马尔可夫 IoT 模型中面向数据上行的流量学习与无人机主动轨迹规划
机器学习
2024-01-26 v1 人工智能
网络与互联网体系结构
摘要
信息年龄用于衡量数据的新鲜度。在 IoT 网络中，传统的资源管理方案依赖于设备与基站（BS）在通信前的消息交换，这会导致高 AoI、高能耗和低可靠性。无人机作为飞行基站，在最小化 AoI、节能和提升吞吐量方面具有诸多优势。在本文中，我们提出了一种基于学习的新框架，该框架基于马尔可夫事件估计 IoT 设备的流量到达。学习过程进而优化多架无人机的轨迹及其调度策略。首先，BS 预测设备的未来流量。我们比较了两种流量预测器：前向算法（FA）和长短期记忆网络（LSTM）。随后，我们提出了一种深度强化学习（DRL）方法来优化每架无人机的最优策略。最后，我们为所提出的 DRL 方法设计了最优奖励函数。仿真结果表明，所提出的算法在 AoI、调度准确性和发射功率方面均优于随机游走（RW）基线模型。
关键词
引用
@article{arxiv.2401.13827,
title = {Traffic Learning and Proactive UAV Trajectory Planning for Data Uplink in Markovian IoT Models},
author = {Eslam Eldeeb and Mohammad Shehab and Hirley Alves},
journal= {arXiv preprint arXiv:2401.13827},
year = {2024}
}