[논문 리뷰] Machine Learning for Predictive Deployment of UAVs with Multiple Access

Lin-Yan Lu, Zhaohui Yang외 3명|arXiv (Cornell University)|2020. 03. 02.

UAV Applications and Optimization참고 문헌 39인용 수 4

한 줄 요약

이 논문은 LSTM를 사용해 셀룰러 트래픽을 예측하고, K-평균과 기대값 최대화(EM) 기반 혼합 정규분포 모델(GMM)을 융합한 새로운 KEG 알고리즘을 활용해 사용자 서비스 영역을 군집화하는 기계학습 기반의 무인항공기(UAV) 배치 프레임워크를 제안한다. UAV의 위치를 최적화하여 총 전송 전력 소비를 최소화하며, 기존 방법 대비 최대 24%의 전력 절감을 보이며, RSMA가 FDMA 및 TDMA보다 전력 효율성이 뛰어나다.

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).

연구 동기 및 목표

• 동적이고 시간에 따라 변화하는 셀룰러 트래픽 문제를 해결하기 위해, 사전에 UAV를 배치할 수 있도록 하는 전략적 UAV 배치를 목적으로 한다.
• 최적의 UAV 위치를 통해 총 업링크 전송 전력 소비를 최소화하여 에너지 효율성과 네트워크 용량을 향상시키는 것을 목적으로 한다.
• 트래픽 예측과 서비스 영역 군집화를 통합한 예측 기반 프레임워크를 개발하여 지능적인 UAV 배치를 실현하는 것을 목적으로 한다.
• 제안된 배치 전략 하에서 여러 다중접근 기법(RSMA, FDMA, TDMA)의 성능을 비교하는 것을 목적으로 한다.
• 다양한 지리적 영역, 특히 제한된 도시 지역과 전체 도시 지역에서의 프레임워크의 견고성과 확장성을 검증하는 것을 목적으로 한다.

제안 방법

• 역사적 데이터를 기반으로 향후 셀룰러 트래픽을 예측하기 위해 장기적 단기 기억(LSTM) 신경망을 사용한다.
• K-평균 군집화와 기대값 최대화(EM) 알고리즘을 융합한 KEG 알고리즘을 제안하여, 혼합 정규분포 모델(GMM)을 활용해 사용자 서비스 분포를 모델링한다.
• 공중 셀은 겹치지 않으며 완전히 커버하는 영역으로 정의되며, UAV는 군집 중심지에 위치하여 전송 전력을 최소화한다.
• QoS 및 커버리지 제약 조건 하에서 전력 소모 최소화 문제를 해결함으로써 UAV 위치를 최적화한다.
• 동일한 배치 프레임워크 하에서 RSMA, FDMA, TDMA 세 가지 다중접근 방식을 평가하여 에너지 효율성을 비교한다.
• 경로 손실과 신호 대 간섭 및 노이즈 비율(SINR) 기반의 전력 소비 모델을 활용해 총 전송 전력을 정량화한다.

실험 결과

연구 질문

• RQ1 LSTM 기반 트래픽 예측은 동적 도시 환경에서 UAV 배치 효율성을 얼마나 향상시킬 수 있는가?
• RQ2 기존 군집화 방법에 비해 KEG 알고리즘이 서비스 영역 분할 정확도를 얼마나 향상시키는가?
• RQ3 예측된 트래픽과 사용자 분포 조건 하에서 총 업링크 전송 전력을 최소화하는 최적의 UAV 위치 전략은 무엇인가?
• RQ4 제안된 예측 기반 배치 프레임워크 하에서 RSMA, FDMA, TDMA 등의 다양한 다중접근 기법은 에너지 효율성 측면에서 어떻게 비교되는가?
• RQ5 한정된 지역과 전체 도시 지역과 같은 다양한 네트워크 규모에서 프레임워크의 성능은 어떻게 나타나는가?

주요 결과

• 제안된 프레임워크는 기존 예측 기반이 아닌 전통적 방법 대비 총 전송 전력을 최대 24% 절감한다.
• KEG 알고리즘은 사용자 분포를 명확한 공중 셀로 효과적으로 분할하며, 특히 소규모 국지적 영역에서는 대규모 도시 지역보다 더 뛰어난 성능을 보인다.
• RSMA는 총 전송 전력이 가장 낮으며, FDMA 대비 35.5% 감소하고 TDMA 대비 66.4% 감소한다.
• KEG 군집화와 UAV 위치 최적화를 조합한 기법이 가장 우수한 성능을 보이며, 다른 모든 구성보다 뛰어나다.
• 대규모 영역에서는 UAV 수가 감소하더라도 여전히 측정 가능한 이점(0.47% 전력 절감)을 제공하여 부분적인 견고성을 입증한다.
• 시뮬레이션 결과는 기계학습 기반 트래픽 예측과 지능적인 군집화를 통한 예측 기반 배치가 에너지 효율성 향상과 네트워크 확장성 향상에 크게 기여함을 확인한다.