[論文レビュー] Machine Learning for Predictive On-Demand Deployment of UAVs for Wireless Communications

Qianqian Zhang, Mohammad Mozaffari+3 more|arXiv (Cornell University)|Apr 30, 2018

UAV Applications and Optimization参考文献 12被引用数 19

ひとこと要約

本論文は、ガウス・ミクスチャ・モデル（GMM）と重み付き期待最大化（WEM）を用いた機械学習フレームワークを提案し、セルラー通信の混雑ゾーンを予測し、ドローン（UAV）を空中基地局として事前的にオンデマンドで展開可能にする。このシステムは、UAVのサービス領域分割と位置を最適化し、合計の電力消費量（送信 + 動作）を最小化することで、非予測的展開と比較して20%以上の電力効率向上を達成する。

ABSTRACT

In this paper, a novel machine learning (ML) framework is proposed for enabling a predictive, efficient deployment of unmanned aerial vehicles (UAVs), acting as aerial base stations (BSs), to provide on-demand wireless service to cellular users. In order to have a comprehensive analysis of cellular traffic, an ML framework based on a Gaussian mixture model (GMM) and a weighted expectation maximization (WEM) algorithm is introduced to predict the potential network congestion. Then, the optimal deployment of UAVs is studied to minimize the transmit power needed to satisfy the communication demand of users in the downlink, while also minimizing the power needed for UAV mobility, based on the predicted cellular traffic. To this end, first, the optimal partition of service areas of each UAV is derived, based on a fairness principle. Next, the optimal location of each UAV that minimizes the total power consumption is derived. Simulation results show that the proposed ML approach can reduce the required downlink transmit power and improve the power efficiency by over 20%, compared with an optimal deployment of UAVs with no ML prediction.

研究の動機と目的

• 一時的なトラフィックの増加によって生じるセルラー通信の混雑ゾーンにおける、オンデマンドでエネルギー効率の良い無線カバレッジを提供する課題に対処する。
• 静的または非予測的UAV展開の限界を克服し、能動的でデータ駆動型のUAV位置決めを可能にする。
• 下り行路送信電力とUAV移動電力の両方を同時に最適化することで、UAV支援ネットワークにおける合計電力消費量を最小化する。
• 予測されたユーザー需要に基づいて、スケーラブルで公平なUAVサービス領域分割戦略を開発する。
• 予測的MLベースのUAV展開が非予測的最適展開に比べて果たす性能向上を実証する。

提案手法

• GMMに重み付き期待最大化（WEM）を適用し、セルラー通信トラフィックの空間的・時間的パターンを予測し、混雑の可能性がある領域を同定する。
• 予測されたトラフィックに基づいて、UAV送信電力と移動電力の両方を同時に最適化する電力最小化問題を定式化する。
• 公平性に基づく原則を用いて、UAV間のユーザー負荷を均衡化する最適なUAVサービス領域分割を導出する。
• ユーザー分布の重み付き積分を用いて、送信電力と移動電力の合計を最小化する閉形式式を導出し、最適なUAV位置を計算する。
• 非凸最適化問題を解くために勾配ベースのアルゴリズムを用い、送信電力と移動電力の両方を同時に最適化する。
• 実際のパrameter（5 GHz帯、10 MHz帯域、0.1 J/mの移動コスト）を用いたシミュレーションによりフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 機械学習技術を用いることで、UAV支援セルラーネットワークのエネルギー効率を予測的展開によって向上させられるか？
• RQ2 GMMおよびWEMを用いた予測的トラフィック予測は、必要な下り行路送信電力とUAV移動電力にどのような影響を与えるか？
• RQ3 公平性と電力効率の両立を図る最適なUAVサービス領域分割戦略は何か？
• RQ4 予測されたトラフィック下で、UAVの位置と数が合計ネットワーク電力消費量に与える影響は何か？
• RQ5 MLベースの予測が非予測的最適展開に比べて、エネルギー効率面でどの程度優れているか？

主な発見

• UAV数が9から36に増加するに従い、非予測的最適展開と比較して、提案されたMLベースの予測的展開により、必要な下り行路送信電力を20.68%から24.40%まで削減できた。
• MLベースのアプローチにより、予測されたトラフィック混雑ゾーンにUAV展開が適切に一致するため、最大22.34%の電力効率向上が達成された。
• UAV数が増加するにつれ、サービス領域が小さくなるため路損が減少し、合計送信電力と1UAVあたりの平均電力が低下した。
• UAV数が増加しても送信電力は低下するが、遠く離れた混雑ゾーンへの移動距離が長くなるため、移動電力が増加し、結果として電力効率が低下した。
• WEMベースのGMMは、複雑でマルチモーダルなトラフィックパターンを効果的に捉え、能動的UAV展開に適した正確な混雑ゾーン予測を可能にした。
• 導出された最適UAV位置の式（式20aおよび20b）は、ユーザー密度と路損に基づいて送信電力を最小化する閉形式解を提供する。