[论文解读] 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 19

一句话总结

本文提出一种基于高斯混合模型（GMM）与加权期望最大化（WEM）的机器学习框架，用于预测蜂窝网络流量热点，并实现无人机（UAV）作为空中基站的预测性、按需部署。该系统通过优化UAV服务区域划分与位置，最小化总能耗（传输 + 移动性），相比非预测性部署，能耗效率提升超过20%。

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.

研究动机与目标

• 解决因临时流量激增导致的蜂窝热点区域按需、节能无线覆盖挑战。
• 通过实现主动的、数据驱动的无人机定位，克服静态或非预测性无人机部署的局限性。
• 通过联合优化下行链路传输与无人机移动性能耗，最小化无人机辅助网络中的总能耗。
• 基于预测的用户需求，开发一种可扩展、公平的服务区域划分策略。
• 展示基于预测性机器学习的无人机部署相较于非预测性最优部署的性能增益。

提出的方法

• 采用高斯混合模型（GMM）结合加权期望最大化（WEM）方法，预测蜂窝网络流量的时空模式，并识别潜在的拥塞区域。
• 建立一个联合优化无人机发射功率与移动性能耗的能耗最小化问题，基于预测的流量数据。
• 基于公平性原则推导最优的无人机服务区域划分，以平衡各无人机的用户负载。
• 通过用户分布上的加权积分，推导出最小化发射与移动能耗之和的闭式表达式，计算最优无人机位置。
• 使用基于梯度的算法求解联合发射与移动能耗最小化的非凸优化问题。
• 通过仿真验证框架性能，采用真实参数：5 GHz频段、10 MHz带宽、0.1 J/m的移动能耗成本。

实验结果

研究问题

• RQ1 机器学习技术能否通过实现预测性部署，提升无人机辅助蜂窝网络的能耗效率？
• RQ2 通过GMM与WEM实现的预测性流量预报，如何影响所需的下行链路发射功率与无人机移动性能耗？
• RQ3 在保证公平性与能耗效率的前提下，无人机的最优服务区域划分策略是什么？
• RQ4 在预测流量条件下，无人机位置与数量如何影响网络总能耗？
• RQ5 在能耗效率方面，基于机器学习的预测性部署相较于非预测性最优部署，性能提升程度如何？

主要发现

• 随着无人机数量从9台增至36台，所提出的基于机器学习的预测性部署相比非预测性最优部署，所需下行链路发射功率降低20.68%至24.40%。
• 由于无人机部署更精准地匹配预测的流量热点，基于机器学习的方法使能耗效率最高提升22.34%。
• 随着无人机数量增加，总发射功率与每架无人机的平均功率下降，这是由于服务区域缩小导致路径损耗降低。
• 尽管更多无人机可降低发射功率，但由于需前往偏远热点区域，移动能耗增加，导致能耗效率下降。
• 基于WEM的GMM能有效捕捉复杂、多峰的流量模式，实现对热点区域的准确预测，支持无人机的主动部署。
• 推导出的最优无人机位置公式（公式20a与20b）为基于用户密度与路径损耗最小化发射功率提供了闭式解。