基于LSTM的5G-TSN时钟同步误差预测OA

5G与时间敏感网络(time-sensitive networking,TSN)融合架构被视为工业4.0的核心使能技术,5G-TSN端到端确定性传输依赖高精度的时钟同步。然而,5G与TSN之间存在时钟异构性,特别是基站与TSN时间转换设备间的时钟频率偏移传递性,使得系统级同步误差呈现时变非线性特征,现有研究缺乏有效的同步误差动态监测与预测机制。针对此问题,建立了5G-TSN时钟同步模型,并提出基于长短期记忆(long short-term memory,LSTM)的时钟同步误差预测机制。LSTM具备建模长期时序依赖的能力,在结构上适应时钟误差的累计性与动态变化特征,能够有效预测趋势并识别潜在的同步异常,为同步补偿提供前馈调控支撑,提升同步可靠性。仿真实验结果表明,在典型工业场景仿真数据集上,该方法的决定系数R2达0.951,在均方误差等评价指标上优于反向传播神经网络、递归神经网络、门控循环单元和基于自注意力机制的Transformer模型,为构建高精度、可调控的亚微秒级5G-TSN融合同步系统提供了理论支撑。