[論文レビュー] Machine Learning for Predictive Deployment of UAVs with Multiple Access

Lin-Yan Lu, Zhaohui Yang+3 more|arXiv (Cornell University)|Mar 2, 2020

UAV Applications and Optimization参考文献 39被引用数 4

ひとこと要約

本論文は、LSTMを用いたトラフィック予測と、K-meansおよびEMベースのGMMを組み合わせた新規のKEGアルゴリズム（K-meansとEMベースのGMM）を用いたユーザーサービーアリーラのクラスタリングにより、機械学習駆動のUAV配置フレームワークを提案する。UAVの位置を最適化することで、従来手法と比較して最大24%の送信電力削減を達成し、RSMAがFDMAおよびTDMAよりも電力効率に優れていることが示された。

ABSTRACT

In this paper, a machine learning based deployment framework of unmanned aerial vehicles (UAVs) is studied. In the considered model, UAVs are deployed as flying base stations (BS) to offload heavy traffic from ground BSs. Due to time-varying traffic distribution, a long short-term memory (LSTM) based prediction algorithm is introduced to predict the future cellular traffic. To predict the user service distribution, a KEG algorithm, which is a joint K-means and expectation maximization (EM) algorithm based on Gaussian mixture model (GMM), is proposed for determining the service area of each UAV. Based on the predicted traffic, the optimal UAV positions are derived and three multi-access techniques are compared so as to minimize the total transmit power. Simulation results show that the proposed method can reduce up to 24\% of the total power consumption compared to the conventional method without traffic prediction. Besides, rate splitting multiple access (RSMA) has the lower required transmit power compared to frequency domain multiple access (FDMA) and time domain multiple access (TDMA).

研究の動機と目的

• 動的かつ時間変動するセルラー通信トラフィックに対応するため、UAV支援ネットワークにおけるプロアクティブなUAV配置を実現すること。
• 最適なUAV配置による上行リンク全体の送信電力最小化により、エネルギー効率とネットワーク容量を向上させること。
• トラフィック予測とサービーエリアクラスタリングを統合した予測型フレームワークを構築し、知能的なUAV配置を実現すること。
• RSMA、FDMA、TDMAの複数アクセス技術の性能を、提案された配置戦略下で比較すること。
• 異なる地理的領域、特に限られた都市部と完全な都市地域を含む、フレームワークのロバストネスとスケーラビリティを検証すること。

提案手法

• 歴史的データに基づき将来のセルラー通信トラフィックを予測するために、長短期記憶（LSTM）ネットワークを用いる。
• K-meansクラスタリングと期待値最大化（EM）を組み合わせたKEGアルゴリズムを提案し、ガウス・ミックス・モデル（GMM）を用いてユーザーのサービー分布をモデル化する。
• 空中セルを重複のない完全カバー領域として定義し、UAVをクラスタの重心に配置することで送信電力を最小化する。
• QoSおよびカバレッジ制約の下で、送信電力最小化問題を解くことによりUAVの位置を最適化する。
• 同じ配置フレームワーク下でRSMA、FDMA、TDMAの3つの複数アクセス方式を評価し、エネルギー効率を比較する。
• 経路損失と信号対インターフェレンス＋ノイズ比（SINR）に基づく電力消費モデルを用い、合計送信電力を定量的に評価する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのトラフィック予測は、動的かつ都市的環境下でのUAV配置効率をどの程度向上させるか？
• RQ2 従来のクラスタリング手法と比較して、KEGアルゴリズムはサービスエリア分割の精度をどの程度向上させるか？
• RQ3 予測されたトラフィックとユーザー分布を前提とした場合、合計上行リンク送信電力を最小化する最適なUAV配置戦略は何か？
• RQ4 提案された予測型配置フレームワーク下で、RSMA、FDMA、TDMAの異なる複数アクセス技術は、エネルギー効率においてどの程度異なるか？
• RQ5 ネットワーク規模が限られた地域と完全な都市地域を含むさまざまなスケールにおいて、このフレームワークの性能はいかがなっているか？

主な発見

• 提案されたフレームワークは、従来の非予測型配置手法と比較して、合計送信電力を最大24%削減した。
• KEGアルゴリズムはユーザー分布を明確な空中セルに効果的に分割し、特に小規模・局所的領域ではより優れた性能を示した。
• RSMAは最も低い合計送信電力を達成し、FDMAと比較して35.5%、TDMAと比較して66.4%の電力消費削減を実現した。
• KEGクラスタリングとUAV位置最適化を組み合わせた手法が、他のすべての設定よりも優れた性能を示した。
• 大規模領域では、UAV数を減らしても依然として測定可能な利点（0.47%の電力削減）を示しており、部分的なロバストネスが確認された。
• シミュレーション結果は、機械学習ベースのトラフィック予測と知能的なクラスタリングを統合した予測型配置が、エネルギー効率とネットワークスケーラビリティを顕著に向上させることを確認した。