CN115278698A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115278698A CN115278698A CN202210665997.7A CN202210665997A CN115278698A CN 115278698 A CN115278698 A CN 115278698A CN 202210665997 A CN202210665997 A CN 202210665997A CN 115278698 A CN115278698 A CN 115278698A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- base station
- time slot
- deployment
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004891 communication Methods 0.000 claims abstract description 170
- 230000008859 change Effects 0.000 claims description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 12
- 231100000817 safety factor Toxicity 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 241001522296 Erithacus rubecula Species 0.000 claims 2
- 230000018109 developmental process Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 17
- 238000012544 monitoring process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000013459 approach Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种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，该方法包括：基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到所述待覆盖时段的用户分布预测数据，所述地面节点为指示用户分布情况的区域；在所述待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。本发明提供的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，可以保障用户移动场景下的应急通信网络高效覆盖。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种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。
背景技术
灾难的发生往往伴随着通信设施失灵与地面交通受损，但在灾后救援过程中，无论是救援指挥人员还是疏散撤离的人民群众，均有沟通联络的通信需求。受道路损毁的影响，地面的应急通信车辆难以驶入灾区发挥作用，因此亟需一种应急通信的辅助手段，及时有效地向地面用户提供通信服务。无人机作为下一代网络的重要组成部分，能够向地面用户提供灵活可靠的通信连接，特别适合在未来用于处理公共安全事件以及应急通信等复杂场景。同时，随着无人机的发展，在受到自然灾害侵袭的地区，无人机可以部署作为中、低空平台或者中继节点，为地面用户提供通信覆盖服务。由于具备灵活性强、成本低以及部署快等特点，无人机空中基站是一种灾后建立应急通信响应的重要手段。与传统的地面基站相比，无人机可以与灾区的地面用户建立视距通信链路，从而提供更高质量的通信服务。但与此同时，无人机基站通信范围有限，如何部署无人机进行更好的覆盖以满足地面用户的需求，仍然是无人机辅助通信研究中非常具有挑战性的问题。
除了上述问题外，在灾区利用无人机进行应急网络部署的另一个挑战在于如何在快速部署的前提下有效保证通信服务的质量和可靠性。而无人机向地面用户提供通信覆盖的服务质量很大程度上取决于无人机与用户的相对位置情况。因此，研究人员将无人机的通信特性与无人机的运动特性联合考虑，从而优化无人机通信性能。现有工作主要针对地面用户静止的场景进行无人机部署研究，少部分工作基于地面用户服从某种概率分布的假设进行研究。然而在实际应急场景中，随着救援的展开，地面受灾用户逐渐向灾区边缘地带转移，呈现出很强的移动性，难以贴合灾区的实际情况。
发明内容
本发明提供一种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，用以解决现有技术中地面用户分布变化带来的网络覆盖率下降的技术问题。
本发明提供一种基于动态用户分布预测的无人机基站动态部署方法，包括：
基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到所述待覆盖时段的用户分布预测数据，所述地面节点为指示用户分布情况的区域；
在所述待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。
在一些实施例中，通过如下方式训练初始图卷积神经网络：
基于地面节点的位置与连通关系得到表征节点拓扑结构的矩阵，基于所述历史时隙的地面节点的用户数量和所述当前时隙的地面节点的用户数量，得到表征节点特征的矩阵；
将所述表征节点拓扑结构的矩阵和所述表征节点特征的矩阵输入至所述初始图卷积神经网络中，所述节点特征用于指示每个地面节点的用户数量；
基于权重参数矩阵和非线性激活函数，训练所述初始图卷积神经网络，得到训练完成的节点用户数量变化预测图卷积神经网络。
在一些实施例中，所述节点用户数量变化预测图卷积神经网络还包括门控循环单元，所述门控循环单元用于确定所述每个地面节点的用户数量与时间的相关性。
在一些实施例中，所述得到所述待覆盖时段的用户分布预测数据，包括：
在所述地面节点在所述无人机基站的通信范围内的情况下，将所述当前时隙的地面节点的用户数量输入至所述节点用户数量变化预测图卷积神经网络，得到所述用户分布预测数据，所述用户分布预测数据用于指示所述待覆盖时段的每个地面节点的预测用户数量；
在所述地面节点在所述无人机基站的通信范围外的情况下，将所述当前时隙的前一个时隙的地面节点的历史用户分布预测数据输入至所述节点用户数量变化预测图卷积神经网络，得到所述用户分布预测数据。
在一些实施例中，所述根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置，包括：
基于改进型遗传算法，构建目标数量的无人机部署方案，所述无人机部署方案用于指示每个无人机基站的部署位置；
基于所述无人机基站之间的平均距离，确定每个无人机部署方案的无人机安全系数，所述无人机基站之间的平均距离基于所述每个无人机基站的部署位置确定；
基于所述目标区域中的所有地面节点的用户数量和所述每个无人机基站覆盖的用户终端数量集合，确定所述每个无人机部署方案对应的适应度函数；
基于所述无人机安全系数和所述适应度函数，确定所述每个无人机部署方案的被选中概率；
基于所述被选中概率，在所述目标数量的无人机部署方案中确定目标无人机部署方案。
在一些实施例中，所述待覆盖时段的平均通信覆盖率最大值为：
所述平均通信覆盖率最大值的约束条件为：
其中，αn，k(t)表示第t个时隙第n个地面节点与第k个无人机基站的覆盖关系，zn表示所述第n个地面节点的位置，r表示所述无人机基站的通信覆盖半径，wk(t)表示所述第t个时隙所述第k个无人机基站的部署位置，γn，k(t)表示所述第k个无人机基站在所述第t个时隙与所述第n个地面节点的用户终端之间的信噪比，ρk表示所述第k个无人机基站的发射功率，hn，k(t)表示所述第n个地面节点的用户终端与所述第k个无人机基站在所述第t个时隙的信道增益，σ2表示噪声功率，γth表示保证通信正常进行的信噪比阈值，||wi(t)-wj(t)||表示所述任意两个无人机基站之间的相对距离，dmin表示所述最小安全距离，dmax表示所述最大通信距离。
本发明还提供一种基于动态用户分布预测的无人机基站动态部署装置，包括：
第一确定模块，用于基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到所述待覆盖时段的用户分布预测数据，所述地面节点为指示用户分布情况的区域；
第二确定模块，用于在所述待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于动态用户分布预测的无人机基站动态部署方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于动态用户分布预测的无人机基站动态部署方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于动态用户分布预测的无人机基站动态部署方法。
本发明提供的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，通过利用无人机通信范围内的即时用户数量监测和用户分布的历史变化，实现对地面节点的用户数量变化的预测，并结合用户数量变化适配每个无人机基站的部署位置，从而保障用户移动场景下的通信网络高效覆盖。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于动态用户分布预测的无人机基站动态部署方法的流程示意图；
图2是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的多无人机部署场景示意图；
图3是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的整体算法框架示意图；
图4是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的节点拓扑结构示意图；
图5是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的地面节点覆盖情况示意图；
图6是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的门控循环单元内部结构示意图；
图7是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的时序图卷积神经网络T-GCN框架示意图；
图8是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的通信覆盖率随时间推移的变化趋势示意图；
图9是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的图神经网络预测准确率对比示意图；
图10是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的图神经网络预测均方根误差对比示意图；
图11是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的图神经网络预测结果与实际用户数量对比示意图；
图12是应用本发明提供的基于动态用户分布预测的无人机基站动态部署方法的通信覆盖率随迭代次数的变化趋势示意图；
图13是本发明提供的基于动态用户分布预测的无人机基站动态部署装置的结构示意图；
图14是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出了一种面向应急通信场景下移动用户网络覆盖的无人机高动态快速部署方案，基于对地面用户分布的历史变化与无人机覆盖区域的即时监测，进行地面用户未来分布的预测，进而面向用户分布密集区域进行无人机基站位置的动态适配，通过用户分布变化预测和无人机基站位置适配的交替迭代，实现用户移动场景下的应急通信网络覆盖率提升。其中，为了实现对地面节点用户数量的分析和预测，本发明提出基于时间相关性与空间相关性的节点用户数量变化预测图卷积神经网络，准确预测未来一段时间内灾区用户的数量变化情况；为了保障地面用户通信覆盖率和即时地面用户分布监测精度，本发明利用多无人机基站进行地面通信覆盖与即时用户分布监测，在无人机基站数量以及通信范围有限的情况下，结合无人机基站间的安全距离与连通性约束，设计了一种基于动态用户分布预测的无人机基站动态部署方法，保障用户移动场景下的应急通信网络高效覆盖，同时将覆盖区域内的即时用户分布监测数据反馈给节点用户数量变化预测网络，保障用户分布变化预测精度。
由于无人机基站数量与覆盖范围有限，救援区域地面用户分布变化带来的应急通信网络对地面用户覆盖率显著下降的问题。在灾后的救援与恢复过程中，无论是救援人员还是受灾群众均有与外界联系的通信需求，但灾难往往伴随着地面通信设施损毁，导致地面通信网络瘫痪。无人机具有移动性强、灵活性高的优势，可以快速派遣到灾难现场，为地面用户提供通信服务。然而，随着时间的推移，地面人员位置逐渐发生移动，导致地面通信需求发生变化，使得传统的静态无人机基站部署方案覆盖率显著下降。因此，本发明提出了一种面向应急通信场景下移动用户网络覆盖的无人机基站动态部署方法，根据地面用户的用户数量变化预测情况，动态部署无人机基站，通过迭代优化对地面节点的用户数量变化的预测和无人机的部署位置，实现在满足无人机间安全距离的情况下提升应急区域内通信覆盖率，从而保障用户分布动态变化情况下的无人机基站应急网络覆盖效果。
图1为本发明提供的基于动态用户分布预测的无人机基站动态部署方法的流程示意图。参照图1，本发明提供的基于动态用户分布预测的无人机基站动态部署方法包括：步骤110和步骤120。
步骤110、基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到待覆盖时段的用户分布预测数据，地面节点为指示用户分布情况的区域；
步骤120、在待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据用户分布预测数据确定当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。
本发明提供的基于动态用户分布预测的无人机基站动态部署方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本发明不作具体限定。
下面以计算机执行本发明提供的基于动态用户分布预测的无人机基站动态部署方法为例，详细说明本发明的技术方案。
在步骤110中，目标区域可以为灾区或一些能够部署无人机的应急通信场景。以目标区域为灾区作为示例，来说明本实施例。
地面节点为在目标区域中存在用户分布的至少一个区域，可以指示用户数量的分布情况，地面节点根据目标区域的类型确定，例如，在灾区内，地面节点可以是各个交通路口。地面节点的大小可以根据实际需求确定，在此不作具体限定。
历史时隙为待覆盖时段之前的时隙，当前时隙为待覆盖时段中的任一时隙。例如可以将待覆盖时段分为T个时隙，待覆盖时段集合表示为
无人机基站覆盖关系表示地面节点是否被无人机基站覆盖，若覆盖，则地面节点与无人机基站之间存在无人机基站覆盖关系，若没有覆盖，则地面节点与无人机基站之间不存在无人机基站覆盖关系。
基于每个时隙目标区域中的所有地面节点的用户总数量和每个地面节点的无人机基站覆盖关系，可以确定待覆盖时段的通信覆盖率：
其中，
用于表示每个时隙目标区域中的所有地面节点的用户总数量；αn,k(t)用于表示每个地面节点的无人机基站覆盖关系，取值为1或2，若存在无人机基站覆盖关系，则为1，若不存在，则为0。
在实际执行中，先构建本发明提供的基于动态用户分布预测的无人机基站动态部署方法的系统模型。
如图2所示，假设向地面节点的用户提供应急通信覆盖服务，需要派遣一定数量的无人机基站部署到灾区。
假定可派遣无人机数量为K，定义集合
表示无人机集合。为了保障一段时间内的无人机通信覆盖效果，假定需要向受灾区域提供持续T时段的通信服务，定义时段集合为
T时段即为待覆盖时段。每个无人机基站在与地面用户终端进行通信时，使用独立的频谱资源，因此在提供应急通信服务时，无人机彼此间不存在干扰。可以理解的是，本发明提到的无人机与无人机基站一一对应。
假定受灾区域内共有N个地面节点，那么可以将灾区路网建模成由N个地面节点组成的拓扑结构，在任意第t个时隙，每个地面节点都汇聚了一定数量的用户，以用户数量作为第n个节点的特征，表示为Jn(t)。由此，可以通过对所有地面节点的用户数量求和得到第t个时隙用户总数量
相应地，共派遣K架无人机作为空中基站对整个区域提供应急通信服务。
由于无人机基站数量有限，灾区地面节点的数量N通常要大于无人机数量K，因此随着用户分布随着时间的变化，对于任意时隙t需要针对相应用户分布优化这K架无人机的部署位置Wt，最大限度地覆盖更多灾区用户。
本发明实施例考虑在需要K个无人机基站提供通信覆盖的时段集合
内，通过优化T个时隙的无人机位置部署策略，即无人机部署方案W＝{W1,...,Wt,...,WT}，在保证无人机基站安全距离、连通性与地面通信质量等约束下，最大化待覆盖时段的覆盖率。
在一些实施例中，待覆盖时段的通信覆盖率最大值建模如下：
通信覆盖率最大值的约束条件为：
其中，C1可以表示无人机基站与地面节点之间的通信覆盖判断与其相对位置有关，αn，k(t)为0-1二值变量，表示第t个时隙第n个地面节点与第k个无人机基站的覆盖关系，zn表示第n个地面节点的位置，r表示无人机基站的通信覆盖半径。
W＝{W1，...，Wt，...，WT}表示T个时隙间多个无人机基站的位置部署策略，Wt＝(w1(t)，...，wk(t)，...，wK(t))表示第t个时隙K架无人机的部署位置集合，其中，第t个时隙第k个无人机基站的部署位置为wk(t)＝(xk(t)，yk(t))。
C2可以表示无人机基站与地面用户终端间的通信信噪比应大于信噪比阈值，γn，k(t)表示第k个无人机基站在第t个时隙与第n个地面节点的用户终端之间的信噪比，ρk表示第k个无人机基站的发射功率，hn，k(t)表示第n个地面节点的用户终端与第k个无人机基站在第t个时隙的信道增益，σ2表示噪声功率，γth表示保证通信正常进行的信噪比阈值。
C3可以表示每个地面节点最多享受一个无人机基站提供的通信服务。
C4可以表示任意两个无人机基站之间的相对距离应大于等于最小安全距离，C5可以表示任意两个无人机基站之间的相对距离应小于等于最大通信距离。其中，｜｜wi(t)-wj(t)||表示任意两个无人机基站之间的相对距离，dmin表示最小安全距离，dmax表示最大通信距离。
灾害发生后，地面基站遭受破坏，地面的用户分布无从知晓。在这种情况下，后端指挥中心无法获悉灾区用户的分布情况，对无人机基站的位置部署提出了挑战。
根据灾害发生前的历史数据，可以得到灾难发生时的地面人员分布情况，但受灾人员并非静止不动的，随着时间的推移和救援与重建工作的展开，灾区人员分布处于动态变化中。
因此，为了更好的向灾区用户提供临时通信覆盖服务，需要基于对地面用户分布的历史变化与无人机覆盖区域的即时监测，进行地面用户未来分布的预测，进而面向用户分布密集区域进行无人机基站位置的动态适配，通过用户分布变化预测和无人机基站位置适配的交替迭代，提升用户移动场景下的应急通信网络覆盖率。
本发明主要考虑无人机位置部署的两个过程：
(1)无人机部署过程。基于灾区用户的分布情况和区域用户数量，派遣多架装载着基站的无人机对整个区域进行联合通信覆盖与地面用户分布即时监测。考虑应急场景下受灾用户的移动能力是相对有限，因此假定在任意时隙t内地面用户数量是近似不变的，进而通过位置部署算法对多架无人机实施联合部署。
(2)地面用户分布的预测过程。随着人员的流动，灾区各节点的临时通信需求也在发生变化。
因此，静态的无人机位置部署无法满足灾区用户的通信需求，需要根据灾区用户变化的历史数据与即时用户分布监测情况，去预测人员的移动分布情况，进而将用户分布变化反馈至部署算法，从而动态优化无人机基站的部署位置，对地面用户进行更好的通信覆盖。
整体算法框架如图3所示。为了保障应急场景下用户移动情况下的网络低复杂度高效覆盖，本专利首先将最大化待覆盖时段的总通信覆盖率问题转化为最大化每个时隙的通信覆盖率问题。
首先利用历史数据和卫星粗糙用户分布监测数据等，结合无人机基站间的安全距离与连通性约束，设计一种基于遗传算法(Safe Genetic-Algorithm，S-GA)的无人机部署方案，实现应急网络的初始覆盖。
然后，针对待覆盖时隙t，利用历史数据和时隙t-1的即时用户分布监测数据，提出基于时间相关性与空间相关性的节点用户数量变化预测图卷积神经网络(Temporal-GraphConvolutional Networks，T-GCN)，提升未来时隙灾区用户的用户数量变化预测精度。
最后，基于地面节点用户数量变化预测，进一步调用无人机部署方案S-GA，保障用户移动场景下的应急通信网络高效覆盖，并针对无人机基站覆盖区域内的用户分布进行监测，将所监测到覆盖节点的用户数量反馈至节点用户数量变化预测网络T-GCN提升用户分布预测精度。
在一些实施例中，步骤120之前，还包括：
基于改进型遗传算法，构建目标数量的无人机部署方案，无人机部署方案用于指示每个无人机基站的部署位置；
基于无人机基站之间的平均距离，确定每个无人机部署方案的无人机安全系数，无人机基站之间的平均距离基于每个无人机基站的部署位置确定；
基于目标区域中的所有地面节点的用户数量和每个无人机基站覆盖的用户终端数量集合，确定每个无人机部署方案对应的适应度函数；
基于无人机安全系数和适应度函数，确定每个无人机部署方案的被选中概率；
基于被选中概率，在目标数量的无人机部署方案中确定目标无人机部署方案。
本实施例提出一种针对多无人机间安全距离的改进型遗传算法S-GA，用于多无人机基站的部署。在该算法中，个体被选择的概率不再只与适应值的大小有关，还取决于该个体方案下的无人机安全系数。
其中，一个个体对应一个无人机部署方案。在本实施中先构建了目标数量的无人机部署方案，目标数量可以根据用户需求确定。
本实施例通过无人机基站之间的平均距离来定义每个无人机部署方案的安全程度。平均距离越大，则代表该方案越安全；平均距离越小，则代表该方案在未来演进中不安全的风险越大，应适当削弱该个体方案被选中并遗传下去的可能。
除此之外，若某个个体的平均距离小于设定阈值，直接淘汰该个体，即该方案的安全程度为0。每个无人机部署方案的安全系数的具体计算公式如下：
其中，si表示第i个个体的安全系数，
表示在这第i个方案中多个无人机基站之间的平均距离，dsafe为设定的针对无人机基站平均安全距离的阈值。
假设共派遣K个无人机基站对灾区进行通信覆盖，由于考虑无人机基站在二维平面上的部署，每个无人机基站的位置都由横坐标和纵坐标构成，因此每个个体共有2K个基因片段，可将第i个个体wi初始化为(gi,1,gi,2,...,gi,K+1,...,gi,2K)。其中，第j个无人机基站的部署位置以二维坐标形式可表示为(gi,j,gi,j+K)。
在本发明中，多无人机部署的目标是最大化待覆盖时段内灾区用户的平均通信覆盖率，但在遗传算法的每一次迭代过程中，灾区用户的总数量是确定的，在这种情况下计算每个无人机部署方案的覆盖用户总数即可评定个体的性能，由此适应度函数设定为：
其中，Ck＝{(x,y)|(x-gi,k)2+(y-gi,k+K)2≤r2}表示被第k个无人机基站覆盖的用户终端集合。
本发明选择轮盘赌机制对个体进行筛选。究其根本，轮盘赌选择机制依然以个体的适应度为依据，从整个种群中筛选出部分个体，让这些个体进入到后续基因交换、基因变异的过程中。轮盘赌机制的设计初衷是为了让每个个体被选中的概率与他们的适应度大小成正比。
假设遗传算法的种群中共有M个个体，那么第i个个体通过轮盘赌机制的概率pi则为：
则在S-GA算法中，个体i最终被选中的概率Pi可表示为：
Pi＝si·pi
综上所述，S-GA算法流程如下所示：
在一些实施例中，得到待覆盖时段的用户分布预测数据，包括：
在地面节点在无人机基站的通信范围内的情况下，将当前时隙的地面节点的用户数量输入至节点用户数量变化预测图卷积神经网络，得到用户分布预测数据，用户分布预测数据用于指示待覆盖时段的每个地面节点的预测用户数量；
在地面节点在无人机基站的通信范围外的情况下，将当前时隙的前一个时隙的地面节点的历史用户分布预测数据输入至节点用户数量变化预测图卷积神经网络，得到用户分布预测数据。
在实际执行中，将受灾区域道路交通状况抽象成网状拓扑结构G，其中交通路口抽象成拓扑图中的地面节点，假设场景中共有N个交通路口节点，定义集合V＝{v1,...,vn,...,vN}来表示。相应地，路口之间彼此连接着的道路则被抽象成拓扑图中的边，假设场景中共有M条边，定义集合E＝{e1,...,em,...,eM}来表示，则有拓扑图G＝(V,E)，如图4所示。
对节点数量为N的拓扑图，其邻接矩阵AN×N表示如下：
其中，邻接矩阵中任意位置元素ai,j为0-1二值变量，当节点i与节点j之间存在边时，ai,j＝1；当节点i与节点j之间不存在边时，ai,j＝0。
对任意节点数量为N的拓扑图，其度矩阵中位于第i行第i列的元素di,i等于其邻接矩阵中第i行所有元素之和，即
除对角线元素以外，其余元素均为0，度矩阵DN×N如下所示：
若维度为N×N的单位矩阵表示为IN，那么拓扑图的自邻接矩阵则为
结构信息矩阵
表示为
该结构信息矩阵涵盖了拓扑图结构中的所有节点与边的关系，可以直接用于对节点特征的处理。
在一些实施例中，通过如下方式训练初始图卷积神经网络：
基于地面节点的位置与连通关系得到表征节点拓扑结构的矩阵，基于历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，得到表征节点特征的矩阵；
将表征节点拓扑结构的矩阵和表征节点特征的矩阵输入至初始图卷积神经网络中，节点特征用于指示每个地面节点的用户数量；
基于权重参数矩阵和非线性激活函数，训练初始图卷积神经网络，得到训练完成的节点用户数量变化预测图卷积神经网络。
在实际执行中，将表征节点拓扑结构的矩阵
和表征节点特征的矩阵X输入至初始图卷积神经网络(Graph Convolution Network，GCN)中，节点特征用于指示每个地面节点的用户数量；结合权重参数矩阵W的作用，再经过非线性激活函数σ的处理，可以得到图神经网络的输出，即加权聚合后新的节点特征矩阵X′，其表达式如下：
其中，x是维度为N×H的节点特征矩阵，N表示拓扑图中的节点数量，H表示节点特征的维度。W是维度为H×H的权重参数矩阵，需要通过神经网络训练进行优化。
如图5所示，随着时间的推移，无人机基站的部署位置为了保障覆盖率而调整，覆盖到的地面节点也相应发生变化。
定义集合Ct表示在第t个时隙被无人机基站通信覆盖的地面节点集合，若地面节点n在无人机基站的通信覆盖范围内，则有n∈Ct，那么此时节点用户数量变化预测图卷积神经网络的输入数据为当前时隙无人机对地面节点的用户数量的真实监测值，即为即时用户分布数据。若地面节点n不在无人机基站的通信覆盖范围内，则有
那么此时节点用户数量变化预测图卷积神经网络的输入数据为当前时隙在上一时隙对地面节点n的用户数量的预测值，即为历史用户分布预测数据。
在本实施例中，定义均方根误差(Root Mean Squared Error，RMSE)为初始图卷积神经网络的损失函数，则对任意t时隙的用户分布预测数据Jt＝{J1，t，…，Jn，t，…，JN，t}，有如下损失函数表达式：
本发明实施例考虑的是地面不同聚集点间用户数量变化，因此如交通路口等聚集点之间存在一定的人用户数量转移，简言之这些节点之间的用户数量特征具有很强的相关性。为了量化表征各个节点之间的特征值关联和相互影响，本发明利用图卷积神经网络对大量的数据进行学习和训练得到这些节点之间的权重作用参数，最终应用于对未来的节点用户数量预测上。在以用户数量为节点特征的场景中，用户分布不仅具有很强的空间相关性，同时还具有很强的时间相关性，使得不仅需要凭借拓扑结构使用图卷积神经网络挖掘用户分布的空间相关性，还具有进一步挖掘获取用户分布的时间相关性。
在一些实施例中，节点用户数量变化预测图卷积神经网络还包括门控循环单元，门控循环单元用于确定每个地面节点的用户数量与时间的相关性。
本发明实施例引入门控循环单元(Gated Recurrent Unit，GRU)，如图6所示。门控循环单元的输入由当前时隙输入数据和上一时隙门控循环单元的输出共同组成，因此它能够从时序输入数据中提取周期性波动等时间相关性特征，提升整体神经网络模型的预测准确度。
定义rt表示t时隙重置门的输出，其具体表达式如下：
rt＝σ(Wr·[ht-1，xt]+br)
其中，Wr为重置门的权重参数矩阵，ht-1表示t-1时隙神经网络的输出，xt表示当前时隙t的数据输入，br表示重置门的偏置参数，σ表示sigmoid激活函数。
最终，门控循环单元GRU在t时隙的输出ht可表示为：
其中，
表示偏置参数，tanh表示激活函数。
本发明实施例中，设计了考虑数据时序相关性的图卷积神经网络(TemporalGraph Convolution Network，T-GCN)，结合门控循环单元GRU，提取地面节点用户数量随时间变化的规律，从而进一步在图卷积神经网络GCN挖掘空间相关性后的提升用户预测精度。
本实施例所提供的时序图卷积神经网络T-GCN的结构如图7所示，其中用于捕捉用户分布空间相关性的GCN模块有16个，对于GCN模块而言，其输入为节点交通用户数量的历史数据{Jt-I+1，…，Jt}和拓扑结构G＝(V，E)，该模块输出为节点交通用户数量的预测数据{Jt+1，…，Jt+H}。用于捕捉用户数量数据时间相关性的GRU单元有16个，该单元的输入为GCN模块的输出数据{Jt+1，…，Jt+H}以及上一个GRU单元的输出数据
该单元的输出则为
在实际执行中，还需要对此系统模型进行仿真，验证所提方案的合理性和可行性。
该系统模型的参数设置如表1所示。
| 参数 | 值 |
| 区域范围 | 8km×8km |
| 无人机数量 | 3 |
| 地面节点数量 | 207 |
| 泊松分布均值 | 20 |
| 神经网络学习率 | 0.01 |
| 门控循环单元数量 | 16个 |
| 遗传算法种群数量 | 100个 |
| 遗传算法迭代次数 | 100次 |
仿真结果如下：
图8中圆点线条为基于时序图卷积网络T-GCN预测进行无人机基站部署得到的通信覆盖率结果，小三角线条为基于泊松分布预测进行无人机基站部署得到的通信覆盖率结果，大三角线条为无人机基站静态部署随时间推移得到的通信覆盖率结果。在本仿真中，不同的结果曲线均由相同的无人机基站位置部署算法求解得到，即本发明所提供的S-GA算法。由仿真结果可以看出，随着时间的推移用户的流动，这三种用户预测模型均导致了不同程度的通信覆盖率下降。在初始时隙，地面用户还未开始移动，这时基于三种预测模型得到的通信性能相同，通信覆盖率达到77.2％。随着时间的流逝，静态预测模型的通信性能下降最快，3小时后通信覆盖率仅为61.3％；泊松分布预测模型的通信性能下降适中，3小时后通信覆盖率为63.2％；本实施例所提供的T-GCN预测模型的通信性能衰减最慢，3小时后通信覆盖率仍可达到76.1％。该仿真结果充分说明在地面用户具有移动特性时，静态的无人机位置部署难以满足灾后应急通信覆盖尽可能多用户的需求。而泊松分布预测模型，虽然可以调动无人机调整部署位置，在一定程度上减缓临时通信覆盖率的性能衰减，但六成的用户覆盖率仍难以帮助广大灾区用户与外界联系。本发明所提供的T-GCN用户数量预测模型，可以更好地预测地面用户的移动趋势和分布状态，据此部署的无人机可以为更多的用户提供通信覆盖，与泊松分布模型相比，性能提升20.4％。
图9中三角形线条为利用图卷积神经网络GCN方法得到的节点用户数量预测准确率，圆点线条为利用提出的考虑时间相关性的图卷积神经网络T-GCN方法得到的节点用户数量预测准确率。从图中可以看出，在使用不同方案的情况下，算法的预测准确率随着迭代次数的增加而发生变化。不难观察到，随着模型训练迭代次数的增加，GCN和T-GCN这两种算法的预测准确率会提升，当迭代达到20次时，准确率性能均趋近收敛。一方面，本发明所提供的T-GCN方法的预测准确率性能要优于GCN方法，这是由于T-GCN在训练神经网络的过程中将输入数据在时序上的耦合关联纳入考量，从而获得了额外的信息。另一方面，本发明所提供的T-GCN方法大约在第11次迭代时算法趋近收敛，而GCN方法约在第18次迭代时才趋近收敛，可见所提T-GCN方法在收敛速度层面也要由于GCN方法。最终，当两种方法在迭代过程中都趋近收敛且预测性能稳定后，所提T-GCN方法的预测准确率可达到80.4％，相比于GCN方法76.5％的预测准确率，性能提升约5.1％。
图10中三角形线条为利用图卷积神经网络GCN方法得到的节点用户数量预测结果的均方根误差RMSE，圆点线条为利用提出的考虑时间相关性的图卷积神经网络T-GCN方法得到的节点用户数量预测结果的均方根误差RMSE。从图中可以看出，在使用不同方案的情况下，算法的均方根误差RMSE都会随着迭代次数的增加而发生变化。不难观察到，随着模型训练迭代次数的增加，GCN和T-GCN这两种算法的RMSE都会减小，当迭代达到20次时，均方根误差均趋近收敛。本发明所提供的T-GCN方法的均方根误差RMSE要小于GCN方法，这同样是由于T-GCN方法在训练神经网络的过程中将输入数据在时序上的耦合关联纳入考量，相比于GCN方法获得了额外的信息，从而使预测结果更贴近真实数据，最终减小了预测误差。最终，当两种方法在迭代过程中都趋近收敛且预测性能稳定后，所提T-GCN方法的均方根预测误差降低至0.103，而GCN方法的均方根预测误差为0.119，预测误差降低了约13.4％。
图11中虚线用于表示为利用考虑时序依赖关系的图卷积神经网络T-GCN方法得到的一段时间内具体某一节点的用户数量预测结果，实线用于表示为在这段时间内该节点的真实用户数量变化情况。从图中可以看出，节点的用户数量会随着时间的推移出现较大幅度的波动，在第420分钟和第960分钟处，节点用户数量首先出现较大幅度下滑，随后又回升到常规水平。虽然真实用户数量情况存在波动和不确定性，但仿真结果可以直观反应本发明所提供的T-GCN算法的准确性。不难看出，T-GCN算法的整体预测效果良好，对于真实数据曲线的拟合程度很高。但同时，T-GCN算法也存在一定的局限性。首先，T-GCN的预测结果与真实情况相比，具有一定的滞后性，当真实环境出现了较大的用户数量波动时，T-GCN算法大约会在20分钟后才能做出反应。这是由于节点用户数量瞬息万变，T-GCN算法需要一定的时间去捕捉这些信息。T-GCN算法的另一个弊端是对真实用户数量的微小变化敏感度低，从图中可以看出实线表示的真实用户数量曲线无时无刻不在发生微小的波动与变化，而通过T-GCN算法得到的预测结果曲线相对来说要平滑很多，无法体现微小波动的细节。总体而言，尽管T-GCN算法存在一些不足，但对于用户数量整体宏观上的预测而言，是十分准确的，可以为后续的无人机位置部署提供良好的参照。
图12中虚线用于表示通过增加了平均安全距离考量的遗传算法S-GA方法得到的三架无人机联合部署的通信覆盖率情况，实线用于表示通过传统的遗传算法GA方法得到的三架无人机联合部署的通信覆盖率情况。从图中可以看出，两种方法得到的通信覆盖率都会随着算法的迭代而发生变化。不难看出，随着迭代次数的增加，S-GA和GA这两种算法的通信覆盖率都在逐步提升，这意味着地面上有更多的用户享受到了无人机基站提供的通信服务。这两种算法的收敛速度差异不明显，当迭代达到100次时，通信覆盖率性能都趋近收敛。本发明所提供的S-GA方法的覆盖率指标要优于传统的GA方法，究其原因在于S-GA方法在种群筛选的过程中就直接将无人机间安全距离不符合要求的方案排除掉了，不给这些个体进行后续交叉遗传的机会。在符合安全距离要求的个体中，也会综合权衡该方案的通信覆盖性能以及安全程度，不再拘泥于通信覆盖率这一指标。在算法迭代进行到100次时，所提S-GA方法的通信覆盖率达到91.8％，传统GA方法的通信覆盖率则为87.9％，覆盖性能提升4.5％。
本发明针对应急救援区域地面用户动态分布变化带来的应急通信覆盖率下降问题，通过对用户分布变化预测和无人机基站位置适配的迭代优化，为应急通信场景下移动用户的高效通信覆盖的保障提供支持。在地面用户分布随时间动态变化的情况下，本发明提出了基于时间相关性与空间相关性的节点用户数量变化预测图卷积神经网络，准确预测灾区用户的分布变化情况；此外，本发明利用多无人机基站进行地面通信覆盖与即时用户分布监测，在无人机基站数量以及通信范围有限的情况下，设计了基于地面节点用户数量预测的无人机部署方案，保障用户移动场景下的应急通信网络高效覆盖，同时将覆盖区域内的即时用户分布监测数据反馈给节点用户数量变化预测网络，保障用户分布变化预测精度。本发明将时变的地面用户通信需求和无人机动态部署相结合，提升灾后应急通信覆盖效果。
下面对本发明提供的基于动态用户分布预测的无人机基站动态部署装置进行描述，下文描述的基于动态用户分布预测的无人机基站动态部署装置与上文描述的基于动态用户分布预测的无人机基站动态部署方法可相互对应参照。
图13是本发明提供的基于动态用户分布预测的无人机基站动态部署装置的结构示意图。参照图13，本发明可以提供一种基于动态用户分布预测的无人机基站动态部署装置，包括：
第一确定模块1310，用于基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到所述待覆盖时段的用户分布预测数据，所述地面节点为指示用户分布情况的区域；
第二确定模块1320，用于在所述待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。
本发明提供的基于动态用户分布预测的无人机基站动态部署装置，通过用户分布预测数据，实现对地面节点的用户数量变化的预测，并结合每个无人机基站的部署位置，从而保障用户移动场景下的通信网络高效覆盖。
在一些实施例中，通过如下方式训练初始图卷积神经网络：
基于地面节点的位置与连通关系得到表征节点拓扑结构的矩阵，基于所述历史时隙的地面节点的用户数量和所述当前时隙的地面节点的用户数量，得到表征节点特征的矩阵；
将所述表征节点拓扑结构的矩阵和所述表征节点特征的矩阵输入至所述初始图卷积神经网络中，所述节点特征用于指示每个地面节点的用户数量；
基于权重参数矩阵和非线性激活函数，训练所述初始图卷积神经网络，得到训练完成的节点用户数量变化预测图卷积神经网络。
在一些实施例中，所述节点用户数量变化预测图卷积神经网络还包括门控循环单元，所述门控循环单元用于确定所述每个地面节点的用户数量与时间的相关性。
在一些实施例中，第二确定模块1320还用于：
预测模块，用于在所述地面节点在所述无人机基站的通信范围内的情况下，将所述当前时隙的地面节点的用户数量输入至所述节点用户数量变化预测图卷积神经网络，得到所述用户分布预测数据，所述用户分布预测数据用于指示所述待覆盖时段的每个地面节点的预测用户数量；
在所述地面节点在所述无人机基站的通信范围外的情况下，将所述当前时隙的前一个时隙的地面节点的历史用户分布预测数据输入至所述节点用户数量变化预测图卷积神经网络，得到所述用户分布预测数据。
在一些实施例中，所述装置还包括：
第三确定模块，用于基于改进型遗传算法，构建目标数量的无人机部署方案，所述无人机部署方案用于指示每个无人机基站的部署位置；
第四确定模块，用于基于所述无人机基站之间的平均距离，确定每个无人机部署方案的无人机安全系数，所述无人机基站之间的平均距离基于所述每个无人机基站的部署位置确定；
第五确定模块，用于基于所述目标区域中的所有地面节点的用户数量和所述每个无人机基站覆盖的用户终端数量集合，确定所述每个无人机部署方案对应的适应度函数；
第六确定模块，用于基于所述无人机安全系数和所述适应度函数，确定所述每个无人机部署方案的被选中概率；
第七确定模块，用于基于所述被选中概率，在所述目标数量的无人机部署方案中确定目标无人机部署方案。
在一些实施例中，所述待覆盖时段的平均通信覆盖率最大值为：
所述平均通信覆盖率最大值的约束条件为：
其中，αn，k(t)表示第t个时隙第n个地面节点与第k个无人机基站的覆盖关系，zn表示所述第n个地面节点的位置，r表示所述无人机基站的通信覆盖半径，wk(t)表示所述第t个时隙所述第k个无人机基站的部署位置，γn，k(t)表示所述第k个无人机基站在所述第t个时隙与所述第n个地面节点的用户终端之间的信噪比，ρk表示所述第k个无人机基站的发射功率，hn，k(t)表示所述第n个地面节点的用户终端与所述第k个无人机基站在所述第t个时隙的信道增益，σ2表示噪声功率，γth表示保证通信正常进行的信噪比阈值，||wi(t)-wj(t)||表示所述任意两个无人机基站之间的相对距离，dmin表示所述最小安全距离，dmax表示所述最大通信距离。
图14示例了一种电子设备的实体结构示意图，如图14所示，该电子设备可以包括：处理器(processor)1410、通信接口(Communications Interface)1420、存储器(memory)1430和通信总线1440，其中，处理器1410，通信接口1420，存储器1430通过通信总线1440完成相互间的通信。处理器1410可以调用存储器1430中的逻辑指令，以执行基于动态用户分布预测的无人机基站动态部署方法，该方法包括：
基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到所述待覆盖时段的用户分布预测数据，所述地面节点为指示用户分布情况的区域；
在所述待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。
此外，上述的存储器1430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于动态用户分布预测的无人机基站动态部署方法，该方法包括：
基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到所述待覆盖时段的用户分布预测数据，所述地面节点为指示用户分布情况的区域；
在所述待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于动态用户分布预测的无人机基站动态部署方法，该方法包括：
基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到所述待覆盖时段的用户分布预测数据，所述地面节点为指示用户分布情况的区域；
在所述待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于动态用户分布预测的无人机基站动态部署方法，其特征在于，包括：
基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到所述待覆盖时段的用户分布预测数据，所述地面节点为指示用户分布情况的区域；
在所述待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。
2.根据权利要求1所述的基于动态用户分布预测的无人机基站动态部署方法，其特征在于，通过如下方式训练初始图卷积神经网络：
基于地面节点的位置与连通关系得到表征节点拓扑结构的矩阵，基于所述历史时隙的地面节点的用户数量和所述当前时隙的地面节点的用户数量，得到表征节点特征的矩阵；
将所述表征节点拓扑结构的矩阵和所述表征节点特征的矩阵输入至所述初始图卷积神经网络中，所述节点特征用于指示每个地面节点的用户数量；
基于权重参数矩阵和非线性激活函数，训练所述初始图卷积神经网络，得到训练完成的节点用户数量变化预测图卷积神经网络。
3.根据权利要求2所述的基于动态用户分布预测的无人机基站动态部署方法，其特征在于，所述节点用户数量变化预测图卷积神经网络还包括门控循环单元，所述门控循环单元用于确定所述每个地面节点的用户数量与时间的相关性。
4.根据权利要求2所述的基于动态用户分布预测的无人机基站动态部署方法，其特征在于，所述得到所述待覆盖时段的用户分布预测数据，包括：
在所述地面节点在所述无人机基站的通信范围内的情况下，将所述当前时隙的地面节点的用户数量输入至所述节点用户数量变化预测图卷积神经网络，得到所述用户分布预测数据，所述用户分布预测数据用于指示所述待覆盖时段的每个地面节点的预测用户数量；
在所述地面节点在所述无人机基站的通信范围外的情况下，将所述当前时隙的前一个时隙的地面节点的历史用户分布预测数据输入至所述节点用户数量变化预测图卷积神经网络，得到所述用户分布预测数据。
5.根据权利要求1所述的基于动态用户分布预测的无人机基站动态部署方法，其特征在于，所述根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置，包括：
基于改进型遗传算法，构建目标数量的无人机部署方案，所述无人机部署方案用于指示每个无人机基站的部署位置；
基于所述无人机基站之间的平均距离，确定每个无人机部署方案的无人机安全系数，所述无人机基站之间的平均距离基于所述每个无人机基站的部署位置确定；
基于所述目标区域中的所有地面节点的用户数量和所述每个无人机基站覆盖的用户终端数量集合，确定所述每个无人机部署方案对应的适应度函数；
基于所述无人机安全系数和所述适应度函数，确定所述每个无人机部署方案的被选中概率；
基于所述被选中概率，在所述目标数量的无人机部署方案中确定目标无人机部署方案。
6.根据权利要求1-5任一项所述的基于动态用户分布预测的无人机基站动态部署方法，其特征在于，所述待覆盖时段的平均通信覆盖率最大值为：
所述平均通信覆盖率最大值的约束条件为：
其中，
表示第t个时隙所述地面节点的用户总数量，αn,k(t)表示所述第t个时隙第n个地面节点与第k个无人机基站的覆盖关系，zn表示所述第n个地面节点的位置，r表示所述无人机基站的通信覆盖半径，wk(t)表示所述第t个时隙所述第k个无人机基站的部署位置，γn,k(t)表示所述第k个无人机基站在所述第t个时隙与所述第n个地面节点的用户终端之间的信噪比，ρk表示所述第k个无人机基站的发射功率，hn,k(t)表示所述第n个地面节点的用户终端与所述第k个无人机基站在所述第t个时隙的信道增益，σ2表示噪声功率，γth表示保证通信正常进行的信噪比阈值，||wi(t)-wj(t)||表示所述任意两个无人机基站之间的相对距离，dmin表示所述最小安全距离，dmax表示所述最大通信距离。
7.一种基于动态用户分布预测的无人机基站动态部署装置，其特征在于，包括：
第一确定模块，用于基于目标区域的通信网络覆盖范围内历史时隙的地面节点的用户数量和当前时隙的地面节点的用户数量，预测待覆盖时段的地面节点的用户数量，得到所述待覆盖时段的用户分布预测数据，所述地面节点为指示用户分布情况的区域；
第二确定模块，用于在所述待覆盖时段的任意两个无人机之间的相对距离大于等于最小安全距离且小于等于最大通信距离的情况下，根据所述用户分布预测数据确定所述当前时隙的下一时隙面向通信覆盖率最大化的无人机基站的部署位置。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于动态用户分布预测的无人机基站动态部署方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于动态用户分布预测的无人机基站动态部署方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于动态用户分布预测的无人机基站动态部署方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210665997.7A CN115278698B (zh) | 2022-06-13 | 2022-06-13 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210665997.7A CN115278698B (zh) | 2022-06-13 | 2022-06-13 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115278698A true CN115278698A (zh) | 2022-11-01 |
| CN115278698B CN115278698B (zh) | 2024-02-02 |
Family
ID=83760270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210665997.7A Active CN115278698B (zh) | 2022-06-13 | 2022-06-13 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115278698B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860440A (zh) * | 2023-02-28 | 2023-03-28 | 国网浙江电动汽车服务有限公司 | 多功能移动储能车部署方案生成方法、装置、设备及介质 |
| CN116567572B (zh) * | 2023-04-10 | 2024-03-22 | 武汉大学 | 一种无人机自组织通信网络时空演化部署方法、装置、设备及介质 |
Citations (10)
| 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 |
| CN111970712A (zh) * | 2020-08-12 | 2020-11-20 | 北京邮电大学 | 一种考虑建筑物遮挡效应的无人机基站部署方法 |
| CN111970714A (zh) * | 2020-08-14 | 2020-11-20 | 北京邮电大学 | 一种面向用户分布依赖的无人机基站部署方法 |
| US20200394458A1 (en) * | 2019-06-17 | 2020-12-17 | Nvidia Corporation | Weakly-supervised object detection using one or more neural networks |
| CN112511250A (zh) * | 2020-12-03 | 2021-03-16 | 中国人民解放军火箭军工程大学 | 一种基于drl的多无人机空中基站动态部署方法及系统 |
| CN112929866A (zh) * | 2021-01-20 | 2021-06-08 | 河北工程大学 | 一种自适应优化城市灾区网络覆盖的无人机部署方法 |
| CN113543068A (zh) * | 2021-06-07 | 2021-10-22 | 北京邮电大学 | 一种基于层次化分簇的林区无人机网络部署方法与系统 |
| US20220053312A1 (en) * | 2020-08-13 | 2022-02-17 | Verizon Patent And Licensing Inc. | Systems and methods to improve network performance in wireless networks using user mobility patterns |
| CN114374981A (zh) * | 2022-01-12 | 2022-04-19 | 重庆邮电大学 | 一种通信无人机的节能按需预部署方法 |
| CN114567888A (zh) * | 2022-03-04 | 2022-05-31 | 重庆邮电大学 | 一种多无人机动态部署方法 |
-
2022
- 2022-06-13 CN CN202210665997.7A patent/CN115278698B/zh active Active
Patent Citations (10)
| 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 |
| US20200394458A1 (en) * | 2019-06-17 | 2020-12-17 | Nvidia Corporation | Weakly-supervised object detection using one or more neural networks |
| CN111970712A (zh) * | 2020-08-12 | 2020-11-20 | 北京邮电大学 | 一种考虑建筑物遮挡效应的无人机基站部署方法 |
| US20220053312A1 (en) * | 2020-08-13 | 2022-02-17 | Verizon Patent And Licensing Inc. | Systems and methods to improve network performance in wireless networks using user mobility patterns |
| CN111970714A (zh) * | 2020-08-14 | 2020-11-20 | 北京邮电大学 | 一种面向用户分布依赖的无人机基站部署方法 |
| CN112511250A (zh) * | 2020-12-03 | 2021-03-16 | 中国人民解放军火箭军工程大学 | 一种基于drl的多无人机空中基站动态部署方法及系统 |
| CN112929866A (zh) * | 2021-01-20 | 2021-06-08 | 河北工程大学 | 一种自适应优化城市灾区网络覆盖的无人机部署方法 |
| CN113543068A (zh) * | 2021-06-07 | 2021-10-22 | 北京邮电大学 | 一种基于层次化分簇的林区无人机网络部署方法与系统 |
| CN114374981A (zh) * | 2022-01-12 | 2022-04-19 | 重庆邮电大学 | 一种通信无人机的节能按需预部署方法 |
| CN114567888A (zh) * | 2022-03-04 | 2022-05-31 | 重庆邮电大学 | 一种多无人机动态部署方法 |
Non-Patent Citations (1)
| Title |
|---|
| 董瑶瑶: "能效最大化的无人机群三维部署策略分析", 《电讯技术》, vol. 62, no. 12 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860440A (zh) * | 2023-02-28 | 2023-03-28 | 国网浙江电动汽车服务有限公司 | 多功能移动储能车部署方案生成方法、装置、设备及介质 |
| CN116567572B (zh) * | 2023-04-10 | 2024-03-22 | 武汉大学 | 一种无人机自组织通信网络时空演化部署方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115278698B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bayerlein et al. | Trajectory optimization for autonomous flying base station via reinforcement learning | |
| CN115278698B (zh) | 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 | |
| CN106062786A (zh) | 用于训练神经网络的计算系统 | |
| WO2021036414A1 (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 | |
| Liu et al. | Wireless distributed learning: A new hybrid split and federated learning approach | |
| CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
| CN111813539A (zh) | 一种基于优先级与协作的边缘计算资源分配方法 | |
| Luo et al. | A two-step environment-learning-based method for optimal UAV deployment | |
| CN114611660A (zh) | 应急无人机群轨迹调控方法及相关设备 | |
| Liu et al. | Task offloading optimization of cruising UAV with fixed trajectory | |
| CN116522988B (zh) | 基于图结构学习的联邦学习方法、系统、终端及介质 | |
| CN116709290A (zh) | 一种基于无人机边缘计算的灾害地区应急通信方法及系统 | |
| CN116781788A (zh) | 服务决策方法以及服务决策装置 | |
| CN115392058B (zh) | 工业物联网中基于演化博弈构建数字孪生模型的方法 | |
| CN113919188B (zh) | 一种基于上下文-mab的中继无人机路径规划方法 | |
| CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
| Sun et al. | Semantic-driven computation offloading and resource allocation for UAV-assisted monitoring system in vehicular networks | |
| CN114698125A (zh) | 移动边缘计算网络的计算卸载优化方法、装置及系统 | |
| Yayeh Munaye et al. | Hybrid deep learning‐based throughput analysis for UAV‐assisted cellular networks | |
| CN113824486A (zh) | 无人机通信系统的性能评估方法、装置、计算机设备和存储介质 | |
| WO2023061303A1 (zh) | 大尺度衰落的建模及估计方法、系统、设备和存储介质 | |
| CN115001559B (zh) | 一种适用于卫星网络的用户终端分布模型构建方法 | |
| CN113326112B (zh) | 一种基于块坐标下降法的多无人机任务卸载和迁移方法 | |
| CN117522091B (zh) | 震后电力设备应急抢修的智能调度系统及方法 | |
| Zhao et al. | Deployment of edge computing nodes in IoT: Effective implementation of simulated annealing method based on user location |
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 |