[논문 리뷰] Machine Learning for Predictive On-Demand Deployment of UAVs for Wireless Communications

Qianqian Zhang, Mohammad Mozaffari외 3명|arXiv (Cornell University)|2018. 04. 30.

UAV Applications and Optimization참고 문헌 12인용 수 19

한 줄 요약

이 논문은 가우시안 믹스처 모델(GMM)과 가중 기대 최대화(WEM)를 사용한 기계학습 프레임워크를 제안하여 세포망 트래픽 핫스팟을 예측하고, UAV를 공중 기지국으로서 예측적이고 수요 기반으로 배치할 수 있도록 한다. 이 시스템은 총 전력 소비(전송 + 이동성)를 최소화하도록 UAV 서비스 영역 분할 및 위치를 최적화하여, 비예측적 배치 대비 20퍼센트 이상의 전력 효율성 향상을 달성한다.

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.

연구 동기 및 목표

• 임시 트래픽 급증으로 인한 세포망 핫스팟에서의 수요 기반, 에너지 효율적인 무선 커버리지 도전 과제 해결.
• 정적 또는 비예측적 UAV 배치의 한계를 극복하여 사전 예측 기반, 데이터 기반의 UAV 위치 설정을 가능하게 함.
• 하향링크 전송 및 UAV 이동성 에너지를 동시에 최적화하여 UAV 보조 네트워크의 총 전력 소비 최소화.
• 예측된 사용자 수요에 기반한 확장 가능하고 공정한 서비스 영역 분할 전략 개발.
• 비예측적 최적 배치 대비 예측 기반 기계학습 기반 UAV 배치의 성능 향상 입증.

제안 방법

• 세포망 트래픽의 시공간 패턴을 예측하고 잠재적 혼잡 영역을 식별하기 위해 가중 기대 최대화(WEM)를 적용한 가우시안 믹스처 모델(GMM)을 사용.
• 예측된 트래픽에 기반해 UAV 전송 전력과 이동성 전력의 조합 최적화를 위한 전력 최소화 문제를 수립.
• 사용자 부하를 UAV 간에 균형 있게 분배하기 위해 공정성 기반 원칙을 활용해 최적의 UAV 서비스 영역 분할을 유도.
• 사용자 분포에 대한 가중 적분을 사용해 전송 전력과 이동성 전력의 합을 최소화하는 데 기반한 닫힌 형식의 수식을 통해 최적의 UAV 위치 계산.
• 하향링크 전송 및 이동성 전력 최소화를 위한 비볼록 최적화 문제를 해결하기 위해 기울기 기반 알고리즘 사용.
• 실제 파rameter를 사용한 시뮬레이션을 통해 프레임워크 검증: 5 GHz 대역, 10 MHz 대역폭, 0.1 J/m 이동 비용.

실험 결과

연구 질문

• RQ1 기계학습 기법을 통해 예측적 배치를 가능하게 함으로써 UAV 보조 세포망의 에너지 효율성을 향상시킬 수 있는가?
• RQ2 GMM와 WEM를 통한 예측적 트래픽 예측은 하향링크 전송 전력과 UAV 이동성 에너지에 어떤 영향을 미치는가?
• RQ3 공정성과 전력 효율성을 균형 잡는 최적의 UAV 서비스 영역 분할 전략은 무엇인가?
• RQ4 예측된 트래픽 하에서 UAV의 위치와 수량이 총 네트워크 전력 소비에 어떤 영향을 미치는가?
• RQ5 전력 효율성 측면에서 기계학습 기반 예측은 비예측적 최적 배치에 비해 어느 정도 뛰어나게 되는가?

주요 결과

• UAV 수가 9에서 36으로 증가함에 따라, 제안된 기계학습 기반 예측적 배치는 비예측적 최적 배치 대비 필요 전송 전력을 20.68%에서 24.40%까지 감소시킨다.
• 기계학습 기반 접근 방식 덕분에 전력 효율성이 최대 22.34% 향상되었으며, 이는 UAV 배치가 예측된 트래픽 핫스팟과 더 잘 일치하기 때문이다.
• UAV 수가 증가함에 따라 총 전송 전력과 UAV 당 평균 전력이 감소한다. 이는 더 작은 서비스 영역으로 인한 경로 손실 감소 때문이다.
• 더 많은 UAV를 사용할수록 전송 전력은 낮아지지만, 원거리 핫스팟으로의 이동 거리 증가로 인해 이동성 에너지가 증가하여 전력 효율성이 감소한다.
• WEM 기반 GMM는 복잡한 다모드 트래픽 패턴을 효과적으로 포착하여 사전 예측 기반 UAV 배치를 위한 정확한 핫스팟 예측을 가능하게 한다.
• 유도된 최적의 UAV 위치 수식(식 20a 및 20b)은 사용자 밀도와 경로 손실에 기반해 전송 전력을 최소화하는 닫힌 형식의 해를 제공한다.