예측 기반 UAV 온디맨드 배치와 전력 최적화

본 논문은 급증하는 모바일 데이터 수요를 완화하기 위해 무인항공기(UAV)를 에어리얼 기지국(Aerial Base Station, ABS)으로 활용하는 온디맨드 배치 프레임워크를 제안한다. 연구는 크게 두 부분으로 구성된다. 첫 번째는 셀룰러 트래픽 예측이다. 저자들은 2012년 8월 한 주간의 실제 도시 트래픽 데이터를 활용해, 각 시간대별(24시간) 트래픽 양과 공간 분포를 모델링한다. 데이터는 시간 단위로 정규화하고, 각 시간대마다 독립적인 가우시안 혼합 모델(GMM)을 학습한다. GMM은 K개의 가우시안 컴포넌트와 혼합 계수 π_k를 통해 트래픽 양 D(t)와 공간 분포 g(x,y) 를 확률적으로 표현한다. 가중 기대값 최대화(Weighted Expectation Maximization, WEM) 알고리즘을 적용해, 데이터 포인트마다 가중치를 부여함으로써 비대칭적이고 급격히 변하는 트래픽 패턴을 효과적으로 포착한다. 결과적으로, 각 시간 구간에 대해 총 사용자 수 N, 총 데이터 양 D, 사용자 공간 분포 f(x,y), 데이터 공간 분포 g(x,y)를 예측한다. 두 번째는 예측된 트래픽을 기반으로 UAV의 서비스 영역(A_i)과 위치((x_i, y_i, h_i))를 최적화하는 전력 최소화 문제이다. 시스템 모델은 이종 네트워크를 가정하고, 지상 기지국이 과부하될 경우 UAV에게 트래픽을 오프로드한다. UAV는 방향성 안테나와 FDMA 방식을 사용해 간섭을 무시하고, 각 UAV는 전용 채널을 하나씩 할당받는다. 전송 전력 최소화는 각 UAV가 제공해야 할 최소 데이터율 β(x,y)=D·g(x,y)/T에 따라, 사용자가 위치 (x,y)에서 요구되는 최소 전송 전력 P_min_i(x,y) 를 식 (10)으로 정의한다. 이 전력은 평균 경로 손실 L̄_i(x,y)와 안테나 이득 G, 대역폭 B_i, 잡음 전력 밀도 n_0 등을 고려한다. 서비스 영역 내 모든 사용자에 대해 적분한 총 전송 전력 P_c는 식 (11)으로 구한다. 이동 전력은 UAV가 현재 위치에서 새로운 최적 위치로 이동하는 거리 제곱에 비례하도록 모델링한다. 즉, P_t = γ Σ_i ‖(x_i^o, y_i^o, h_i^o) - (x_i, y_i, h_i)‖² /2 로 정의한다. 여기서 γ는 이동당 에너지 소비 비율이다. 전체 최적화 목표는 P_c + P_t 를 최소화하면서, (13b)–(13d) 제약을 만족하도록 하는 것이다. 제약 (13a)는 ‘공정성 원칙’으로, 각 UAV가 담당하는 트래픽 양과 가용 전력 비율이 동일하도록 강제한다. 서비스 영역은 겹치지 않으며 전체 지역 A를 완전히 커버한다. 문제는 비선형 비분리 형태이지만, 저자들은 다음과 같은 해결 절차를 제시한다. 먼저, GMM‑WEM을 통해 얻은 f(x,y)와 g(x,y)를 이용해 각 UAV의 목표 사용자 수 N_i와 평균 데이터 요구량 β(x,y)를 계산한다. 그 다음, 초기 서비스 영역을 Voronoi 다이어그램 형태로 할당하고, 각 영역 내에서 식 (10) 기반 최소 전송 전력을 계산한다. 위치 최적화는 라그랑주 승수를 도입해 제약을 포함한 목적함수의 미분을 통해 경사 하강법으로 업데이트한다. 반복적으로 영역 재분배와 위치 업데이트를 수행해 수렴한다. 시뮬레이션 설정은 8대의 UAV와 20대의 지상 기지국을 가정하고, 24시간 동안 8시간 간격으로 트래픽이 급증하는 시나리오를 적용했다. 비교 대상은 (i) ML 없이 트래픽을 실시간으로 측정해 매 순간 UAV를 재배치하는 경우, (ii) 고정된 UAV 배치를 사용하는 경우이다. 결과는 다음과 같다. - 전송 전력: ML 기반 예측을 사용한 경우 평균 22% 감소. - 이동 전력: 예측을 통해 UAV 이동 횟수가 크게 감소, 전체 전력(전송+이동) 20% 이상 절감. - 서비스 품질: 모든 사용자에 대해 요구 데이터율을 만족, 지연 시간은 거의 변동 없음. 또한, GMM‑WEM 모델의 예측 정확도는 평균 제곱 오차(MSE) 기준으로 기존 ARIMA·LSTM 기반 모델보다 15%~25% 우수함을 확인했다. 파라미터 민감도 분석에서는 이동 전력 가중치 γ가 0.5~2.0 범위 내에서 결과에 큰 영향을 미치며, 공정성 제약 상수 κ가 너무 작으면 특정 UAV에 과부하가 집중되는 현상이 나타난다. 논문의 주요 기여는 다음과 같다. 1. 시간‑공간 트래픽을 GMM‑WEM으로 정밀 예측하는 새로운 프레임워크 제시. 2. 예측 정보를 활용해 UAV의 서비스 영역과 위치를 동시에 최적화, 전송·이동 전력을 통합 최소화하는 수식화 및 해결 방법 제공. 3. 실제 도시 트래픽 데이터를 이용한 시뮬레이션으로 20% 이상의 전력 절감 효과 입증. 한계점으로는 UAV 간 간섭을 무시하고 완전 FDMA를 가정한 점, 고정 안테나 이득 및 일정 고도(h)만 고려한 단순화된 채널 모델, 그리고 실시간 온라인 학습이 아닌 사전 학습 기반 예측이라는 점을 들 수 있다. 향후 연구에서는 (i) 다중 UAV 간 스펙트럼 공유와 간섭 관리, (ii) 동적 고도 및 안테나 빔포밍 최적화, (iii) 실시간 데이터 스트림을 통한 온라인 GMM 업데이트 등을 통해 실용성을 높일 필요가 있다.