CN114374981A - 一种通信无人机的节能按需预部署方法 - Google Patents
一种通信无人机的节能按需预部署方法 Download PDFInfo
- Publication number
- CN114374981A CN114374981A CN202210046217.0A CN202210046217A CN114374981A CN 114374981 A CN114374981 A CN 114374981A CN 202210046217 A CN202210046217 A CN 202210046217A CN 114374981 A CN114374981 A CN 114374981A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- time
- convlstm
- energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 title claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000001413 cellular effect Effects 0.000 claims abstract description 10
- 238000005265 energy consumption Methods 0.000 claims abstract description 6
- 238000005192 partition Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 238000010295 mobile communication Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- NCGICGYLBXGBGN-UHFFFAOYSA-N 3-morpholin-4-yl-1-oxa-3-azonia-2-azanidacyclopent-3-en-5-imine;hydrochloride Chemical compound Cl.[N-]1OC(=N)C=[N+]1N1CCOCC1 NCGICGYLBXGBGN-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- H04W16/18—Network planning tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/08—Trunked mobile radio systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种用作通信基站的无人机的节能按需预部署方法，属于移动通信领域。该方法内容包括：在与通信无人机集群保持连接的边缘计算服务器上在线训练一种融合注意力机制的ConvLSTM深度时空神经网络模型，用于预测蜂窝基站流量与用户的时空分布；在得到预测结果后，边缘服务器执行一种节能部署算法得到无人集群的地理位置、覆盖范围和功率分配方案，以实现满足地面蜂窝网络用户的下行接入速率的同时最小化无人机集群的发射能耗，并将调度信息通过集群路由发送至所有无人机，完成无人机的按需预部署。本发明优化了通信无人机的部署方式，为地面用户提供了按需的接入速率需求，增强了用户体验，避免了潜在的网络拥塞。
Description
技术领域
本发明属于移动通信技术领域，涉及一种通信无人机的节能按需预部署方法。
背景技术
面对移动通信业务流量和接入设备的快速增长，即将到来的第六代移动通信(6G)系统提出了UAV使能的空间物联网络及空天地一体化等构想。在这些异构网络场景中，UAV往往被作为能够给移动终端提供无线接入的空中基站。UAV作为一种辅助移动通信的手段，具有两大优势：1.UAV具有高度灵活性的特点，能够密切服务于本地用户，解决移动业务快速增长而带来的网络拥塞，适应按需激增的服务；2.与传统的地面基站相比，位于高空的UAV能够提供更多视距(LoS)传输可能性，使系统容量显著提高，建立更可靠的地面连接。
现有针对无人机部署的方法通常假定用户业务分布是先验已知且不随时间变化，而种假设在实际场景中很难成立，因为受人类日常生活工作模式及某些外部突发因素的影响，蜂窝流量的时空分布往往具有高度随机性、时变形和非线性的特征。为了实现UAV的按需部署，运营商需要对流量的时空分布作出精准的预测。现有的流量预测方式包括模型驱动方式和机器学习方式，机器学习方式又包括支持向量机等传统方式和基于循环神经网络的深度学习方式。模型驱动的方式依赖先验参数的设定，无法捕捉高维数据复杂的非线性关联，传统的机器学习方式本质上也是时间序列的处理，缺少对数据空间相关性的建模。由此，如何对流量分布的时空相关性建模并作出精准的预测从而优化UAV的部署，对于提升用户的通信体验，避免网络拥塞具有重要的应用价值。
发明内容
有鉴于此，本发明的目的在于提供一种通信无人机的节能按需预部署方法。该方法提出一种融合注意力机制的ConvLSTM深度时空神经网络模型预测蜂窝基站流量与用户的时空分布，并提出一种节能部署算法优化无人机的部署，实现无人机满足地面蜂窝网络用户的下行接入速率的同时最小化无人机集群的发射能耗。
为达到上述目的，本发明提供如下技术方案：
一种通信无人机的节能按需预部署方法，包括以下步骤：
S1：对于一个固定区域，在任意时隙开始时刻，边缘服务器利用融合注意力机制的卷积长短期记忆深度时空神经网络模型，以及所述固定区域内过往若干个时刻的流量与用户分布数据，对未来的流量与用户做出预测；
S2：基于未来流量与用户分布的预测结果，边缘服务器在满足用户接入速率需求的前提下，以最小化通信无人机发射能耗建立优化模型，执行节能部署算法，得到无人机集群最优的地理位置和覆盖分区；
S3：边缘服务器将最优地理位置和覆盖分区信息通过无人机集群路由发射至所有无人机，完成无人机集群的调度；
S4：无人机在整个时隙内为地面用户提供下行接入服务，并在时隙结束时将流量与用户分布信息作为训练样本发送至边缘服务器；
S5：边缘服务器收集所有无人机的训练样本，完成对深度时空神经网络模型的在线训练；跳转至步骤S1循环执行。
进一步，步骤S1中所述融合注意力机制的卷积长短期记忆深度时空神经网络模型将目标区域均匀离散地划分为若干个单元，每个单元具有唯一标识，单个单元内的所有用户及其产生的流量作为该单元用户数与流量值，并将所有单元所有时隙用户与流量数据组成时空三阶张量，以此为样本完成网络模型的训练和预测。
进一步，步骤S1中所述融合注意力机制的卷积长短期记忆深度时空神经网络模型的结构由输入层、ConvLSTM层、注意力层、批量归一化层，输出构成；输入层为流量历史时空序列，输出为下一时刻流量预测矩；
进一步，ConvLSTM的每个时间单元都有一个记忆单元Ct以积累状态信息，Ct通过三个具有参数的控制门进行访问和修改，即输入门it、忘记门ft和输出门ot；当一个时间步数据输入到ConvLSTM单元时，如果输入门it被激活，它所携带的信息存储到Ct；如果忘记门ft被激活，表示忘记过去的单元状态；最终隐藏状态Ht由输出门ot控制，它决定单元的输出Ct是否传播到最终状态；各个门及Ct、Ht的运算规则如下：
“*”表示卷积运算，
表示哈达玛积，σ表示sigmoid激活函数，tanh表示双曲正激活函；ConvLSTM在输入到状态、状态到状态的转换中将LSTM的全连接网络替换为卷积运算，
是t时刻固定区域的流量矩阵，Ct、Ht、it、ft、ot均是三维张量，前两个维度是空间维度，后一维度是通道，w、b代表可学习的卷积核参数。
进一步，步骤S1中所述融合注意力机制的卷积长短期记忆深度时空神经网络模型在ConvLSTM网络基础上融合注意力机制，注意力机制的实现如下：
首先通过卷积神经网络完成ConvLSTM的各个时间步的三阶张量隐藏状态到特征向量的转换，具体为通过多层卷积及池化的操作完成隐藏状态的空间特征提取和降维，最后重塑为特征向量；
其次，将特征向量通过多层感知机及softmax函数映射为注意力权重；
最后将注意力权重与隐藏状态相乘得到单步预测输出。
进一步，在所述步骤S2中，基于每个单元的流量与用户预测数值，计算出无人机向该单元每个用户提供的平均速率大小，结合空对地信道模型建立无人机的发射功率的表达式。以最小化无人机集群发射功率建立优化模型，提出节能部署算法，计算最优的无人机地理位置及覆盖分区。
进一步，步骤S2中所述节能部署算法为：
将原优化模型的目标问题拆解为两个子问题迭代求解；子问题一为固定每个无人机的位置求解其最佳覆盖分区，将其转化为线性整数规划中的指派问题并运用拉格朗日松弛法得到其对偶问题，利用次梯度法求解该对偶问题；子问题二为固定每个无人机的覆盖分区求解最优位置，考虑低空和高空两种普遍情况，针对每一种情况对优化变量求偏导得出驻点的闭式解；交替优化子问题一和子问题二，得到无人机集群的地理位置和覆盖分区策略。
进一步，在所述步骤S3中，得到的每个无人机的位置和与其关联的单元的信息后，边缘服务器借由无人机集群路由将该调度信息发送至每个无人机；无人机在下一时刻到来前根据调度信息调整自身的位置和关联单元，在接下来的整个时隙中为所述固定区域内的用户提供蜂窝网络的下行接入。
本发明的有益效果在于：本发明优化了通信无人机的部署方式，为地面用户提供了按需的接入速率需求，增强了用户体验，避免了潜在的网络拥塞。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述的通信无人机节能按需预部署方法的流程图；
图2为通信无人机为某一区域用户提供无线接入的场景图；
图3为注意力机制的ConvLSTM网络结构图；
图4为ConvLSTM单元结构图；
图5为注意力层网络结构图；
图6为节能部署算法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明所述的通信无人机节能按需预部署方法的步骤如图1所示。具体来说：
S1：对于一个固定区域，在任意时隙开始时刻，边缘服务器利用一种融合注意力机制的ConvLSTM深度时空神经网络模型以及该地区过往若干个时刻的流量与用户分布数据，对未来的流量与用户做出预测。
S2：基于未来流量与用户分布的预测结果，边缘服务器在满足用户接入速率需求为前提下以最小化通信无人机发射能耗建立优化模型，执行一种节能部署算法得到无人机集群最优的地理位置和覆盖分区。
S3：边缘服务器将最优地理位置和覆盖分区信息通过无人机集群路由发射至所有无人机，完成无人机集群的调度。相比于时隙的长度，步骤S1-S3的执行时间可忽略。
S4：无人机在整个时隙内为地面用户提供下行接入服务，并在时隙结束时将流量与用户分布信息作为训练样本发送至边缘服务器。
S5：边缘服务器收集所有无人机的训练样本，完成对深度时空神经网络模型的在线训练。跳转至步骤S1循环执行。
下面将结合本发明实施中的附图，对本发明的关键步骤S1-S3中涉及的方法进行清楚、完整地描述。
如图2所示，考虑集合为J＝{1,2,3,...,J}的UAV集群覆盖在区域A的上空，为区域内的用户提无线接入服务。作为蜂窝网络覆盖真空的补充，每一个UAV采用正交频分多址的接入方式并使用波束成形技术为每个位于其覆盖范围内的地面用户分配唯一下行信道，因此不考虑UAV与用户信道间的干扰。由于用户的移动性及速率需求的差异性，运营商需要移动UAV以满足不同用户的需求，然而受限于UAV电量，运营商需要一定数量的UAV限制下最小化系统的能耗。在区域A存在一台边缘服务器以实现对区域A的流量与用户分布预测，并完成UAV集群的调度。边缘服务器至少与一架UAV无线回传链路通信，并借由UAV集群路由将调度信息发送至整个UAV集群。
(1)在步骤S1中，将区域A离散地划分成大L×W的大小相等的兴趣区域(AoI)，并将单位时间间隔内位于同一AoI内的所有基站流量之和作为该AoI的流量值，所有UAV关联用户数之和作为该AoI的用户数(鉴于流量与关联用户数具有相似性，以下只分析流量)。该区域在T个时间间隔内的流量时空序列可表示为三维张量
其中
是t时刻区域A的流量矩阵，即有
其中
表示坐标为(w,l)的AoI流量值。流量预测问题可以表述为
拟采用一种结合注意力机制的卷积长短期记忆深度时空网络(A-ConvLSTM)实现中过去T个时刻的流量矩阵D到未来流量矩阵Dt的映射。A-ConvLSTM的网络结构如图3所示，其由输入层、ConvLSTM层、注意力层、批量归一化(Batch Normalization,BN)层，输出构成。输入层为流量历史时空序列D，输出为下一时刻流量预测矩
ConvLSTM在循环神经网络LSTM的基础上引入卷积操作，以提取数据的空间相关性，其单元(Cell)如图4所示。
ConvLSTM每个时间单元都有一个记忆单元Ct以积累状态信息。Ct可以通过三个具有参数的控制门进行访问和修改，即输入门it、忘记门ft和输出门ot。当一个时间步数据输入到ConvLSTM单元时，如果输入门it被激活，它所携带的信息可以存储到Ct；如果忘记门ft被激活，表示忘记过去的单元状态。最终隐藏状态Ht由输出门ot控制，它决定单元的输出Ct是否应该传播到最终状态。各个门及Ct、Ht的运算规则如下：
其中“*”表示卷积运算，
表示哈达玛积，σ表示sigmoid激活函数，tanh表示双曲正激活函。ConvLSTM在输入到状态、状态到状态的转换中将LSTM的全连接网络替换为卷积运算，因此，Ct、Ht、it、ft、ot均是三维张量，前两个维度是空间维度，后一维度是通道，w、b代表了可学习的卷积核参数。
注意力本质上是一个加权求和的过程，其通过自动分析数据的局部特征据与预测结果之间的相关性，使得神经网络可以选择性地关注输入数据的重要特征，从而赋予一些关键特征更大的权重。不同时刻的流量对于预测结果有着不同程度的影响，这种影响也可以理解为不同观测地区的流量对未来整体地区流量的影响。在ConvLSTM基础上加入时间层面的注意力机制，以学习整体网络对不同时刻的隐藏状态Ht的关注程度。注意力层的结构如图5所示。鉴于隐藏层状态Ht是三维张量，要实现其到注意力权重的映射，首先对其使用单核卷积以实现通道维度的压缩，即有：
其中p是卷积步长。之后利用若干层卷积神经网络实现对Ht更深层次的空间特征提取与降维(最后一层采用单核卷积使其通道维度重归为1)，包括卷积(conv)和池化(pooling)的操作，有：
其中
C为通道个数。
之后将
重塑(reshape)为一阶特征向量
并利用多层感知机(MLP)实现特征向量
到注意力得分st的映射，有
其中st、VT、w4、b'是可学习参数。
之后将st通过softmax函数进行归一化处理，得到at的注意力权重et，将其与
相乘求和并通过激活函数最终的得到输出
即单步预测的下一时刻地区流量矩阵。即有
(2)在步骤S2中，于一个典型时刻，将AoI i中的预测用户数表示为
预测流量表示为
则该AoI关联UAV需要为该地区每个用户提供的平均目标下行接入速率为
其中Δt是时刻间隔。
设UAVj在欧式空间中的位置为(xj,yj,zj)，与该UAV关联的某一AoIi的位置为(xi,yi,0)，两者之间距离为：
路径损耗为：
其中fc为载波频率，c为光速，ξij是对自由空间传播损失的平均额外损失，当UAVj与AoIi存在LoS环境时，
若为非视距传播(NloS)环境时，
UAVj与AoIi之间存在LoS链路的概率为：
其中a，b是环境常量，θij＝sin-1(zj/dij)为AoIi对UAVj的仰角。
AoIi的下行链路损耗为：
为实现用户的按需解入，AoIi中用户目标速率
需满足：
其中B是子载波带宽，G是天线增益，N0是噪声功率谱密度。因此，UAVj为AoIi中每位用户提供的发射功率应达到：
UAV可以调整自身空间位置以改变与用户间的路径损耗，从而优化发射功率，而其总功率和频带资源受限，因此需要与其他UAV协调覆盖分区。考虑到UAV大部分时间处于悬停阶段，相比于维持自身悬停的功耗，UAV时刻间移动飞行的功耗忽略不计。则最小化总UAV系统总功率等同于最小化发射功率，可以建模为初始问题：
其中C(j)代表UAVj的覆盖区域AoI的集合；(xj,yj,zj)代表UAVj的地理位置。为保证UAV之间的覆盖区域不重复，需满足的限制条件(1)为：
为保证UAV为用户所提供的发射功率大小不超过子自身最大功率大小，需满足限制条件(2)为：
为满足UAV为所有关联用户提供的频带宽度之和不超过自身最大带宽资源，需满足限制条件(3)为：
由于自变量之间的耦合性，难以对C(j)与(xj,yj,zj)同时求解，因此将初始分解为两个子问题P1与P2，并设计一种节能部署算法迭代求解。P1为固定每个UAV的位置(xj,yj,zj)，求解各UAV之间的覆盖分区，即
限制条件为(1)、(2)、(3)。
P2为固定每个UAV的覆盖分区C(j)，求解其位置(xj,yj,zj)，即
限制条件为(2)、(3)。
求解P1时，用二进制变量μij表征AoIi与UAVj的关联情况：μij＝1表示AoIi内所有用户与UAVj关联，即位于UAVj的覆盖区域中；反之，μij＝0则不关联。则约束条件可改写为：
将P1重写为：
限制条件为(2)、(3)，同时新增限制条件(4)为
以及限制条件(5)
其中μ＝[μ11,μ12,...,μIJ]。
发现P1属于整数规划中的广义指派问题，是一类NP-hard问题，利用分支定界法或割平面法求解的复杂度过高，因此拟采用拉格朗日对偶和次梯度法求解该问题。首先将难以保证的限制条件(2)、(3)分别乘上拉格朗日乘子λj、
加入到目标函数中得到拉格朗日松弛问题
其中λ=[λ1,λ2,...,λJ]，
该松弛问题可进一步表示为：
其中
则求解P1可转化为求解对偶问题：
同时需满足
求解
时，为保证约束条件(4)、(5)的成立，可采用如下方法：对于每一个i∈I，对于j′＝arg minαij，令μij′＝1，否则μij，＝0。可能存在多个j′使得j′＝argminαij成立，该情况下任选其中之一j′使得μij′＝1。求解
时，鉴于μ是有限的集合，
是其定义域上不完全可微的凹函数，因此采用次梯度法求解。
求解P2时，考虑一个典型的UAVj，则P2等价于求解以下问题：
考虑高空UAV和低空UAV两种情况。1.在高空UAV场景下，
此时仰角θij≈π/4，
因此
有
其中
将上式对xj求偏导可得
令其为0，得到
同理可得对yj偏导为0的点
UAVj的最佳位置为
2.在低空UAV场景下，
同理可得UAVj最佳位置为
求解P1与P2，若无法找到优于上一次迭代中P1的解时，算法终止。因此，每次迭代中P1目标函数是单调递减的。P2目标函数关于(xj，yj)是严格的凸函数，严格单调不递增。因此P1与P2整体迭代遵循严格单调不递增，算法的收敛性得到了保证。在算法停止迭代时可能出现部分UAV功率或接入用户数超出负载限制的情况，表明现有数量的UAV无法实现区域的全覆盖，则增加UAV数量重新执行迭代算法。以次梯度算法求解P1时，需要进行复杂度为O(1/∈2)的次梯度下降得到∈-次优解，而每次梯度下降时需要对每一个UAV遍历与其关联的AoI，因此求解P1的算法复杂度为O(IJ/∈2)；求解P2时，需要遍历每一个UAV的所有关联AoI，因此算法复杂度为O(JI)。迭代算法总体复杂度为O(TI2J2/∈2)，其中T是迭代次数，与初始UAV位置选取有关。节能部署算法的流程可由图6表达。
(3)在步骤S3中，得到的每个UAV的位置和与其关联的AoI的信息后，边缘服务器借由UAV集群路由将该调度信息发送至每个UAV。UAV在下一时刻到来前根据调度信息调整自身的位置和关联AoI，在接下来的整个时隙中为区域A内的用户提供蜂窝网络的下行接入。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种通信无人机的节能按需预部署方法，其特征在于：包括以下步骤：
S1：对于一个固定区域，在任意时隙开始时刻，边缘服务器利用融合注意力机制的卷积长短期记忆深度时空神经网络模型，以及所述固定区域内过往若干个时刻的流量与用户分布数据，对未来的流量与用户做出预测；
S2：基于未来流量与用户分布的预测结果，边缘服务器在满足用户接入速率需求的前提下，以最小化通信无人机发射能耗建立优化模型，执行节能部署算法，得到无人机集群最优的地理位置和覆盖分区；
S3：边缘服务器将最优地理位置和覆盖分区信息通过无人机集群路由发射至所有无人机，完成无人机集群的调度；
S4：无人机在整个时隙内为地面用户提供下行接入服务，并在时隙结束时将流量与用户分布信息作为训练样本发送至边缘服务器；
S5：边缘服务器收集所有无人机的训练样本，完成对深度时空神经网络模型的在线训练；跳转至步骤S1循环执行。
2.根据权利要求1所述的通信无人机的节能按需预部署方法，其特征在于：步骤S1中所述融合注意力机制的卷积长短期记忆深度时空神经网络模型将目标区域均匀离散地划分为若干个单元，每个单元具有唯一标识，单个单元内的所有用户及其产生的流量作为该单元用户数与流量值，并将所有单元所有时隙用户与流量数据组成时空三阶张量，以此为样本完成网络模型的训练和预测。
3.根据权利要求2所述的通信无人机的节能按需预部署方法，其特征在于：步骤S1中所述融合注意力机制的卷积长短期记忆深度时空神经网络模型的结构由输入层、ConvLSTM层、注意力层、批量归一化层，输出构成；输入层为流量历史时空序列，输出为下一时刻流量预测矩。
4.根据权利要求3所述的通信无人机的节能按需预部署方法，其特征在于：ConvLSTM的每个时间单元都有一个记忆单元Ct以积累状态信息，Ct通过三个具有参数的控制门进行访问和修改，即输入门it、忘记门ft和输出门ot；当一个时间步数据输入到ConvLSTM单元时，如果输入门it被激活，它所携带的信息存储到Ct；如果忘记门ft被激活，表示忘记过去的单元状态；最终隐藏状态Ht由输出门ot控制，它决定单元的输出Ct是否传播到最终状态；各个门及Ct、Ht的运算规则如下：
“*”表示卷积运算，
表示哈达玛积，σ表示sigmoid激活函数，tanh表示双曲正激活函；ConvLSTM在输入到状态、状态到状态的转换中将LSTM的全连接网络替换为卷积运算，
是t时刻固定区域的流量矩阵，Ct、Ht、it、ft、ot均是三维张量，前两个维度是空间维度，后一维度是通道，w、b代表可学习的卷积核参数。
5.根据权利要求4所述的通信无人机的节能按需预部署方法，其特征在于：步骤S1中所述融合注意力机制的卷积长短期记忆深度时空神经网络模型在ConvLSTM网络基础上融合注意力机制，注意力机制的实现如下：
首先通过卷积神经网络完成ConvLSTM的各个时间步的三阶张量隐藏状态到特征向量的转换，具体为通过多层卷积及池化的操作完成隐藏状态的空间特征提取和降维，最后重塑为特征向量；
其次，将特征向量通过多层感知机及softmax函数映射为注意力权重；
最后将注意力权重与隐藏状态相乘得到单步预测输出。
6.根据权利要求1所述的通信无人机的节能按需预部署方法，其特征在于：在所述步骤S2中，基于每个单元的流量与用户预测数值，计算出无人机向该单元每个用户提供的平均速率大小，结合空对地信道模型建立无人机的发射功率的表达式；以最小化无人机集群发射功率建立优化模型，提出节能部署算法，计算最优的无人机地理位置及覆盖分区。
7.根据权利要求6所述的通信无人机的节能按需预部署方法，其特征在于：步骤S2中所述节能部署算法为：
将原优化模型的目标问题拆解为两个子问题迭代求解；子问题一为固定每个无人机的位置求解其最佳覆盖分区，将其转化为线性整数规划中的指派问题并运用拉格朗日松弛法得到其对偶问题，利用次梯度法求解该对偶问题；子问题二为固定每个无人机的覆盖分区求解最优位置，考虑低空和高空两种普遍情况，针对每一种情况对优化变量求偏导得出驻点的闭式解；交替优化子问题一和子问题二，得到无人机集群的地理位置和覆盖分区策略。
8.根据权利要求1所述的通信无人机的节能按需预部署方法，其特征在于：在所述步骤S3中，得到的每个无人机的位置和与其关联的单元的信息后，边缘服务器借由无人机集群路由将该调度信息发送至每个无人机；无人机在下一时刻到来前根据调度信息调整自身的位置和关联单元，在接下来的整个时隙中为所述固定区域内的用户提供蜂窝网络的下行接入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210046217.0A CN114374981B (zh) | 2022-01-12 | 2022-01-12 | 一种通信无人机的节能按需预部署方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210046217.0A CN114374981B (zh) | 2022-01-12 | 2022-01-12 | 一种通信无人机的节能按需预部署方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114374981A true CN114374981A (zh) | 2022-04-19 |
| CN114374981B CN114374981B (zh) | 2024-02-20 |
Family
ID=81143441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210046217.0A Active CN114374981B (zh) | 2022-01-12 | 2022-01-12 | 一种通信无人机的节能按需预部署方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114374981B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115278698A (zh) * | 2022-06-13 | 2022-11-01 | 北京邮电大学 | 基于动态用户分布预测的无人机基站动态部署方法及装置 |
| CN115802362A (zh) * | 2022-08-18 | 2023-03-14 | 电子科技大学 | 基于自主学习的无人机辅助无线网络部署方法 |
| CN116209046A (zh) * | 2023-04-28 | 2023-06-02 | 浙江省公众信息产业有限公司 | 一种实时节能的移动通信方法、装置、网络侧设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160028471A1 (en) * | 2014-07-22 | 2016-01-28 | International Business Machines Corporation | Deployment criteria for unmanned aerial vehicles to improve cellular phone communications |
| CN110602633A (zh) * | 2019-08-02 | 2019-12-20 | 广东工业大学 | 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法 |
| CN111970709A (zh) * | 2020-07-10 | 2020-11-20 | 西北农林科技大学 | 一种基于粒子群优化算法的无人机中继部署方法及系统 |
| CN111988762A (zh) * | 2020-09-01 | 2020-11-24 | 重庆邮电大学 | 一种基于无人机d2d通信网络的能效最大资源分配方法 |
| CN112351503A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
-
2022
- 2022-01-12 CN CN202210046217.0A patent/CN114374981B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160028471A1 (en) * | 2014-07-22 | 2016-01-28 | International Business Machines Corporation | Deployment criteria for unmanned aerial vehicles to improve cellular phone communications |
| CN110602633A (zh) * | 2019-08-02 | 2019-12-20 | 广东工业大学 | 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法 |
| CN111970709A (zh) * | 2020-07-10 | 2020-11-20 | 西北农林科技大学 | 一种基于粒子群优化算法的无人机中继部署方法及系统 |
| CN111988762A (zh) * | 2020-09-01 | 2020-11-24 | 重庆邮电大学 | 一种基于无人机d2d通信网络的能效最大资源分配方法 |
| CN112351503A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
Non-Patent Citations (4)
| Title |
|---|
| AHMAD ALOS: "Using MLSTM and Multioutput Convolutional LSTM Algorithms for Detecting Anomalous Patterns in Streamed Data of Unmanned Aerial Vehicles", IEEE A&E SYSTEMS MAGAZINE * |
| 刘丽萍;曹峰;王智;孙优贤;: "基于嵌套网格的无线传感器网络节能部署算法", 信息与控制 * |
| 唐伦;肖娇;赵国繁;杨友超;陈前斌;: "基于能效的NOMA蜂窝车联网动态资源分配算法", 电子与信息学报 * |
| 武云龙;张博;任小广;王彦臻;易晓东;: "基于动态规划的多无人机通信连通性保持研究", 中国科学:技术科学 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115278698A (zh) * | 2022-06-13 | 2022-11-01 | 北京邮电大学 | 基于动态用户分布预测的无人机基站动态部署方法及装置 |
| CN115278698B (zh) * | 2022-06-13 | 2024-02-02 | 北京邮电大学 | 基于动态用户分布预测的无人机基站动态部署方法及装置 |
| CN115802362A (zh) * | 2022-08-18 | 2023-03-14 | 电子科技大学 | 基于自主学习的无人机辅助无线网络部署方法 |
| CN115802362B (zh) * | 2022-08-18 | 2024-05-24 | 电子科技大学 | 基于自主学习的无人机辅助无线网络部署方法 |
| CN116209046A (zh) * | 2023-04-28 | 2023-06-02 | 浙江省公众信息产业有限公司 | 一种实时节能的移动通信方法、装置、网络侧设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114374981B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112351503B (zh) | 基于任务预测的多无人机辅助边缘计算资源分配方法 | |
| Wang et al. | Transfer learning promotes 6G wireless communications: Recent advances and future challenges | |
| US11703853B2 (en) | Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same | |
| Salh et al. | A survey on deep learning for ultra-reliable and low-latency communications challenges on 6G wireless systems | |
| CN114374981A (zh) | 一种通信无人机的节能按需预部署方法 | |
| CN108616302B (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
| Zhu et al. | Learning-based computation offloading approaches in UAVs-assisted edge computing | |
| Akram et al. | Multicriteria UAV base stations placement for disaster management | |
| CN114567888B (zh) | 一种多无人机动态部署方法 | |
| ElHalawany et al. | Leveraging machine learning for millimeter wave beamforming in beyond 5G networks | |
| CN113254188B (zh) | 调度优化方法和装置、电子设备及存储介质 | |
| Hu et al. | An intelligent UAV deployment scheme for load balance in small cell networks using machine learning | |
| CN115499921A (zh) | 面向复杂无人机网络的三维轨迹设计及资源调度优化方法 | |
| Wang et al. | Federated convolutional auto-encoder for optimal deployment of UAVs with visible light communications | |
| Nasr-Azadani et al. | Single-and multiagent actor–critic for initial UAV’s deployment and 3-D trajectory design | |
| CN116980852A (zh) | 一种多无人机辅助mec系统部署卸载策略联合优化方法 | |
| Parvaresh et al. | A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities | |
| Guo et al. | Machine learning for predictive deployment of UAVs with multiple access | |
| Hu et al. | A mobility-resilient spectrum sharing framework for operating wireless UAVs in the 6 GHz band | |
| Wang et al. | Indoor path loss modeling for 5G communications in smart factory scenarios based on meta-learning | |
| CN117295090A (zh) | 一种面向无人机通感一体化系统的资源分配方法 | |
| Wang et al. | Autonomous on-demand deployment for UAV assisted wireless networks | |
| Zhang et al. | Completion Time Minimization for Data Collection in a UAV-enabled IoT Network: A Deep Reinforcement Learning Approach | |
| Tarekegn et al. | Channel Quality Estimation in 3D Drone Base Station for Future Wireless Network | |
| Yang et al. | Deep reinforcement learning in NOMA-assisted UAV networks for path selection and resource offloading |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240119 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Hongyue Information Technology Co.,Ltd. Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |