ETD

• Analisi di serie temporali
• Apprendimento automatico
• Attenuazione nei collegamenti satellitari
• Event duration prediction
• Machine learning
• Mitigazione delle interruzioni di servizio
• Nowcasting
• Nowcasting; satellite link attenuation
• Previsione della durata degli eventi
• Service outage mitigation
• Time series analysis

This thesis addresses the nowcasting of attenuation in satellite links, with the goal of supporting operational decisions on whether to switch to a backup communication link. The work treats the signal as a univariate time series and develops a reproducible pipeline for data preparation, target construction, model training, and switch-decision evaluation. Several predictive formulations are investigated: autoregressive signal forecasting, current-level persistence modelling, long-fade event classification, and survival-based modelling of residual event duration. The tested models include GRU architectures, PatchTST, XGBoost, temporal convolutional networks, and survival models. The evaluation is not limited to intermediate predictive errors. Instead, model outputs are converted into operational switch decisions and compared against a common Perfect Switch reference, using metrics related to active switch duration, false alarms, missed events, detection quality, and service continuity.

Questa tesi affronta il problema del nowcasting dell’attenuazione nei collegamenti satellitari, con l’obiettivo di supportare decisioni operative di commutazione verso un link di backup. Il lavoro considera il segnale come una serie temporale univariata e sviluppa una pipeline riproducibile per la preparazione dei dati, la costruzione dei target, l’addestramento dei modelli e la valutazione delle decisioni di switch. Sono analizzate diverse formulazioni predittive: previsione autoregressiva del segnale, modellazione della persistenza rispetto al livello corrente, classificazione di eventi di fade lunghi e modellazione survival della durata residua dell’evento. I modelli includono GRU, PatchTST, XGBoost, reti convoluzionali temporali e approcci survival. La valutazione non si limita agli errori predittivi intermedi, ma confronta le decisioni finali con una Perfect Switch reference comune, usando metriche operative legate alla durata dello switch, ai falsi allarmi, agli eventi mancati e alla continuità del servizio.