一种星座网络碰撞预警方法、装置、设备及存储介质

1.本发明涉及人工智能技术领域，尤其是一种星座网络碰撞预警方法、装置、设备及存储介质。


背景技术：

2.随着卫星通信技术的快速发展，用于卫星通信的低轨巨型星座已成为现代通信领域不可或缺的重要组成部分。然而，随着低轨巨型星座部署的规模和复杂性不断增加，近地空间拥挤程度日益加剧。除此之外，低成本商业卫星的碰撞规避能力较差，使得低轨空间的碰撞风险进一步增加。目前，卫星星座系统的监控和管理主要依赖传统的监控方法，例如：通过少数卫星测控站获取遥测数据，汇集到卫星管理部门予以统一监测与预报并定期定向发布碰撞风险。然而，这些手段和方法存在效率较低、成本较高、计算复杂、时效性差等缺点，无法满足对大规模商业卫星星座系统进行有效、高效、和时效管理的直接需求。综合上述，相关技术中存在的技术问题亟需得到解决。


技术实现要素：

3.有鉴于此，本发明实施例提供一种星座网络碰撞预警方法、装置、设备及存储介质，以提高卫星碰撞预警的效率。
4.一方面，本发明提供了一种星座网络碰撞预警方法，所述方法包括：
5.获取近地轨道卫星数据；
6.对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络；
7.对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集；
8.将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型；
9.获取待识别卫星网络，并将所述待识别卫星网络输入到所述关键节点识别模型进行关键节点预测识别处理，得到关键节点；
10.根据所述关键节点对所述待识别卫星网络进行碰撞监控处理，得到预警结果。
11.可选地，所述对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络，包括：
12.通过轨道传播模型对所述近地轨道卫星数据进行动态模拟处理，得到卫星星座动态系统；
13.根据每个卫星间的距离对所述卫星星座动态系统进行网络连边处理，得到卫星星座网络。
14.可选地，所述根据每个卫星间的距离对所述卫星星座动态系统进行网络连边处理，得到卫星星座网络，包括：
15.根据时间维度对所述卫星星座动态系统进行等间隔抽象处理，得到卫星星座静态系统；
16.从所述卫星星座静态系统中获取每个时间的卫星瞬时位置；
17.根据所述每个时间的卫星瞬时位置对所述卫星星座静态系统进行卫星距离计算处理，并结合预设阈值对所述卫星星座静态系统进行连边处理，得到卫星星座网络。
18.可选地，所述对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集，包括：
19.对所述卫星星座网络进行数组表示处理，得到邻接矩阵；
20.根据所述邻接矩阵对所述卫星星座网络进行中心性计算处理，得到网络中心性；
21.根据所述网络中心性对所述卫星星座网络进行标记处理，得到数据集。
22.可选地，所述将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型，包括：
23.将所述数据集输入所述图神经网络模型进行归纳式学习的图嵌入处理，得到嵌入向量；
24.通过所述图神经网络模型的多层感知机对所述嵌入向量进行节点中心性预测处理，得到预测结果；
25.采用损失函数确定所述预测结果和所述标签之间的损失值；
26.根据所述损失值对所述图神经网络模型的参数进行修改，并根据修改后的所述图神经网络模型的参数生成所述关键节点识别模型。
27.可选地，所述将所述数据集输入所述图神经网络模型进行归纳式学习的图嵌入处理，得到嵌入向量，包括：
28.对所述数据集中每个节点的邻居节点进行采样处理，得到采样数据；
29.根据聚合函数对所述采样数据进行聚合处理，得到嵌入向量。
30.可选地，所述通过所述图神经网络模型的多层感知机对所述嵌入向量进行节点中心性预测处理，得到预测结果，包括：
31.获取所述数据集中各个节点的编码向量；
32.将所述编码向量与所述嵌入向量进行相乘处理，得到输入向量；
33.通过所述多层感知机的隐藏层对所述输入向量进行计算，得到预测结果。
34.另一方面，本发明实施例还提供了一种星座网络碰撞预警装置，所述装置包括：
35.第一模块，用于获取近地轨道卫星数据；
36.第二模块，用于对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络；
37.第三模块，用于对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集；
38.第四模块，用于将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型；
39.第五模块，用于获取待识别卫星网络，并将所述待识别卫星网络输入到所述关键节点识别模型进行关键节点预测识别处理，得到关键节点；
40.第六模块，用于根据所述关键节点对所述待识别卫星网络进行碰撞监控处理，得到预警结果。
41.另一方面，本发明实施例还公开了一种电子设备，包括处理器以及存储器；
42.所述存储器用于存储程序；
43.所述处理器执行所述程序实现如前面所述的方法。
44.另一方面，本发明实施例还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
45.另一方面，本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
46.本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明实施例通过获取近地轨道卫星数对图神经网络模型进行训练，得到关键节点识别模型。本发明实施例能够基于图神经网络的关键节点识别模型，提高卫星网络的分析速度与效率。再根据关键节点识别模型识别得到待识别卫星网络中的关键节点，通过对关键节点进行碰撞监控，即可得到预警结果。本发明实施例通过重点关注星座网络中碰撞风险高的关键卫星节点，有利于降低监控成本并提高碰撞预警的执行效率。
附图说明
47.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
48.图1是本技术实施例提供的一种星座网络碰撞预警方法的流程图；
49.图2是本技术实施例提供的一种基于图嵌入方法的算法框图；
50.图3是本技术实施例提供的一种基于图神经网络的星座网络碰撞预警方法的实施流程图；
51.图4是本技术实施例提供的损失曲线对比图；
52.图5是本技术实施例提供的不同数据集下图嵌入方法的效果比较图；
53.图6是本技术实施例提供的一种星座网络碰撞预警装置的结构示意图；
54.图7是本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
56.相关技术中，对卫星星座系统的监控和管理通常通过卫星测控站获取遥测数据，汇聚到卫星管理部门予以统一监测与预报并定期定向发布碰撞风险，但这些方法存在效率较低、成本较高、计算复杂、时效性差等问题，无法满足对大规模商业卫星星座系统进行有效、高效、和时效管理的直接需求。
57.有鉴于此，本发明实施例提供了一种星座网络碰撞预警方法，进一步满足低轨空间监控场景高时效性要求、提高卫星星座监测与管理方法的可靠性并实现成本控制，以提
高卫星碰撞预警的效率。本技术实施例中提供一种星座网络碰撞预警方法，本技术实施例中的星座网络碰撞预警方法，可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
58.参照图1，本发明实施例提供一种星座网络碰撞预警方法，包括：
59.s101、获取近地轨道卫星数据；
60.s102、对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络；
61.s103、对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集；
62.s104、将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型；
63.s105、获取待识别卫星网络，并将所述待识别卫星网络输入到所述关键节点识别模型进行关键节点预测识别处理，得到关键节点；
64.s106、根据所述关键节点对所述待识别卫星网络进行碰撞监控处理，得到预警结果。
65.在本发明实施例中，首先近地轨道卫星数据，所述近地轨道卫星数据可通过在卫星数据网站，如celetrack上下载卫星星历(tle)数据作为近地轨道卫星数据。然后，从复杂网络的视角出发，将低轨卫星星座抽象为网络，对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络。本发明实施例通过考虑卫星网络中所有卫星节点，并通过卫星星历数据的定时更新有效避免筛选遗漏，提高了卫星监测系统的有效性。接着，对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集。其中，在图论和网络分析中，网络中心性是判断网络中节点重要性或影响力的指标。本发明实施例通过将星座中碰撞风险高的卫星映射到网络中的关键节点，利用中心性度量这一复杂网络领域的分析指标对星座网络中碰撞风险高的关键节点进行实时筛选，即对星座网络进行关键节点识别。再者，本发明实施例通过将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型。该图神经网络为基于图神经网络的图嵌入方法结合多层感知机训练回归模型，能够对网络中各节点的高复杂度中心性指标进行近似预测，提高卫星网络分析速度与效率，进一步满足卫星监测的高时效性需求。最后，获取待识别卫星网络，并将所述待识别卫星网络输入到所述关键节点识别模型进行关键节点预测识别处理，得到关键节点；根据所述关键节点对所述待识别卫星网络进行碰撞监控处理，得到预警结果。本发明实施例通过关键节点识别模型对待识别卫星网络进行关键节点预测识别处理，能够重点关注星座网络中碰撞风险高的关键卫星节点，有利于降低监控成本并提高碰撞预警的执行效率。
66.进一步作为可选的实施方式，上述步骤s102中，所述对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络，包括：
67.s201、通过轨道传播模型对所述近地轨道卫星数据进行动态模拟处理，得到卫星
星座动态系统；
68.s202、根据每个卫星间的距离对所述卫星星座动态系统进行网络连边处理，得到卫星星座网络。
69.在本发明实施例中，在考虑多阶摄动的情况下，将近地轨道卫星数据通过轨道传播模型进行动态模拟处理，具体通过轨道传播模型进行前向和后向传播，从而获得卫星星座动态系统。不同的轨道传播模型具有不同的精度与计算成本，使用时需要综合考量，本发明实施例可以使用sgp4(simplified perturbations model)作为轨道传播模型。其后，从复杂网络的视角出发，将卫星星座动态系统在时间维度上抽象为等间隔的多张静态卫星网络。即在每个时间维度上，根据每个卫星间的距离对所述卫星星座动态系统进行网络连边处理，得到卫星星座网络。
70.进一步作为可选的实施方式，上述步骤s202中，所述根据每个卫星间的距离对所述卫星星座动态系统进行网络连边处理，得到卫星星座网络，包括：
71.根据时间维度对所述卫星星座动态系统进行等间隔抽象处理，得到卫星星座静态系统；
72.从所述卫星星座静态系统中获取每个时间的卫星瞬时位置；
73.根据所述每个时间的卫星瞬时位置对所述卫星星座静态系统进行卫星距离计算处理，并结合预设阈值对所述卫星星座静态系统进行连边处理，得到卫星星座网络。
74.在本发明实施例中，根据时间维度对所述卫星星座动态系统进行等间隔抽象处理，得到卫星星座静态系统。例如，在上述步骤102中将tle数据通过sgp4进行向前、向后传播，时间间隔分别为30s、45s、60s，将每次时间间隔作为时间维度。根据时间维度及时间间隔对卫星星座动态系统进行等间隔抽象处理，得到卫星星座静态系统。该卫星星座静态系统为每个时间间隔的静态卫星网络。然后从所述卫星星座静态系统中获取每个时间的卫星瞬时位置，即获取每个时间间隔中各个卫星的位置。根据每个卫星的位置计算得到所述卫星星座静态系统中两两卫星间的距离。最后结合预设阈值对所述卫星星座静态系统进行连边处理，得到卫星星座网络。即对卫星间距离小于预设阈值的两点进行连线建立连边，反之则不建立连边。在一种可行的实施例中，具体实施过程选取的距离阈值可为50km、75km、100km。本发明实施例通过建立卫星星座网络，能够将卫星星座中所有卫星节点作为网络的分析对象，提高卫星监测手段的有效性。
75.进一步作为可选的实施方式，上述步骤s103中，所述对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集，包括：
76.s301、对所述卫星星座网络进行数组表示处理，得到邻接矩阵；
77.s302、根据所述邻接矩阵对所述卫星星座网络进行中心性计算处理，得到网络中心性；
78.s303、根据所述网络中心性对所述卫星星座网络进行标记处理，得到数据集。
79.在本发明实施例中，对所述卫星星座网络进行数组表示处理，得到邻接矩阵，即每个时间节点得到一个维度为“卫星数
×
卫星数”的邻接矩阵通过读取网络的邻接矩阵a，并通过邻接矩阵a计算网络中各节点的一系列中心性该中心性可以包括度中心性、介数中心性和接近中心性，其中以低复杂度中心性中的度中心性作为后续的
输入特征，将希望预测的高复杂度中心性真值如介数中心性、接近中心性作为节点的标签，对所述卫星星座网络进行标记处理，最后转换为gexf文件作为后续机器学习的数据集。
80.进一步作为可选的实施方式，上述步骤s104中，所述将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型，包括：
81.s401、将所述数据集输入所述图神经网络模型进行归纳式学习的图嵌入处理，得到嵌入向量；
82.s402、通过所述图神经网络模型的多层感知机对所述嵌入向量进行节点中心性预测处理，得到预测结果；
83.s403、采用损失函数确定所述预测结果和所述标签之间的损失值；
84.s404、根据所述损失值对所述图神经网络模型的参数进行修改，并根据修改后的所述图神经网络模型的参数生成所述关键节点识别模型。
85.在本发明实施例中，将所述数据集输入所述图神经网络模型进行归纳式学习的图嵌入处理得到嵌入向量。该数据集包括邻接矩阵a与度中心性d，通过将数据集输入图神经网络模型，该图神经网络选用graphsage(graph sample and aggregate)这一图嵌入方法，对输入中每个节点进行向量表征、特征提取与维度变换，训练生成嵌入向量其中，f是变换后自定义的维度。graphsage是一种归纳式学习方法，它通过对节点的邻居进行特征聚合来生成该节点的嵌入向量。在低轨卫星星座网络中，卫星数量庞大，卷积神经网络gcn等直推式的图嵌入方法在训练时需要遍历全图，训练时间长、时效性较差；而graphsage可以通过采样选定网络图中的部分节点以实现小批量学习，逐步生成每个节点的嵌入向量，无需待图中所有节点的信息遍历学习完成之后再生成嵌入向量，有效地降低了对计算性能的要求。
86.然后，本发明实施例通过所述图神经网络模型的多层感知机对所述嵌入向量进行节点中心性预测处理，得到预测结果。该预测结果为模型输出即各节点高复杂度中心性指标的预测值，将预测值y与标签值y
t
比较计算损失函数及梯度，并通过梯度回传更新模型中的参数，迭代完成训练过程。其中，本发明实施例所选用的误差函数是预测值y与真值y
t
之间的均方误差(mse)。除此之外，还加入l2正则化函数来避免过拟合。因此，总损失函数为：
87.l
total
＝l
mse
+λl
regul
，
88.其中，l
mse
是均方误差的损失函数，l
regul
是l2正则化损失，λ是控制正则化项的权重。引入正则化项有助于避免模型变得过于拟合训练数据，从而失去其泛化能力。使用adam优化器作为优化函数，并将梯度裁剪到[-1,1]的范围内。
[0089]
在训练过程中，本发明实施例会在每个批次处理后降低学习率，学习率的降低规律符合下式：
[0090]
η＝ηβ
[0091]
其中，η表示学习率，β是学习率的衰减系数，这里我们采用指数衰减的策略，学习率在迭代过程中会不断衰减直到等于预设的最低学习率。为了避免训练期间权重矩阵梯度的不稳定，其梯度值被限制在[-1,1]的范围内。
[0092]
进一步作为可选的实施方式，上述步骤s401中，所述将所述数据集输入所述图神经网络模型进行归纳式学习的图嵌入处理，得到嵌入向量，包括：
[0093]
对所述数据集中每个节点的邻居节点进行采样处理，得到采样数据；
[0094]
根据聚合函数对所述采样数据进行聚合处理，得到嵌入向量。
[0095]
参照图2，图中k表示第“k”阶邻居：一个节点的k阶邻居是指与该节点距离为k的所有节点的集合。距离是指从一个节点到另一个节点的最短路径的长度。[x1,x2,
…
,xm]表示每个节点的m维节点特征，对于每个节点的k阶邻居，将采用不同的k个聚合器实现节点信息聚合。本发明实施例利用节点信息高效产生未知节点嵌入的归纳式(inductive)学习框架，通过对图中每个节点的邻居节点进行采样，再利用聚合函数来聚合邻居节点蕴含的信息，以生成目标节点的嵌入向量。graphsage提供了多种聚合函数，本发明实施例采用平均聚合(mean aggregator)，使用复杂度更高的聚合器可以在一定程度上提升预测效果。平均聚合的表示方式如下所示：
[0096][0097]
其中，σ表示非线性激活函数，w表示一组可学习的权重矩阵，分别表示节点v与节点v邻居的上一层嵌入向量表示。
[0098]
进一步作为可选的实施方式，所述步骤s402中，所述通过所述图神经网络模型的多层感知机对所述嵌入向量进行节点中心性预测处理，得到预测结果，包括：
[0099]
获取所述数据集中各个节点的编码向量；
[0100]
将所述编码向量与所述嵌入向量进行相乘处理，得到输入向量；
[0101]
通过所述多层感知机的隐藏层对所述输入向量进行计算，得到预测结果。
[0102]
在本发明实施例中，接收嵌入向量h∈rn×f，并将数据集中每个网络的各节点的one-hot编码向量与嵌入向量h相乘，得到维度统一的嵌入向量作为输入向量，送入多层感知机mlp中，其中mlp包含三层隐藏层，具体架构如下：
[0103]
y＝relu(relu(relu(hdw
f1
)w
f2
)w
f3
)w
f4
,
[0104]
其中，均为权重矩阵。
[0105]
通过多层感知机的隐藏层对所述输入向量进行计算，得到预测结果。
[0106]
参照图3，获取卫星tle数据，根据轨道传播模型获取卫星网络时间切片，即卫星星座网络，构建得到星座网络数据集，并计算相应数据的标签。该数据集可分为训练集和测试集，该训练集输入网络模型中的图嵌入进行图嵌入处理，再通过多层感知机进行预测，得到预测结果。根据预测结合标签值计算损失值，根据损失值对模型中的参数进行优化，得到回归模型。可通过测试集对模型进行测试，输出得到模型结果。
[0107]
本发明实施例提供的一种星座网络碰撞预警方法，能够基于图嵌入方法识别卫星星座网络关键节点，提供了多种指定中心性择选方法。网络的节点中心性度量是一种重要的分析工具，它在给定重要性标准的情况下评估节点的相对重要性，可以揭示网络中的关键节点。本发明实施例提出的方法，在大大减少计算量的同时，为卫星网络实时监控与空间交通管理这一实际领域提供优化决策方案。参照图4，分别采用graphsage和gcn图嵌入方法训练时的损失(loss)-迭代(iteration)曲线，通过分析损失曲线评估模型的收敛速度以及
模型是否存在过拟合等问题。本发明实施例通过绘制损失(loss)-时间(epoch)曲线来衡量回归模型的收敛速度，损失作为纵坐标，反映模型在每个时间点或每个epoch上的预测误差水平。随着时间或epoch数的增加，模型的预测误差应该逐渐降低，损失曲线也应该呈现出逐步下降的趋势。图4展示了模型训练时损失(loss)随着迭代次数(iteration)逐渐下降而稳定收敛的情况，可见graphsage的收敛速度快于gcn，且稳定后的损失更小。
[0108]
本发明实施例在对网络进行关键节点识别时使用kendallτ-b相关系数来评估模型的中心性指标预测质量。kendallτ-b系数在[-1,1]范围内变化，它用于衡量“基于预计算的高复杂度中心性指标进行排序得到的真实排名列表”和“基于回归模型近似计算的高复杂度中心性指标进行排序得到的预测排名列表”这两个排名列表之间的相关性，值为-1表示两个列表对应节点的排序完全颠倒；值为0表示没有相关性，而值为1表示两个列表对应节点的排序完全一致。为了衡量预测模型的性能，本发明实施例首先构建两个排名列表，两个列表中的索引i中的值表示节点i的真实中心性排序的归一化值。然后我们计算这两个列表间的kendallτ-b系数，若相关系数值接近1则表示模型预测性能良好，因为预测模型成功地对大多数节点依据指定中心性进行了正确排序。参照图5，横坐标表示不同数据集，纵坐标表示kendallτ-b系数(tau)。基于卫星网络碰撞问题特性，本发明实施例选取不同传播时间间隔与距离阈值，在九组卫星网络数据集中进行实验，数据集标识如下：1.时间间隔为30s，距离阈值为50km。2.时间间隔为30s，距离阈值为75km。3.时间间隔为30s，距离阈值为100km。4.时间间隔为45s，距离阈值为50km。5.时间间隔为45s，距离阈值为75km。6.时间间隔为45s，距离阈值为100km。7.时间间隔为60s，距离阈值为50km。8.时间间隔为60s，距离阈值为75km。9.时间间隔为60s，距离阈值为100km。由图5可知，在上述数据集中graphsage的效果始终优于gcn。
[0109]
参照图6，另一方面，本发明实施例还提供了一种星座网络碰撞预警装置，所述装置包括：
[0110]
第一模块，用于获取近地轨道卫星数据；
[0111]
第二模块，用于对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络；
[0112]
第三模块，用于对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集；
[0113]
第四模块，用于将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型；
[0114]
第五模块，用于获取待识别卫星网络，并将所述待识别卫星网络输入到所述关键节点识别模型进行关键节点预测识别处理，得到关键节点；
[0115]
第六模块，用于根据所述关键节点对所述待识别卫星网络进行碰撞监控处理，得到预警结果。
[0116]
可以理解的是，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0117]
参照图7，本发明实施例还提供了一种电子设备，包括处理器701以及存储器702；所述存储器用于存储程序；所述处理器执行所述程序实现如前面所述的方法。
[0118]
与图1的方法相对应，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0119]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0120]
综上所述，本发明实施例具有以下优点：本发明实施例通过利用图神经网络中的图嵌入方法graphsage训练得到抽象星座网络中节点的低维向量表示，基于节点的低维向量训练回归模型以近似预测卫星网络中节点的高复杂度中心性指标，并根据指定的高复杂度中心性指标识别卫星星座网络中的关键卫星节点。能够将关键卫星节点作为卫星网络实时监控的重点关注对象，提高空间交通管理的执行效率。此外，基于图神经网络的预测模型较传统方法计算时间成本更低，速度更快，因而有效提高卫星网络分析方法的时效性。
[0121]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0122]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0123]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0124]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传
输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0125]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0126]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0127]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0128]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0129]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.一种星座网络碰撞预警方法，其特征在于，所述方法包括：获取近地轨道卫星数据；对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络；对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集；将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型；获取待识别卫星网络，并将所述待识别卫星网络输入到所述关键节点识别模型进行关键节点预测识别处理，得到关键节点；根据所述关键节点对所述待识别卫星网络进行碰撞监控处理，得到预警结果。2.根据权利要求1所述的方法，其特征在于，所述对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络，包括：通过轨道传播模型对所述近地轨道卫星数据进行动态模拟处理，得到卫星星座动态系统；根据每个卫星间的距离对所述卫星星座动态系统进行网络连边处理，得到卫星星座网络。3.根据权利要求2所述的方法，其特征在于，所述根据每个卫星间的距离对所述卫星星座动态系统进行网络连边处理，得到卫星星座网络，包括：根据时间维度对所述卫星星座动态系统进行等间隔抽象处理，得到卫星星座静态系统；从所述卫星星座静态系统中获取每个时间的卫星瞬时位置；根据所述每个时间的卫星瞬时位置对所述卫星星座静态系统进行卫星距离计算处理，并结合预设阈值对所述卫星星座静态系统进行连边处理，得到卫星星座网络。4.根据权利要求1所述的方法，其特征在于，所述对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集，包括：对所述卫星星座网络进行数组表示处理，得到邻接矩阵；根据所述邻接矩阵对所述卫星星座网络进行中心性计算处理，得到网络中心性；根据所述网络中心性对所述卫星星座网络进行标记处理，得到数据集。5.根据权利要求1所述的方法，其特征在于，所述将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型，包括：将所述数据集输入所述图神经网络模型进行归纳式学习的图嵌入处理，得到嵌入向量；通过所述图神经网络模型的多层感知机对所述嵌入向量进行节点中心性预测处理，得到预测结果；采用损失函数确定所述预测结果和所述标签之间的损失值；根据所述损失值对所述图神经网络模型的参数进行修改，并根据修改后的所述图神经网络模型的参数生成所述关键节点识别模型。6.根据权利要求5所述的方法，其特征在于，所述将所述数据集输入所述图神经网络模型进行归纳式学习的图嵌入处理，得到嵌入向量，包括：对所述数据集中每个节点的邻居节点进行采样处理，得到采样数据；
根据聚合函数对所述采样数据进行聚合处理，得到嵌入向量。7.根据权利要求5所述的方法，其特征在于，所述通过所述图神经网络模型的多层感知机对所述嵌入向量进行节点中心性预测处理，得到预测结果，包括：获取所述数据集中各个节点的编码向量；将所述编码向量与所述嵌入向量进行相乘处理，得到输入向量；通过所述多层感知机的隐藏层对所述输入向量进行计算，得到预测结果。8.一种星座网络碰撞预警装置，其特征在于，所述装置包括：第一模块，用于获取近地轨道卫星数据；第二模块，用于对所述近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络；第三模块，用于对所述卫星星座网络进行数据预处理，以网络中心性作为所述卫星星座网络中节点的标签，得到数据集；第四模块，用于将所述数据集输入图神经网络模型进行训练处理，得到关键节点识别模型；第五模块，用于获取待识别卫星网络，并将所述待识别卫星网络输入到所述关键节点识别模型进行关键节点预测识别处理，得到关键节点；第六模块，用于根据所述关键节点对所述待识别卫星网络进行碰撞监控处理，得到预警结果。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器；所述存储器用于存储程序；所述处理器执行所述程序实现权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。

技术总结
本发明公开了一种星座网络碰撞预警方法、装置、设备及存储介质，方法包括获取近地轨道卫星数据；对近地轨道卫星数据进行动态模拟和抽象建模处理，得到卫星星座网络；对卫星星座网络进行数据预处理，以网络中心性作为卫星星座网络中节点的标签，得到数据集；将数据集输入图神经网络模型进行训练处理，得到关键节点识别模型；获取待识别卫星网络，并将待识别卫星网络输入到关键节点识别模型进行关键节点预测识别处理，得到关键节点；根据关键节点对待识别卫星网络进行碰撞监控处理，得到预警结果。本发明实施例通过关键节点识别模型识别关键卫星节点并进行实时监控，能够提高星座网络碰撞预警的效率，可广泛应用于人工智能技术领域。域。域。


技术研发人员：罗宗富 邹一苇 邓恢霆 叶芷聪 张涛 张传富
受保护的技术使用者：中山大学
技术研发日：2023.08.14
技术公布日：2023/10/15