MUST：面向无人机自组网的多尺度结构-时间链路预测模型
机器学习
2025-05-15 v1
摘要
无人机(UAV)自组网(UANETs)中的链路预测旨在预测 UAV 之间未来潜在形成的链路。在无法获取 UAV 路由信息的对抗环境中，预测未来链路必须完全依赖观测到的 UANETs 历史拓扑信息。然而，UANETs 拓扑的高度动态与稀疏特性，为有效捕获有意义的结构和时间模式以进行准确链路预测带来了巨大挑战。现有大多数链路预测方法仅关注单一结构尺度上的时间动态，而忽略了稀疏性的影响，导致信息捕获不足且对 UANETs 的适用性受限。本文提出了一种面向 UANETs 的多尺度结构-时间链路预测模型(MUST)。具体而言，我们首先采用图注意力网络(GATs)在多个层级捕获结构特征，包括单个 UAV 层级、UAV 社群层级以及整体网络层级。然后，我们使用长短期记忆(LSTM)网络来学习这些多尺度结构特征的时间动态。此外，我们通过在模型优化期间引入精细的损失函数来解决稀疏性的影响。我们使用通过仿真生成的多个 UANETs 数据集验证了 MUST 的性能。大量实验结果表明，MUST 在高度动态且稀疏的 UANETs 中实现了 SOTA 的链路预测性能。
引用
@article{arxiv.2505.09331,
title = {MUST: Multi-Scale Structural-Temporal Link Prediction Model for UAV Ad Hoc Networks},
author = {Cunlai Pu and Fangrui Wu and Rajput Ramiz Sharafat and Guangzhao Dai and Xiangbo Shu},
journal= {arXiv preprint arXiv:2505.09331},
year = {2025}
}