[論文レビュー] Predictive Deployment of UAV Base Stations in Wireless Networks: Machine Learning Meets Contract Theory

Qianqian Zhang, Walid Saad+4 more|arXiv (Cornell University)|Nov 3, 2018

UAV Applications and Optimization参考文献 31被引用数 23

ひとこと要約

本稿では、トラフィック需要予測に重み付き期待最大化（WEM）を、地上基地局とUAV運用者間の真実の情報共有を保証するための契約理論を組み合わせた予測型UAV基地局配置フレームワークを提案する。この手法は10%の予測誤差を達成し、イベント駆動型手法と比較してダウンリンク容量、エネルギー効率、収益の面で顕著な向上を実現する。

ABSTRACT

In this paper, a novel framework is proposed to enable a predictive deployment of unmanned aerial vehicles (UAVs) as temporary base stations (BSs) to complement ground cellular systems in face of downlink traffic overload. First, a novel learning approach, based on the weighted expectation maximization (WEM) algorithm, is proposed to estimate the user distribution and the downlink traffic demand. Next, to guarantee a truthful information exchange between the BS and UAVs, using the framework of contract theory, an offload contract is developed, and the sufficient and necessary conditions for having a feasible contract are analytically derived. Subsequently, an optimization problem is formulated to deploy an optimal UAV onto the hotspot area in a way that the utility of the overloaded BS is maximized. Simulation results show that the proposed WEM approach yields a prediction error of around 10%. Compared with the expectation maximization and k-mean approaches, the WEM method shows a significant advantage on the prediction accuracy, as the traffic load in the cellular system becomes spatially uneven. Furthermore, compared with two event-driven deployment schemes based on the closest-distance and maximal-energy metrics, the proposed predictive approach enables UAV operators to provide efficient communication service for hotspot users in terms of the downlink capacity, energy consumption and service delay. Simulation results also show that the proposed method significantly improves the revenues of both the BS and UAV networks, compared with two baseline schemes.

研究の動機と目的

• 通信ネットワークにおけるトラフィック過負荷時における予測型UAV配置の課題に対処すること。
• 非対称情報下において地上基地局とUAV運用者間での真実の情報交換を可能にすること。
• 最適なUAV配置により過負荷状態にある地上基地局の利便性を最大化すること。
• ダウンリンク容量、エネルギー効率、サービス遅延の観点からネットワーク性能を向上させること。
• インcentive-compatibleメカニズムを通じて、地上ネットワークおよびUAVネットワークの両方の収益を向上させること。

提案手法

• EMおよびk-meansよりも精度の高いユーザ分布およびダウンリンクトラフィック需要の推定を実現する重み付き期待最大化（WEM）アルゴリズムを提案する。
• 契約理論を用いて、UAVのインcentive-compatibleな報酬を保証するオフロード契約を構築する。
• 実行可能契約を保証する十分かつ必要条件を導出することで、個別合理性およびインcentive-compatibleを確保する。
• 地上基地局の利便性を最大化するために、ホットスポットにUAVを配置する最適化問題を定式化する。
• トラフィック予測と契約ベースのUAV選定を統合し、エネルギー効率とサービス品質のバランスを取る。
• 数学的モデリングにより、契約メカニズムがUAVの能力に基づいて真実の報告を保証することを証明する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして機械学習を用いて、無線通信ネットワークにおけるトラフィック需要およびユーザ分布を高精度に予測できるか？
• RQ2 UAV運用者の私的能力を有する状況下で、真実の情報報告を保証する契約設計はどのようなものか？
• RQ3 予測型UAV配置は、ネットワーク性能の観点から、イベント駆動型手法に比べてどのように優れているか？
• RQ4 地上BSとUAV間のインcentive-compatible契約の実行可能性を保証する条件は何か？
• RQ5 提案されたフレームワークは、UAV支援型通信ネットワークにおける収益およびサービス品質をどのように向上させるか？

主な発見

• WEMアルゴリズムは予測誤差が約10%にとどまり、特に空間的に不均一なトラフィック負荷下でもEMおよびk-meansを顕著に上回る性能を示す。
• 提案された予測型配置により、最近接距離および最大エネルギー基準のイベント駆動型手法と比較して、サービス遅延が低減され、ダウンリンク容量が向上する。
• 予測された需要に基づく最適化されたUAV配置により、エネルギー消費が削減され、UAVの飛行持続時間が向上する。
• 契約ベースのメカニズムにより、UAVが自らの能力を真実に報告することが保証されており、インcentive-compatibleの解析的導出によって裏付けられている。
• 効率的なリソース割り当てと真実の協力のおかげで、地上基地局およびUAVネットワークの両方で、ベースライン手法と比較して顕著な収益向上が達成される。
• 理論的分析により、導出された条件下で、契約メカニズムが個別合理性およびインcentive-compatibleを満たすことが確認された。