO NTN 最主要、也最突發的物理風險。
________________________________________
2️⃣ 應用題
若想提前預測 ISL 會不會 overload，應該訓練哪種模型？
A. LSTM
B. CNN
C. GNN
D. RNN
📡 答案：C
👉 ISL overload 本質是「多節點、多鏈路的拓樸負載問題」，GNN 能直接建模衛星節點間的關係與流量傳遞，是預測星間鏈路壅塞最合適的模型；LSTM / RNN 著重時間序列，CNN 則偏影像特徵，皆非最佳選擇。
________________________________________
3️⃣ 情境題
某 gateway 將於未來 60 秒受到暴雨侵襲，最適當動作？
A. 提前移轉 traffic 至鄰近 gateway
B. 切斷所有 ISL
C. 降低衛星功率
D. 什麼都不做
📦 答案：A
👉 暴雨造成的是 局部且可預測的 coverage degradation，提前將流量導向未受影響的鄰近 gateway，可維持服務連續性並避免連線中斷；其他選項屬過度或無效反應，反而降低整體網路可用性。
________________________________________
🧠 六、實務演練題
1️⃣ 用 LSTM 預測 SNR 未來 10 秒變化
2️⃣ 用 Transformer 預測 Traffic Peak
3️⃣ 用 GNN 模擬 ISL overload 的發生時間
4️⃣ 建立 Rain Fade NowCast 模型（Ka-band）
5️⃣ 把四個模型接入 Space-RIC 做 OTA 測試
________________________________________
✅ 七、小結
網路行為預測 = LEO 星座的「早期預警中心」
✦ 雨衰預測 → 避免網路黑洞
✦ 可用度預測 → 避免 routing collapse
✦ 多普勒預測 → 提高連續性
✦ 流量預測 → 提升整體效能
最後形成：
🌌 Predictive NTN（預判式太空網路）
比地面網路更聰明、更彈性、更能處理複雜動態。
