[论文解读] 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 4

一句话总结

该论文提出了一种基于机器学习的无人机（UAV）部署框架，利用长短期记忆网络（LSTM）预测蜂窝网络流量，并通过一种新型的KEG算法（结合K-means与基于高斯混合模型的EM算法）对用户服务区域进行聚类。该框架通过优化无人机位置以最小化总发射功率，在功率效率方面相比传统方法最高可降低24%的功耗，且非正交多址（RSMA）在能效方面优于频分多址（FDMA）和时分多址（TDMA）。

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).

研究动机与目标

• 为解决无人机辅助网络中动态、时变的蜂窝网络流量问题，实现无人机的主动部署。
• 通过最优无人机位置配置最小化上行链路总发射功率，提升能量效率与网络容量。
• 开发一种集成流量预测与服务区域聚类的预测性框架，实现智能无人机部署。
• 在所提出的部署策略下，对比非正交多址（RSMA）、频分多址（FDMA）与时分多址（TDMA）等多种多址技术的性能表现。
• 验证该框架在不同地理区域（包括局部与完整城市区域）中的鲁棒性与可扩展性。

提出的方法

• 利用长短期记忆（LSTM）网络基于历史数据预测未来蜂窝网络流量。
• 提出一种KEG算法，结合K-means聚类与期望最大化（EM）算法，利用高斯混合模型（GMM）对用户服务分布进行建模。
• 将空中小区定义为非重叠且完全覆盖的区域，将无人机部署在聚类中心以最小化发射功率。
• 在服务质量（QoS）与覆盖约束下，通过求解功率最小化问题来优化无人机位置。
• 在相同部署框架下，评估非正交多址（RSMA）、频分多址（FDMA）与时分多址（TDMA）三种多址方案的性能，以比较其能效表现。
• 采用基于路径损耗与信干噪比（SINR）的功耗模型，量化总发射功率。

实验结果

研究问题

• RQ1 基于LSTM的流量预测在动态城市环境中，能在多大程度上提升无人机部署效率？
• RQ2 与传统聚类方法相比，KEG算法在服务区域划分精度方面提升了多少？
• RQ3 在预测的流量与用户分布条件下，何种无人机最优部署策略可最小化总上行链路发射功率？
• RQ4 在所提出的预测性部署框架下，不同多址技术（RSMA、FDMA、TDMA）在能效方面的表现如何比较？
• RQ5 该框架在不同网络规模（如局部区域与完整城市区域）下的性能表现如何？

主要发现

• 与传统非预测性部署方法相比，所提框架可将总发射功率降低最多24%。
• KEG算法能有效将用户分布划分为独立的空中小区，在小范围、局部区域中表现优于大规模城市区域。
• 非正交多址（RSMA）实现最低的总发射功率，相比FDMA降低35.5%，相比TDMA降低66.4%。
• KEG聚类与无人机位置优化相结合的方案性能最佳，优于所有其他配置。
• 在大规模区域中，即使无人机数量减少，该框架仍能实现可观的性能增益（功耗降低0.47%），表明其具备部分鲁棒性。
• 仿真结果证实，基于机器学习的流量预测与智能聚类的预测性部署，能显著提升能效与网络可扩展性。