Dynamic Demand Modelling and Optimisation for Satellite Beam Hopping Systems
Author
Johansen, David Vanggaard Bedholm
Term
4. semester
Education
Publication year
2025
Submitted on
2025-06-04
Pages
48
Abstract
This thesis explores beam hopping in satellite networks—a technique where a satellite rapidly switches its spot beams to concentrate capacity where it is most needed—to handle demand that changes over time and is uneven across users and locations. To represent how users start and stop activity, it uses a Markov-based model (a simple probabilistic model of state changes). On this basis, it defines an optimization that aims for fairness by maximizing the smallest capacity-to-demand ratio across users, using short-term demand predictions. Simulations show that demand-aware beam allocation generally serves users better than naive strategies that split time evenly. However, the extra benefits of predictive optimization are limited and depend strongly on user dynamics. Performance varies by scenario, and the study discusses practical challenges, including computational complexity and the difficulty of modeling user behavior accurately. Future work points to more realistic user models, improved prediction, and scalable methods to make beam hopping practical.
Specialet undersøger beam hopping i satellitnet—en teknik, hvor en satellit hurtigt skifter sine spotstråler for at koncentrere kapacitet der, hvor behovet er størst—for at håndtere efterspørgsel, som ændrer sig over tid og er ujævnt fordelt mellem brugere og steder. For at beskrive, hvordan brugere starter og stopper aktivitet, anvendes en Markov-baseret model (en simpel sandsynlighedsmodel for tilstandsskift). På den baggrund opstilles en optimering, der sigter mod retfærdighed ved at maksimere den mindste forhold mellem leveret kapacitet og efterspørgsel på tværs af brugere, baseret på kortsigtede efterspørgselsforudsigelser. Simulationer viser, at behovsstyret stråletildeling generelt betjener brugere bedre end naive strategier, der deler tiden ligeligt. De ekstra gevinster ved prædiktiv optimering er dog begrænsede og afhænger stærkt af brugerdynamik. Ydelsen varierer mellem scenarier, og arbejdet drøfter praktiske udfordringer, herunder beregningskompleksitet og vanskeligheder ved at modellere brugeradfærd præcist. Fremtidigt arbejde omfatter mere realistiske brugermodeller, bedre forudsigelser og skalerbare metoder, der kan gøre beam hopping praktisk.
[This apstract has been rewritten with the help of AI based on the project's original abstract]
Keywords