唐 倫 蒲 昊 汪智平 吳 壯 陳前斌

(重慶郵電大學(xué)通信與信息工程學(xué)院 重慶 400065)

1 引言

面對移動通信業(yè)務(wù)流量的快速增長，第6代移動通信(the 6thGeneration, 6G)系統(tǒng)提出了UAV使能的空間物聯(lián)網(wǎng)絡(luò)及空天地一體化等構(gòu)想[1]。在這些構(gòu)想中，UAV被作為能夠給移動終端提供無線接入的空中基站。UAV作為一種輔助移動通信的手段，具有高度靈活性的特點(diǎn)，解決移動業(yè)務(wù)快速增長而帶來的網(wǎng)絡(luò)擁塞，適應(yīng)按需激增的服務(wù)，能夠提供更多視距(Line of Sight, LoS)傳輸可能性，使系統(tǒng)容量顯著提高。

現(xiàn)已有大量工作深入研究了UAV系統(tǒng)的最優(yōu)部署。文獻(xiàn)[2]利用最優(yōu)傳輸理論研究了UAV的最佳覆蓋及分區(qū)及位置，文獻(xiàn)[3,4]研究了節(jié)能的多UAV軌跡優(yōu)化和公平性覆蓋問題。文獻(xiàn)[5]研究了單UAV的自適應(yīng)流量感知部署。上述研究假定用戶業(yè)務(wù)分布是先驗(yàn)已知且不隨時(shí)間變化，而該種假設(shè)在實(shí)際場景中很難成立，因?yàn)榉涓C流量的時(shí)空分布往往具有高度時(shí)變形和非線性。為了實(shí)現(xiàn)UAV的按需部署，運(yùn)營商需要對流量的時(shí)空分布作出精準(zhǔn)預(yù)測。一些研究[6,7]運(yùn)用差分自回歸移動平均(Autoregressive Integrated Moving Average, ARIMA)及其改進(jìn)的方式對流量時(shí)間序列進(jìn)行了預(yù)測。然而這種模型驅(qū)動方式依賴先驗(yàn)假設(shè)，對參數(shù)十分敏感，無法把握高維數(shù)據(jù)復(fù)雜的非線性關(guān)聯(lián)。數(shù)據(jù)驅(qū)動的方式能主動學(xué)習(xí)數(shù)據(jù)間的復(fù)雜內(nèi)聯(lián)，可以分為傳統(tǒng)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)?；趥鹘y(tǒng)的機(jī)器學(xué)習(xí)，文獻(xiàn)[8,9]提出用支持向量機(jī)(Support Vector Machine,SVM)對時(shí)間序列進(jìn)行預(yù)測，文獻(xiàn)[10]提出一種可擴(kuò)展的高斯過程框架實(shí)現(xiàn)大規(guī)模流量預(yù)測。深度學(xué)習(xí)因其具有更強(qiáng)的非線性表達(dá)能力而被作為當(dāng)前主流的數(shù)據(jù)分析手段。文獻(xiàn)[11]提出用小波變換將原始流量分解，用長短期記憶(Long Short Term Memory, LSTM)網(wǎng)絡(luò)完成對流量的預(yù)測。文獻(xiàn)[12]提出了一種混合的門控遞歸單元網(wǎng)絡(luò)(Gated Recurrent Nerwork, GRU)流量預(yù)測模型。文獻(xiàn)[13]提出利用深度信念網(wǎng)絡(luò)和高斯模型分別建模網(wǎng)絡(luò)流量時(shí)間序列的低通和高通分量進(jìn)行流量預(yù)測。上述模型本質(zhì)上是時(shí)間序列分析方式，忽略了流量的空間相關(guān)性。

針對上述問題，本文提出一種UAV節(jié)能預(yù)部署策略，具體來說：

(1) 提出一種基于注意力機(jī)制卷積長短期記憶網(wǎng)絡(luò)(ConvLSTM with Attention mechanism,A- ConvLSTM)深度時(shí)空網(wǎng)絡(luò)模型，在ConvLSTM上融合注意力機(jī)制，更好地實(shí)現(xiàn)對流量分布的時(shí)空特性建模并完成預(yù)測；

(2) 提出一種UAV節(jié)能部署(Energy-Efficient Deployment, EED)算法，基于流量預(yù)測結(jié)果，以最小化UAV能耗為目標(biāo)建立優(yōu)化模型，將目標(biāo)問題拆解成兩個子問題并迭代求解，在滿足用戶下行接入速率要求的前提下，求解UAV的最佳分區(qū)及位置。

2 系統(tǒng)場景

如圖1所示，集合為J={1,2,...,J}的UAV集群覆蓋在區(qū)域A的上空。每一個UAV采用正交頻分多址的接入方式并使用波束成形技術(shù)為每個位于其覆蓋范圍內(nèi)的地面用戶分配唯一下行信道，不考慮UAV與用戶信道間的干擾。運(yùn)營商需要移動UAV以滿足不同地區(qū)用戶的需求，然而UAV電量受限，需要在數(shù)量限制下盡可能降低能耗。UAV的算力限制與移動性使其無法執(zhí)行區(qū)域整體的深度時(shí)空網(wǎng)絡(luò)模型訓(xùn)練與EED算法，因此由邊緣服務(wù)器執(zhí)行流量與用戶分布的在線學(xué)習(xí)與UAV調(diào)度。邊緣服務(wù)器至少與一架UAV通信，并借由UAV集群路由將調(diào)度信息發(fā)送至整個UAV集群。

圖1 系統(tǒng)場景

鑒于流量分布的時(shí)變特性，將時(shí)間離散成間隔相等的時(shí)刻，在時(shí)刻t到來前，邊緣服務(wù)器對A的流量與用戶分布作出預(yù)測并將調(diào)度信息發(fā)送給UAV以完成分區(qū)與位置的調(diào)整，在時(shí)刻t～t+1內(nèi)(間隔為 Δt)UAV的分區(qū)及位置保持不變。憑借其移動性，UAV在空中可以很快地飛到調(diào)整位置，當(dāng)Δt很長時(shí)(1 h)，UAV大多時(shí)間處于懸停階段，飛行時(shí)間可忽略不計(jì)。

3 流量分布預(yù)測

3.1 流量時(shí)空數(shù)據(jù)

本文分析了文獻(xiàn)[14]所提供的流量數(shù)據(jù)集，該數(shù)據(jù)集包含了中國某城市數(shù)天內(nèi)的超文本傳輸協(xié)議流量請求-響應(yīng)記錄。每條記錄包含了某個基站的地理位置(經(jīng)緯度)、時(shí)間戳、關(guān)聯(lián)用戶數(shù)和流量大小，本文選擇其中8 km×8 km的范圍作為區(qū)域A。將區(qū)域A離散地劃分成L×W大小相等的興趣區(qū)域(Area of Interest, AoI)，其中L=40，W=40，并將時(shí)間間隔內(nèi)位于同一AoI內(nèi)的所有基站流量之和作為該AoI的流量值，所有UAV關(guān)聯(lián)用戶數(shù)之和作為該AoI的用戶數(shù)(鑒于流量分布與用戶分布均遵循時(shí)空相關(guān)性，本文用兩個相同結(jié)構(gòu)的深度時(shí)空網(wǎng)絡(luò)對二者分別進(jìn)行預(yù)測，在分析數(shù)據(jù)特點(diǎn)和網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，簡便起見只對流量數(shù)據(jù)進(jìn)行分析)。該區(qū)域在T個時(shí)間間隔內(nèi)的流量時(shí)空序列可表示為3維張量D={Dt|t=1,2,...,T}∈RL×W×T。Dt ∈RL×W是t時(shí)刻區(qū)域A的流量矩陣，有

3.2 A-ConvLSTM模型

流量預(yù)測問題可以表示為

3.2.1 ConvLSTM層

ConvLSTM[15]在LSTM網(wǎng)絡(luò)的基礎(chǔ)上引入卷積操作，以提取數(shù)據(jù)的空間相關(guān)性，其單元(Cell)如圖3所示。

圖2 A-ConvLSTM網(wǎng)絡(luò)結(jié)構(gòu)

圖3 ConvLSTM單元結(jié)構(gòu)

ConvLSTM每個時(shí)間單元都有一個記憶單元Ct以積累狀態(tài)信息。Ct可以通過3個具有參數(shù)的控制門進(jìn)行訪問和修改，即輸入門it、忘記門ft和輸出門ot。當(dāng)一個時(shí)間步數(shù)據(jù)輸入到ConvLSTM單元時(shí)，如果輸入門it被激活，它所攜帶的信息可以存儲到Ct；如果忘記門ft被激活，表示忘記過去的單元狀態(tài)。最終隱藏狀態(tài)Ht由輸出門ot控制，它決定單元的輸出Ct是否應(yīng)該傳播到最終狀態(tài)。各個門及Ct, Ht的運(yùn)算規(guī)則為

3.2.2 注意力層

注意力機(jī)制最早由文獻(xiàn)[16]提出，之后被廣泛應(yīng)用于自然語言處理領(lǐng)域。注意力本質(zhì)上是一個加權(quán)求和的過程，其通過自動分析數(shù)據(jù)的局部特征與預(yù)測結(jié)果之間的相關(guān)性，使得神經(jīng)網(wǎng)絡(luò)可以選擇性地關(guān)注輸入數(shù)據(jù)的重要特征。不同時(shí)刻的流量對于預(yù)測結(jié)果有著不同程度的影響，ConvLSTM在執(zhí)行預(yù)測任務(wù)時(shí)，通常是將隱藏狀態(tài)通過卷積得到預(yù)測輸出，該種方式學(xué)習(xí)到的卷積核參數(shù)是固定的，不會隨著輸入的改變而改變，無法檢測到不同時(shí)刻的流量分布對于最終預(yù)測結(jié)果的影響。為解決該問題，本文在ConvLSTM基礎(chǔ)上加入時(shí)間層面的注意力機(jī)制，以學(xué)習(xí)整體網(wǎng)絡(luò)對不同時(shí)刻的隱藏狀態(tài)Ht的關(guān)注程度，自動完成由輸入到注意力權(quán)重的分配，使得網(wǎng)絡(luò)更多地關(guān)注關(guān)鍵性信息。注意力層的結(jié)構(gòu)如圖4所示。

圖4 注意力機(jī)制

鑒于隱藏層狀態(tài)Ht是3維張量，要實(shí)現(xiàn)其到注意力權(quán)重的映射，首先對其使用單核卷積以實(shí)現(xiàn)通道維度的壓縮，即有

4 UAV節(jié)能預(yù)部署

邊緣服務(wù)器在預(yù)測區(qū)域A的流量和用戶分布后，需要對下一時(shí)刻的UAV位置及覆蓋分區(qū)進(jìn)行優(yōu)化，以最小化UAV系統(tǒng)功耗。整體考慮AoI內(nèi)所有用戶，同一AoI內(nèi)用戶資源均等，UAV覆蓋某一AoI表示關(guān)聯(lián)其中所有用戶。

4.1 空對地下行信道建模

4.2 節(jié)能部署建模

UAV可以調(diào)整自身空間位置以改變與用戶間的路徑損耗，從而優(yōu)化發(fā)射功率，而其總功率和頻帶資源受限，因此需要與其他UAV協(xié)調(diào)覆蓋分區(qū)。考慮到UAV大部分時(shí)間處于懸停階段，相比于維持自身懸停的功耗，UAV時(shí)刻間移動飛行的功耗忽略不計(jì)。則最小化總UAV系統(tǒng)總功率可以建模為

其中，C(j)為UAVj覆蓋的AoI集合。約束條件式(15a)保證了各個UAV之間的覆蓋區(qū)域不重復(fù)；式(15b)保證了每個UAV為覆蓋區(qū)域AoI提供的發(fā)射功率不超過自身最大功率；式(15c)保證了每個UAV關(guān)聯(lián)的用戶數(shù)不超過其本身頻帶資源所支持的最大用戶數(shù)。由于自變量之間的耦合性，難以對C(j)與(xj,yj,hj)同時(shí)求解，因此將式(15)分解為兩個子問題P1與P2，并設(shè)計(jì)一種EED算法迭代求解。

P1：固定每個UAV的位置(xj,yj,hj)，求解各UAV之間的覆蓋分區(qū)，即

4.3 問題求解

4.3.1 P1求解

4.3.3 算法收斂性與復(fù)雜度分析

在執(zhí)行EED算法迭代求解P1與P2，若無法找到優(yōu)于上一次迭代中P1的解時(shí)，算法終止。因此，每次迭代中P1目標(biāo)函數(shù)是單調(diào)遞減的。P2目標(biāo)函數(shù)式(23)關(guān)于(xj,yj)是嚴(yán)格的凸函數(shù)，式(24)是其最優(yōu)點(diǎn)，因此式(23)是嚴(yán)格單調(diào)不遞增。因此P1與P2整體迭代遵循嚴(yán)格單調(diào)不遞增，算法的收斂性得到了保證。在算法停止迭代時(shí)可能出現(xiàn)部分UAV功率或接入用戶數(shù)超出負(fù)載限制的情況，表明現(xiàn)有數(shù)量的UAV無法實(shí)現(xiàn)區(qū)域的全覆蓋，則增加UAV數(shù)量重新執(zhí)行迭代算法。EED算法流程如表1所示。

表1 EED算法

以次梯度算法求解P1時(shí)，需要進(jìn)行復(fù)雜度為O(1/?2)的次梯度下降得到?-次優(yōu)解，而每次梯度下降時(shí)需要對每一個UAV遍歷與其關(guān)聯(lián)的AoI，因此求解P1的算法復(fù)雜度為O(IJ/?2)；求解P2時(shí)，需要遍歷每一個UAV的所有關(guān)聯(lián)AoI，因此算法復(fù)雜度為O(JI)。迭代算法總體復(fù)雜度為O(kI2J2/?2)，其中k是迭代次數(shù)，與初始UAV位置選取有關(guān)。

5 實(shí)驗(yàn)結(jié)果分析

5.1 數(shù)據(jù)預(yù)處理

本文以AoI為單位沿時(shí)間維度使用線性插值法填補(bǔ)缺失數(shù)據(jù)，并用滑窗法整理樣本。為加速模型訓(xùn)練過程并縮小誤差，對于每一個樣本采用Max-Min方法歸一化至[0,1]間并將其量化為20個單位區(qū)間。仿真環(huán)境為Keras 2.3.1+tensorflow 1.14。模型訓(xùn)練的權(quán)重優(yōu)化器選取常用的Adam優(yōu)化器。

5.2 預(yù)測模型基線算法對比

本文選取了ConvLSTM, LSTM, SVR, ARIMA作為A-ConvLSTM對比模型。由于后三者適用于2階張量時(shí)間序列處理，故將原始數(shù)據(jù)中部分區(qū)域數(shù)據(jù)重塑為2階張量用于后三者訓(xùn)練評估。采用均方根誤差(Root Mean Square Error, RMSE)，絕對平均誤差(Mean Absolute Error, MAE)作為評價(jià)指標(biāo)，計(jì)算公式分別如式(25)、式(26)所示

圖5(a)和圖5(b)分別顯示了5種預(yù)測模型的RMSE和MAE指標(biāo)的表現(xiàn)。A-ConvLSTM, ConvLSTM, LSTM, SVR, ARIMA的兩項(xiàng)指標(biāo)相繼增高，性能相繼降低。作為傳統(tǒng)時(shí)序處理模型，ARIMA無法大量數(shù)據(jù)主動學(xué)習(xí)到復(fù)雜關(guān)聯(lián)，因此性能表現(xiàn)最差；SVR與LSTM模型作為機(jī)器學(xué)習(xí)模型的代表，具有較好的非線性表達(dá)能力，因此獲得了比ARIMA更好的性能；A-ConvLSTM及ConvLSTM在LSTM, SVR基礎(chǔ)上引入了對空間相關(guān)性的建模，因此獲得了更好的性能。此外得益于注意力機(jī)制對關(guān)鍵性特征的更多關(guān)注，A-ConvLSTM性能略優(yōu)于ConvLSTM，其RMSE和MAE分別降低了8.75%, 14.26%。

圖5 模型性能指標(biāo)對比

圖6給出了注意力機(jī)制的加入對ConvLSTM模型訓(xùn)練的收斂情況的影響。ConvLSTM約在70輪次迭代后損失函數(shù)(Loss)下降停滯；結(jié)合注意力機(jī)制后，A-ConvLSTM約在110輪次迭代后Loss下降停滯。A-ConvLSTM因其更復(fù)雜的結(jié)構(gòu)需要更多的迭代輪次，但最終收斂且具有更低的Loss，模型是具有有效性的。

圖6 模型訓(xùn)練輪次與Loss變化

圖7 UAV系統(tǒng)總功率對比

5.3 EED算法性能

在EED算法仿真中，每個UAV提供5 GHz頻段的下行信道接入，天線增益為10 dB，子載波帶寬為15 kHz，總帶寬為10 MHz。式(11)中μLoS=1.6，σLoS= 8.41，μN(yùn)LoS= 23，σNLoS= 33.78，式(12)視距鏈路參數(shù)a=9.6，b=0.2[18]。UAV的最大發(fā)射功率為30W。噪聲功率譜密度為–174 dBm。為對比EED算法增益，本文另外提出一種均勻分布(Uniform Distribute, UD)UAV部署策略。該策略無法預(yù)測地區(qū)的蜂窩流量的時(shí)空分布，所有UAV以相等的覆蓋面積均勻地排布于整個地區(qū)，且位置保持不變。該種策略難以保證式(15b)、式(15c)的約束條件，可能會出現(xiàn)部分UAV超出負(fù)載限制的情況。

圖7給出了EED算法的策略與UD策略(以下簡稱EED與UD)在不同的UAV數(shù)量下的系統(tǒng)總功耗。結(jié)果表明，UAV功耗隨著數(shù)量增多呈現(xiàn)下降的趨勢，因?yàn)樵蕉嗟腢AV會有越小的覆蓋面積，與用戶間的鏈路損耗也會越小，相應(yīng)發(fā)射功率會越小。相比于UD，EED功耗得到了顯著的降低，在UAV數(shù)量較少時(shí)尤為明顯。在UAV數(shù)量于[36, 144]范圍內(nèi)，EED相比于UD策略使功耗得到了11.7%～2.25%的降低(總功耗得到120～13.2 W的降低，平均功耗得到了3.4～0.6 W的降低)。本文提出的EED能夠在滿足用戶速率要求的同時(shí)帶來較大的節(jié)能增益。圖8給出了上述兩種策略在不同的UAV數(shù)量下超出負(fù)載的UAV數(shù)量?？梢钥闯鯡ED能夠以更低數(shù)量且無超負(fù)載的UAV實(shí)現(xiàn)區(qū)域A全覆蓋，能夠降低UAV的部署成本。

圖8 超負(fù)載UAV數(shù)量對比

圖9給出了不同UAV數(shù)量下，系統(tǒng)總功率隨EED算法迭代次數(shù)的變化情況，其中UAV初始位置的選取參照UD，虛線代表迭代算法已終止。隨著UAV數(shù)量的增多，算法收斂更快，結(jié)合圖7得出因?yàn)閁AV數(shù)量增多，算法增益降低，其解逐漸接近UD，故只需更少的迭代次數(shù)實(shí)現(xiàn)算法的收斂。

圖9 EED算法迭代情況

6 結(jié)束語

本文提出一種基于流量預(yù)測的UAV預(yù)部署策略。該策略利用結(jié)合注意力機(jī)制的深度時(shí)空網(wǎng)絡(luò)模型A-ConvLSTM以預(yù)測用戶時(shí)空分流量需求，并提出一種節(jié)能部署算法優(yōu)化UAV系統(tǒng)的部署，實(shí)現(xiàn)了在滿足用戶時(shí)變的流量要求前提下，最大限度降低UAV功耗。仿真結(jié)果表明，A-ConvLSTM能準(zhǔn)確地把握流量與用戶分布的時(shí)空變化；節(jié)能部署算法能顯著降低UAV功耗，并能以更少數(shù)量的UAV實(shí)現(xiàn)區(qū)域的按需全覆蓋。