CN112188497A - 一种空地一体化车辆网频谱资源优化方法 - Google Patents
一种空地一体化车辆网频谱资源优化方法 Download PDFInfo
- Publication number
- CN112188497A CN112188497A CN202010853349.5A CN202010853349A CN112188497A CN 112188497 A CN112188497 A CN 112188497A CN 202010853349 A CN202010853349 A CN 202010853349A CN 112188497 A CN112188497 A CN 112188497A
- Authority
- CN
- China
- Prior art keywords
- base station
- vehicle
- unmanned aerial
- representing
- aerial vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 32
- 230000005540 biological transmission Effects 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000013468 resource allocation Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 208000006440 Open Bite Diseases 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000005562 fading Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 241000345792 Microsorum spectrum Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种空地一体化车辆网频谱资源优化方法,综合考虑无人机小基站部署和链路特性、不同基站的频谱切片。目的是在满足车辆应用的QoS需求的基础上实现网络效用最大化。该发明能够有效的提高网络效用、节约网络资源。采用无人机小基站作为中继,能够避免数据传输中的阴影衰落问题,且有更高的概率建立短距离视距通信链路,有利于节约通信资源,缓解网络拥塞;构建通信模型时,考虑基站间的干扰和通信半径,对空地通信的描述更加完整和准确;在计算无人机部署和基站间资源切片时,充分考虑车辆的服务质量;在划分基站间频谱资源时,考虑多层复用提高资源利用率。
Description
技术领域
本发明涉及一种空地一体化车辆网频谱资源优化方法,属于移动网络领域。
背景技术
车辆网依赖超高的可靠性、低延迟的数据传输,具有传播环境独特、车辆移动快速、频 谱资源稀缺等特点,这使得固定部署的路边单元和蜂窝网络难以适应未来网络的动态性。城 市中车流的聚集和移动会产生大量移动热点,这些热点在时域和空域分布不匀,地面基站无 法实现有效覆盖。在信号较弱的区域,终端设备会消耗更多通信资源以满足QoS需求。无人 机小基站辅助的通信增强方案逐渐受到关注。
在对无人机小基站部署的相关研究中。W Shi等人结合无人机链路的通信特性,基于用 户覆盖考虑宏基站与无人机小基站链路通信质量(参考文献:W Shi.MultipleDrone-Cell Deployment Analyses and Optimization in Drone Assisted RadioAccess Networks[J].IEEE Access,2018,6:12518-12529)。该方案没有考虑资源管理对空地通信的影响。在资源管理方 面,Peng等人提出一种动态频谱管理框架(参考文献:Peng HX,Ye Q,Shen X M.Spectrum Resource Management for Multi-Access Edge Computingin Autonomous Vehicular Networks[J]. IEEE Transac-tions onIntelligentTransportation Systems,2019),利用网络功能虚拟化(NFV)和多 址边缘计算(MEC)提高频谱资源的利用率。该方案固定部署的路边单元和蜂窝网络,在部署 方面不如无人机小基站灵活。
发明内容
本发明所要解决的技术问题是针对车辆网中网络拓扑变化频繁、频谱资源稀缺等特点, 提供一种空地一体化车辆网资源优化方法,综合考虑无人机小基站的部署位置及链路特性、 不同基站的频谱切片,在满足车辆应用的QoS需求的基础上实现网络效用最大化。
本发明为解决上述技术问题具体采用以下技术方案。
本发明提出一种空地一体化车辆网资源优化方法,包括以下步骤:
步骤一、构建车辆网通用场景,包括宏基站、无人机小基站和车辆;其中宏基站为和两组,每组基站互不相邻并使用相同的频谱资源;无人机小基站作为中继,将宏基站的流量 信号发送到与其关联的车辆设备;代表车辆集合,车辆处于宏基站覆盖范围,或车辆处于宏基站覆盖范围;
步骤二、构建空地通信框架,包括构建:宏基站-车辆M2V链路模型、无人机小基站-车辆D2V链路模型、宏基站-无人机小基站M2D链路模型和无人机小基站跟踪车群移动模型;
步骤三、采用网络虚拟化划分频谱资源;
步骤四、根据步骤二、步骤三,通过求解目标函数的方式选择合适的无人机小基站部署 位置和资源切片比例。
进一步的,本发明提出的一种空地一体化车辆网频谱资源优化方法,步骤二中,构建宏 基站m与车辆M2V链路通信模型,具体步骤包括M2V链路频谱效率的计算:
其中,pm代表宏基站m的发射功率,Gi,m代表宏基站m与车辆i的路径损失,δ2代表信道噪声。
进一步的,本发明提出的一种空地一体化车辆网频谱资源优化方法,步骤二中,构建无 人机小基站与车辆D2V链路通信模型,具体步骤包括D2V链路频谱效率的计算:
li,k代表车辆i与部署在vk,g位置的无人机的距离,zg代表无人机高度,ηLOS和ηNLOS代表 视距遮挡与非遮挡的信号接收损失,c代表光速,fc代表频率,PLOS(zg,li,k)作为D2V链路短 距离视距(Line of Sight,LoS)概率,由以下公式得到:
PLOS(zg,li,k)=(1+a1·exp(-a2·(arctan(zg/li,k))-a1)-1
其中,a1和a2代表由城市环境因素决定的常量。
进一步的,本发明提出的一种空地一体化车辆网频谱资源优化方法,步骤二中,构建宏 基站与无人机小基站M2D链路通信模型,具体步骤包括M2D链路频谱效率的计算:
其中,pm代表宏基站m的发射功率,σ代表信道噪声,Gk,g,m作为M2D链路平均路径损失,由以下公式得到:
其中,dk,g,m代表vk,g位置的无人机与宏基站m的距离,θ代表无人机与宏基站的夹角,α、 θ0和η0分别代表地面路径损失指数、角度偏移量和过剩路径损失偏移量,b1和b2代表过剩路 径损失标量和补偿参数。
进一步的,本发明提出的一种空地一体化车辆网频谱资源优化方法,步骤二中,构建无 人机小基站跟踪车群移动模型,具体步骤包括无人机沿车群移动方向的速度的计算:
进一步的,本发明提出的一种空地一体化车辆网频谱资源优化方法,步骤三所述采用网 络虚拟化划分频谱资源,包括:划分基站间的频谱资源,以及使用多层次的频谱复用;其中
3.1、划分基站间的频谱资源,具体包括:无人机与宏基站的频谱资源切片;设两组宏基 站和无人机小基站三方资源切片比例为{α1,α2,β},α1+α2+β=1;{β1,β2}分别为D2V和M2D链路的资源切片比例,β1+β2≤β;
3.2、使用多层次的频谱复用,具体包括D2V和M2D链路的频谱复用:
1)在保证避免干扰的情况下,D2V链路使用相同的频谱资源β1·W;
2)在M2D链路中,不在宏基站m覆盖范围的无人机复用宏基站m频谱资源,即β'2·W, 其中,β2,k,g代表M2D链路vk,g位置的无人机小基站的资源切 片比例,代表M2D链路无人机与宏基站的从属,W代表无线频谱资源数量,αm代表宏基站m∈{1,2}的资源切片比例。
进一步的,本发明提出的一种空地一体化车辆网频谱资源优化方法,步骤四包括:确定 无人机的部署位置,确定频谱资源的切片比例,其中
步骤4.1确定无人机的部署位置:
s.t.ω'i,k,g∈{0,1}
其中,(xk,yk,zg)代表无人机的候选部署位置,V(G)代表所有可选位置的集合,代表 无人机距离阈值,代表M2D链路无人机与宏基站的从属,ri,k,g代表D2V链路频谱效率, rk,g,m代表M2D链路频谱效率,车辆与无人机的从属变量ω'i,k,g由以下公式得到:
其中,zg代表无人机高度,ξlos代表无人机Los概率阈值,τDU代表无人机在自由空间中 路径损失的阈值,c代表光速,fc代表频率,a1和a2代表由城市环境因素决定的常量;
步骤4.2、确定频谱资源的切片比例,包括构建资源分配和设备从属联合优化问题:
α1+α2+β=1
β1,β2∈(0,1)α1,α2,β∈[0,1]
其中,ωi,k,g为无人机与车辆的从属变量,fi,m、fi,k,g分别代表每一个车辆应用在宏基站 和无人机小基站切片的资源分配比,ci,m代表M2V链路车辆i的最大传输速率,ci,k,g和ck,g,m分别代表D2V和M2D链路车辆i的最大传输速率三条链路的最大传输速率由以下公式得到
ci,m=Wαi,mfi,mri,m
ci,k.g=Wβ1fi,k,gri,k,g
ck,g,m=Wβ'2fi,k,grk,g,m
满足车辆应用QoS需求的最小传输速率C(min)由以下公式得到:
其中,La和λa分别为每个传输包的大小和到达率,Dmax代表可允许传输的最大时延,ε 代表能够超过Dmax满足下行传输时延要求的概率。
发明采用以上技术方案与现有技术相比,具有以下的优点:
1.采用无人机小基站作为中继,能够避免数据传输中的阴影衰落问题,且有更高的概 率建立短距离视距通信链路,有利于节约通信资源,缓解网络拥塞。
2.构建通信模型时,考虑基站间的干扰和通信半径,对空地通信的描述更加完整和准 确。
3.在计算无人机部署和基站间资源切片时,充分考虑车辆的服务质量。
4.在划分基站间频谱资源时,考虑多层复用提高资源利用率。
附图说明
图1是本发明所涉及的无人机小基站辅助车辆网场景图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术 语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理 解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一 致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明针对车辆网中网络拓扑变化频繁、频谱资源稀缺等问题,提供一种空地一体化车 辆网资源优化方法,综合考虑无人机小基站的部署位置及链路特性、不同基站的频谱切片, 在满足车辆应用的QoS需求的基础上实现网络效用最大化。
本发明提出一种空地一体化车辆网频谱资源优化方法,包括以下步骤:
步骤一、构建车辆网通用场景,如图1,包括宏基站和无人机小基站和车辆,宏基站为和两组,每组基站互不相邻并使用相同的频谱资源。代表车辆集合。车辆 处于宏基站覆盖范围。无人机小基站作为中继,将宏基站的流量信号 发送到与其关联的车辆设备。例如:宏基站的发射功率为10w,覆盖半径为800m;每个无 人机小基站发射功率为2.5w。车辆的最小车距为5m,每条车道上的车辆密度为[0.05,0.5]辆 /m,
步骤二、构建空地通信框架,将宏基站三维通信覆盖空间划分为网格,每个网格的交叉 点代表无人机j可选择的坐标(xk,yk,zg),其中k代表无人机平面位置索引,g代表飞行高度 的索引。例如:高度范围设置为[0,200m],间隔10m。水平范围设置为[-1600m,1600m],间 隔200m。对处在每一个位置的无人机进行系统的频谱效率的计算,具体步骤包括:
步骤2.1、构建宏基站与车辆(M2V)链路通信模型。M2V链路频谱效率由如下公式进行 计算:
其中,pm代表宏基站的发射功率(10w),Gi,m代表宏基站与车辆i的路径损失(Gi,m=-30-35log10(dm),dm代表车辆i与宏基站m的水平距离。),δ2代表信道噪声(-104dBm)。
步骤2.2、构建无人机小基站与车辆(D2V)链路通信模型。由于无人机的三维部署决定了 不同的视距概率,导致复杂的D2V链路路径损失模型。因此,D2V链路频谱效率由如下公 式进行计算:
li,k代表车辆i与部署在vk,g位置的无人机的距离,zg代表无人机高度,ηLOS和ηNLOS代表 视距遮挡与非遮挡的信号接收损失,c代表光速,fc代表频率,PLOS(zg,li,k)作为D2V链路短 距离视距(Line of Sight,LoS)概率,由以下公式得到:
PLOS(zg,li,k)=(1+a1·exp(-a2·(arctan(zg/li,k))-a1)-1
其中,a1和a2代表由城市环境因素决定的常量(链路参数(a1/a2/ηLOS/ηNLOS)为4.88/0.43/0.1/21,通信频率(fc)为3.5GHz)。步骤2.3、构建宏基站与无人机小基站(M2D)链路 通信模型。凭借高度优势,无人机小基站能够避免数据传输中的阴影衰落问题,且有更高的 概率建立短距离视距。M2D链路频谱效率由如下公式进行计算:
Gk,g,m作为M2D链路平均路径损失,由以下公式得到:
dk,g,m代表vk,g位置的无人机与宏基站m的距离,θ代表无人机与宏基站的夹角,α、θ0和η0分别代表地面路径损失指数、角度偏移量和过剩路径损失偏移量,b1和b2代表过剩路径损失 标量和补偿参数(链路参数(α/θ0/η0/b1/b2)为3.04/3.61/20.7/-23.29/4.14)。步骤2.4、构建无人 机小基站跟踪车群移动模型。无人机最优部署位置随网络拓扑变化频繁,为避免由部署位置 变化导致的链路频繁切换,利用无人机跟随密集车群可以减少其部署位置更新的频率。无人 机沿车群移动方向的速度由如下公式进行计算:
步骤三、采用网络虚拟化划分频谱资源。基于NFV,系统可以在不增加部署成本的情况 下实现灵活的资源优化,如图1。具体步骤包括:
步骤3.1划分基站间的频谱资源.无人机与宏基站的频谱资源切片,设两组宏基站和无 人机小基站三方的资源切片比例为{α1,α2,β},α1+α2+β=1。{β1,β2}为D2V和M2D链 路的资源切片比例,β1+β2≤β;步骤3.2使用多层次的频谱复用。D2V和M2D链路的频 谱复用:1)在保证避免干扰的情况下,D2V链路使用相同的频谱资源β1·W;2)在M2D链 路中,不在宏基站m覆盖范围的无人机复用宏基站m频谱资源,即β'2·W, 其中:W代表无线频谱资源数量,β2,k,g代表M2D链路vk,g位置的无人机小基 站的资源切片比例。
步骤四、根据步骤二、步骤三,通过求解目标函数的方式选择合适的无人机小基站部署 位置和资源切片比例,步骤包括:
步骤4.1、确定无人机的部署位置。部署无人机小基站需要同时考虑车群的数量与位置。 若仅考虑车群数量,当车辆靠近宏基站时,利用更少的网络资源就可以满足QoS需求,导致 较少的车辆关联无人机;若仅考虑远离宏基站的位置,无人机部署则缺乏灵活性。因此,无 人机部署问题被建模为
s.t.ω'i,k,g∈{0,1}
其中,(xk,yk,zg)代表无人机的候选部署位置,V(G)代表所有可选位置的集合,代表无 人机距离阈值(200m),代表M2D链路无人机与宏基站的从属,ri,k,g代表D2V链路频 谱效率,rk,g,m代表M2D链路频谱效率,,车辆与无人机的从属变量ω'i,k,g由以下公式得到:
其中,ξlos代表无人机Los概率阈值,τDU代表无人机在自由空间中路径损失的阈值,c 代表光速,fc代表频率。
步骤4.2、确定频谱资源的切片比例。构建资源分配和设备从属联合优化问题为:
α1+α2+β=1
β1,β2∈(0,1)α1,α2,β∈[0,1]
其中,fi,m和fi,k,g代表每一个车辆应用在宏基站和无人机小基站的切片的资源分配比,ci,m代表M2V链路车辆i的最大传输速率。ci,k,g和ck,g,m代表D2V和M2D链路车辆i的最大传输 速率。三条链路的最大传输速率由以下公式得到
ci,m=Wαi,mfi,mri,m
ci,k.g=Wβ1fi,k,gri,k,g
ck,g,m=Wβ'2fi,k,grk,g,m
满足车辆应用QoS需求的最小传输速率C(min)由以下公式得到:
其中,La和λa分别为每个传输包的大小和到达速率,Dmax代表可允许传输的最大时延,ε 代表能够超过Dmax满足下行传输时延要求的概率(数据包长度和到达率(La/λa)为1048bit和4 packet/s;时延阈值(D(max))为10-3)。
该问题在解决时,采用凸优化的方式得到问题的解。给定一组t次迭代的集合,在t次迭 代结束,求得局部最优解。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说, 在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发 明的保护范围。
Claims (7)
1.一种空地一体化车辆网频谱资源优化方法,其特征在于,包括以下步骤:
步骤一、构建车辆网通用场景,包括宏基站、无人机小基站和车辆;其中宏基站为和两组,每组基站互不相邻并使用相同的频谱资源;无人机小基站作为中继,将宏基站的流量信号发送到与其关联的车辆设备;代表车辆集合,车辆处于宏基站覆盖范围,或车辆处于宏基站覆盖范围;
步骤二、构建空地通信框架,包括构建:宏基站-车辆M2V链路模型、无人机小基站-车辆D2V链路模型、宏基站-无人机小基站M2D链路模型和无人机小基站跟踪车群移动模型;
步骤三、采用网络虚拟化划分频谱资源;
步骤四、根据步骤二、步骤三,通过求解目标函数的方式选择合适的无人机小基站部署位置和资源切片比例。
3.如权利要求1所述的一种空地一体化车辆网频谱资源优化方法,其特征在于,步骤二中,构建无人机小基站与车辆D2V链路通信模型,具体步骤包括D2V链路频谱效率的计算:
li,k代表车辆i与部署在vk,g位置的无人机的距离,zg代表无人机高度,ηLOS和ηNLOS代表视距遮挡与非遮挡的信号接收损失,c代表光速,fc代表频率,PLOS(zg,li,k)作为D2V链路短距离视距(Line of Sight,LoS)概率,由以下公式得到:
PLOS(zg,li,k)=(1+a1·exp(-a2·(arctan(zg/li,k))-a1)-1
其中,a1和a2代表由城市环境因素决定的常量。
6.如权利要求1所述的一种空地一体化车辆网频谱资源优化方法,其特征在于,步骤三所述采用网络虚拟化划分频谱资源,包括:划分基站间的频谱资源,以及使用多层次的频谱复用;其中
3.1、划分基站间的频谱资源,具体包括:无人机与宏基站的频谱资源切片;设两组宏基站和无人机小基站三方资源切片比例为{α1,α2,β},α1+α2+β=1;{β1,β2}分别为D2V和M2D链路的资源切片比例,β1+β2≤β;
3.2、使用多层次的频谱复用,具体包括D2V和M2D链路的频谱复用:
1)在保证避免干扰的情况下,D2V链路使用相同的频谱资源β1·W;
7.如权利要求1所述的一种空地一体化车辆网频谱资源优化方法,其特征在于,步骤四包括:确定无人机的部署位置,确定频谱资源的切片比例,其中
步骤4.1确定无人机的部署位置:
s.t.ω′i,k,g∈{0,1}
其中,(xk,yk,zg)代表无人机的候选部署位置,V(G)代表所有可选位置的集合,代表无人机距离阈值,代表M2D链路无人机与宏基站的从属,ri,k,g代表D2V链路频谱效率,rk,g,m代表M2D链路频谱效率,车辆与无人机的从属变量ω′i,k,g由以下公式得到:
其中,zg代表无人机高度,ξlos代表无人机Los概率阈值,τDU代表无人机在自由空间中路径损失的阈值,c代表光速,fc代表频率,a1和a2代表由城市环境因素决定的常量;
步骤4.2、确定频谱资源的切片比例,包括构建资源分配和设备从属联合优化问题:
α1+α2+β=1
β1,β2∈(0,1)α1,α2,β∈[0,1]
其中,ωi,k,g为无人机与车辆的从属变量,fi,m、fi,k,g分别代表每一个车辆应用在宏基站和无人机小基站切片的资源分配比,ci,m代表M2V链路车辆i的最大传输速率,ci,k,g和ck,g,m分别代表D2V和M2D链路车辆i的最大传输速率三条链路的最大传输速率由以下公式得到
ci,m=Wαi,mfi,mri,m
ci,k.g=Wβ1fi,k,gri,k,g
ck,g,m=Wβ′2fi,k,grk,g,m
满足车辆应用QoS需求的最小传输速率C(min)由以下公式得到:
其中,La和λa分别为每个传输包的大小和到达率,Dmax代表可允许传输的最大时延,ε代表能够超过Dmax满足下行传输时延要求的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010853349.5A CN112188497B (zh) | 2020-08-23 | 2020-08-23 | 一种空地一体化车辆网频谱资源优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010853349.5A CN112188497B (zh) | 2020-08-23 | 2020-08-23 | 一种空地一体化车辆网频谱资源优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112188497A true CN112188497A (zh) | 2021-01-05 |
CN112188497B CN112188497B (zh) | 2023-06-09 |
Family
ID=73925067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010853349.5A Active CN112188497B (zh) | 2020-08-23 | 2020-08-23 | 一种空地一体化车辆网频谱资源优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112188497B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113055898A (zh) * | 2021-03-11 | 2021-06-29 | 西北工业大学 | 一种空地协作车联网无人机位置部署及数据链抗干扰方法 |
JP7101840B1 (ja) * | 2021-04-13 | 2022-07-15 | 三菱電機株式会社 | 位置推定装置、位置推定方法および自動運転システム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3404976A1 (en) * | 2017-05-15 | 2018-11-21 | Universidad de Deusto | Procedure for managing radioelectric resources in 5g cellular networks aiming at the reuse of resources for vehicle-to-vehicle, v2v, communications |
CN108964806A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种带内全双工系统无线接入与回传联合资源分配方法 |
CN110012558A (zh) * | 2019-04-09 | 2019-07-12 | 亚太卫星宽带通信(深圳)有限公司 | 一种具有网络重构能力的卫星网络架构 |
-
2020
- 2020-08-23 CN CN202010853349.5A patent/CN112188497B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3404976A1 (en) * | 2017-05-15 | 2018-11-21 | Universidad de Deusto | Procedure for managing radioelectric resources in 5g cellular networks aiming at the reuse of resources for vehicle-to-vehicle, v2v, communications |
CN108964806A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种带内全双工系统无线接入与回传联合资源分配方法 |
CN110012558A (zh) * | 2019-04-09 | 2019-07-12 | 亚太卫星宽带通信(深圳)有限公司 | 一种具有网络重构能力的卫星网络架构 |
Non-Patent Citations (2)
Title |
---|
WEISEN SHI: "Multi-Drone 3-D Trajectory Planning and Scheduling in Drone-Assisted Radio Access Networks", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY * |
郭芳: "基于无人机辅助的V2I无线传输系统性能优化", 物联网学报 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113055898A (zh) * | 2021-03-11 | 2021-06-29 | 西北工业大学 | 一种空地协作车联网无人机位置部署及数据链抗干扰方法 |
JP7101840B1 (ja) * | 2021-04-13 | 2022-07-15 | 三菱電機株式会社 | 位置推定装置、位置推定方法および自動運転システム |
Also Published As
Publication number | Publication date |
---|---|
CN112188497B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | An edge computing empowered radio access network with UAV-mounted FSO fronthaul and backhaul: Key challenges and approaches | |
CN101998415B (zh) | Td-lte系统干扰自避免的基站选址方法 | |
CN111479239B (zh) | 一种多天线无人机数据采集系统的传感器发射能耗优化方法 | |
CN111615200A (zh) | 混合Hybrid NOMA网络的无人机辅助通信资源分配方法 | |
CN112153593B (zh) | 一种无人机辅助的高能效物联网数据收集方法 | |
Elnabty et al. | A survey on UAV placement optimization for UAV-assisted communication in 5G and beyond networks | |
CN112910540B (zh) | 一种全双工无人机中继系统联合优化方法及系统 | |
CN109511134A (zh) | 基于能效最优的无人机辅助无线通信系统负载分流方法 | |
CN109660292B (zh) | 一种基于多无人机覆盖的无线通信系统飞行高度设计方法 | |
CN111479226B (zh) | 无人机通信系统及基于用户轨迹的无人机通信优化方法 | |
CN111417126B (zh) | 星空地协同海洋通信网络按需覆盖方法及装置 | |
CN108668257B (zh) | 一种分布式无人机邮差中继轨迹优化方法 | |
CN114268903B (zh) | 一种地理信息辅助的无人机中继位置部署以及功率分配方法 | |
Fotouhi et al. | Service on demand: Drone base stations cruising in the cellular network | |
CN112188497B (zh) | 一种空地一体化车辆网频谱资源优化方法 | |
Hosseinalipour et al. | Interference avoidance position planning in UAV-assisted wireless communication | |
Lu et al. | Relay in the sky: A UAV-aided cooperative data dissemination scheduling strategy in VANETs | |
Ghavimi et al. | Energy-efficient uav communications with interference management: Deep learning framework | |
Shang et al. | Aerial reconfigurable intelligent surfaces meet mobile edge computing | |
Fotouhi et al. | Joint optimization of access and backhaul links for UAVs based on reinforcement learning | |
Cacciapuoti et al. | Software-defined network controlled switching between millimeter wave and terahertz small cells | |
Lv et al. | Blockage avoidance based sensor data dissemination in multi-hop mmwave vehicular networks | |
Guan et al. | MAPPO-based cooperative UAV trajectory design with long-range emergency communications in disaster areas | |
AlSheyab et al. | Interference minimization algorithms for fifth generation and beyond systems | |
Zhang et al. | Joint computation offloading and trajectory design for aerial computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |