車聯網中基于軌跡預測的無人機動態協同優化覆蓋算法

摘要：針對城市車聯網中出現的基站覆蓋空洞及局部流量過載等問題，提出了一種基于車輛軌跡預測信息的動態預部署方案。首先，為了訓練得到統一的seq2seq-GRU軌跡預測模型，多個攜帶邊緣計算服務器的無人機在分布式聯邦學習與區塊鏈的架構下去除中心聚合節點，采取改進的Raft算法，在每輪訓練中根據貢獻數據量的大小，選舉得到節點來完成參數聚合及模型更新任務。其次，基于模型預測結果，提出了一種改進的虛擬力向導部署算法，通過各虛擬力來引導無人機進行動態部署以提升車輛的接入率及通信質量。仿真結果表明，提出的訓練架構能夠加速模型的訓練，部署算法在提升車輛接入率的同時提升了車輛與無人機之間的通信質量。

關鍵詞：無人機；車聯網；聯邦學習；區塊鏈；虛擬力

中圖分類號：TP929.5文獻標志碼：A

文章編號：1001-3695（2022）08-014-2322-07

doi：10.19734/j.issn.1001-3695.2022.01.0022

UAV dynamic collaborative optimization coverage algorithm based on trajectory prediction in Internet of Vehicles

Wu Zhuanga，b，Tang Luna，b，Pu Haoa，b，Wang Zhipinga，b，Chen Qianbina，b

（a.School of Communication amp; Information Engineering，b.Key Laboratory of Mobile Communication Technology，Chongqing University of Posts amp; Telecommunications，Chongqing 400065，China）

Abstract：Aiming at the problems of coverage voids of base stations and local traffic overload in urban vehicle networking，this paper proposed a dynamic pre-deployment scheme based on vehicle trajectory prediction information.Firstly，multiple UAVs equipped with edge computing servers removed the central aggregation node under the architecture of distributed federated lear-ning and blockchain， and adopted an improved Raft algorithm to train a unified seq2seq-GRU trajectory prediction model.In the round of training，according to the amount of contributed data，the scheme elected the nodes to complete the parameter aggregation and model updating tasks.Secondly，based on the prediction results of the model，this paper proposed an improved virtual force guide deployment algorithm，which guided the UAV to dynamically deploy through each virtual force to improve the access rate and communication quality of the vehicle.The simulation results show that the proposed training architecture can accelerate the training of the model，and the deployment algorithm improves the access rate of the vehicle while improving the communication quality between the vehicle and the UAV.

Key words：unmanned aerial vehicle；Internet of Vehicles；federated learning；blockchain；virtual force

0引言

近年來，隨著我國經濟的發展、城市人均生活水平的提升，城區中的車流量迅速增加[1]。車聯網作為汽車與電子信息技術融合的新范式，旨在通過人工智能與信息通信技術，解決城市擁堵、安全駕駛等方面的問題[2]。未來的現代智能交通系統（intelligent transportation system，ITS）亟需智能、便捷、安全可靠的車聯網環境[3]。然而，在城市的復雜環境中，各種城市建設、障礙物及難以靠近的區域等因素會造成基站覆蓋空洞、通信鏈路質量差等問題。此外，因上下班高峰期、車禍、道路施工等原因造成的城市道路擁堵，局部流量熱點的問題會對車聯網低時延、高可靠的要求造成嚴重威脅。

針對以上問題，有學者提出利用無人機等空中節點以輔助地面車輛通信成為一種趨勢[4]。國家將于2030年實現6G網絡的商用化，空天地一體化網絡作為其中的重要一環，旨在通過空中節點實現全域覆蓋。無人機因其價格低廉、靈敏便捷等優點被廣泛用于農業、安檢、通信、救災等領域。它不僅可以快速適應各種環境，作為空中節點，還能夠實現城市范圍內復雜環境的大規模覆蓋，是未來6G通信網的重要一環。此外，基站及路側單元（road side unit，RSU）雖然已經為車聯網提供了通信的保障，但其無法及時地應對處理上述問題，而無人機的高機動性和靈活部署與調整，在解決覆蓋空洞、應急通信有著明顯優勢。無人機輔助基站，可以更好地為ITS服務。

車聯網中有效的網絡接入、網絡流量預測是無人機部署與協調組網的關鍵，但是車聯網中的流量數據難以獲取。文獻[5]提供了一種思路，由于車聯網中車輛終端設備的業務大多是周期性的廣播業務，網絡流量較穩定，同時一定區域內的網絡流量與車輛數據之間有很強的相關性。因此，對于車聯網中的網絡接入、網絡覆蓋、流量分布等，本文使用城市中的車輛遷移趨勢、車輛位置信息等描述車聯網中的網絡接入與流量預測。

目前已有大量學者針對無人機作為空中基站部署，主要分為對無人機的三維空間部署的研究、能量優化下無人機飛行軌跡的研究。文獻[6]研究了無人機輔助地面基站的邊緣小區用戶，通過優化無人機的軌跡及無人機與地面基站之間帶寬分布、用戶劃分，最大化小區中所有用戶的最小吞吐量。文獻[7]研究了多無人機系統下無人機支持多用戶的通信調度及用戶關聯的優化問題，通過將問題進行分解，加快算法的收斂速度并提升了吞吐量。然而這些場景均沒有考慮用戶的位置會隨時間的變化而發生變化，當用戶的位置變化時，整個系統的通信吞吐量會發生變化。車聯網下車輛軌跡預測的研究主要集中在用神經網絡去學習車輛的移動特性，從而預測可能移動的位置。Zhang等人[8]運用時空殘差網絡（ST-ResNet），并結合外部因素如天氣、周內周末等，在北京出租車與紐約共享單車軌跡數據集，該網絡結構能很好地預測城市中各區域車輛軌跡。Zhang等人[9]首次利用CNN提取城市中各區域交通流量的空間相關性，研究了基于時空部分與全局部分的時空預測模型（DeepST），在數據集上驗證了其網絡模型對于捕獲時空特性的優勢。城市中基于蜂窩網絡的業務流量時空分布及預測研究中，文獻[10]設計了時空密集連接卷積神經網絡進行城市蜂窩流量預測，通過意大利電信數據集的驗證，得到各個業務有很大的時間周期性，不同城市區域的同一業務存在差異。文獻[11]設計了一種時空跨域神經網絡（STCNet），通過收集基站信息、PoI分布、社會活動及與之相關的短信、呼叫、因特網蜂窩業務數據進行相關性分析，研究步量化跨區域數據集和蜂窩流量之間的空間相關性，計算了Pearson相關系數，得到三種蜂窩業務數據之間存在一定的相似性，蜂窩業務還受到基站數目、小區PoI等影響。基于此，設計的STCNet可以捕捉蜂窩流量的時空依賴關系及外部影響因素，具有良好的預測性能。對于車輛軌跡預測和業務服務部署的研究，Dalgkitsis等人[12]設計了數據中心、區域服務器、邊緣計算服務器和車輛四層結構的網絡架構。通過利用CNN進行車輛移動軌跡的預測，采用遺傳算法將車聯網中車輛服務動態地遷移到距離車輛最近的邊緣服務器，以滿足用戶的服務質量要求。然而其沒有考慮將數據放在中心位置進行訓練，帶來了通信上的開銷及數據隱私泄露等問題。

針對以上的訓練數據隱私保護，無人機部署未考慮車輛用戶的空間分布變化、多無人機之間協作等問題。本文的主要貢獻總結如下：

a）設計了一種基于分布式聯邦學習與區塊鏈的訓練學習框架。在該框架下，多個具備邊緣計算能力的無人機利用本地車輛軌跡數據進行訓練，同時舍去傳統聯邦學習框架中的參數聚合節點，無人機采取改進的Raft算法競爭當選聚合服務器完成參數聚合的任務，并將更新參數保存在統一維護的區塊鏈中；各無人機節點下載獲取參數繼續訓練直至完成訓練任務。

b）提出了一種改進的虛擬力向導算法。該算法將無人機建模成相互之間有引力與斥力作用的電荷，將地面車輛用戶建模成分散在各個位置上的電荷，其對無人機也有引力作用；無人機對其他無人機的引力設計中，無人機的能量及無人機覆蓋區域內車輛數目會影響庫侖力的比例系數，無人機對其他無人機的斥力設計中，安全距離是其比例系數，斥力保證無人機之間不發生碰撞；地面車輛對無人機的引力設計中，考慮車輛的分布位置，力的方向是從車輛指向無人機，保證無人機部署在車輛群體的中心位置上；各無人機在各力的牽引作用下，部署在合力為零的位置。

1系統模型及問題表述

1.1系統模型

如圖1所示，考慮城市內基站覆蓋空洞地區及局部流量過載區域，如路面交通堵塞區域，需要多臺無人機協助基站完成該區域的覆蓋優化。將熱點區域劃分為H×W個區域，被劃分的小區域集合為{ci，j∈C}，其中i=1，2，…，H；j=1，2，…，W。初始化被劃分的每個區域都包括一定數量的車輛。

a）車聯網底層車輛。假設城市中所有車輛配備GPS裝置以獲取車輛的當前位置，每個車輛具有5G收發設備，用于接入無人機基站，并可以傳輸自己的位置信息；采用劃分時隙的方式，在每個時隙n中，各個車輛記錄一個位置（xn，yn）；每經過t個時隙，每個車輛匯總t個時隙的位置，即Tn=[（x1，y1），（x2，y2），…，（xt，yt）]，并將過去t個時隙的位置信息上傳到無人機中進行處理。

b）無人機。現階段，無人機因其高機動性及靈敏性常被用于空中基站來完成無線接入及覆蓋任務。邊緣計算作為新興的技術，將計算任務卸載在用戶設備邊緣端，可以大大降低任務處理的延遲。考慮未來無人機作為空中基站的同時，為滿足車聯網的低時延的計算任務，其中也集成了邊緣計算能力。所有區域都有一個用于本區域覆蓋的無人機，相關文獻[5]指出，車聯網一定區域內的網絡流量與車輛數目之間有很強的相關性，用無人機的車輛接入數量代表其覆蓋能力，并假設每個無人機的覆蓋能力是相同的，即{umaxi，j=umax}。其中，i=1，2，…，H；j=1，2，…，W。城市中的無人機相互之間通過組網構成自組織網絡，并能通過路由轉發的方式告知各自的位置。

1.2問題描述

考慮到該區域中各車輛用戶并非靜止，車聯網中的車輛分布位置是隨時間的變化而發生改變的，傳統數學模型在刻畫車輛的軌跡時具有很大的局限性。因此為了學習到該區域的車輛移動特性，需采取深度學習的方法來學習車輛的軌跡變化信息。單一無人機節點訓練模型具有一定的局限性，無法與其他無人機進行模型交互，無法學習到整個區域車輛信息。因此需要一種分布式的訓練學習框架來協同各無人機的訓練，加速模型的推演。

傳統的無人機部署解決的是單一時刻的無人機部署與能耗問題。原本固定在各劃分區域的無人機可能會因為遷入車輛數目大于遷出車輛數目、本地接入車輛的數量激升，導致基站負荷過載，影響車聯網中車輛的通信質量；也可能發生車輛遷出數目大于遷入數目，從而發生因接入車輛數量下降而導致無人機空閑，造成通信資源浪費的情況。當車輛用戶的時空特性發生變化時，無人機的部署能耗優化問題需在地面車輛用戶位置發生變化時進行重新計算位置，因此本文設計了一種智能預部署算法來進行無人機位置的迭代更新。為了獲取移動車輛用戶的分布特性，本文提出了一種基于聯邦學習與區塊鏈的seq2seq-GRU訓練學習架構，訓練的模型可以預測并獲取車輛用戶分布特征；為了優化無人機的部署位置，設計了一種改進的虛擬力向導部署算法來進行動態更新。

2基于聯邦學習與區塊鏈的seq2seq-GRU

2.1seq2seq-GRU

門控循環單元網絡（GRU）是基于循環神經網絡（RNN）改進的一種神經單元[13]，其網絡架構如圖2所示，在處理和預測時間序列數據時比傳統RNN有更為優異的表現，相較于長短期記憶網絡（LSTM）結構更為簡單。GRU單元結構中包括更新門及重置門兩個門。其中更新門、重置門和下一時刻輸出門的計算公式為

zt=σ（Wz×{ht-1，xt}），rt=σ（Wr×{ht-1，xt}）

h′t=tanh（W×{rt×ht-1，xt}），ht=（1-zt）×ht-1+zt×h′t（1）

其中：xt為當前時刻的輸入信息；h′t為當前時刻的候選輸出狀態；ht為當前時刻的輸出狀態信息；zt為GRU更新門，作用是決定前一時刻輸出狀態信息可以被更新到當前狀態的大小程度；rt為重置門，作用是決定前一時刻輸出狀態信息可以被更新到候選狀態的大小程度；σ為sigmoid激活函數。

車輛運行軌跡數據為時間序列的數據，Tn={（x1，y1），（x2，y2），…，（xn，yn）}，通過已知位置序列可以預測下一時間的位置序列。軌跡預測的問題可以表述為l～n…l～n+k=arg max P（ln+1…ln+k|l1l2…ln）（2）

其中：li=（xi，yi）。

序列到序列（seq2seq）是專門為時序序列的學習和預測而設計的一種結構。它可將任意長度的輸入序列映射成可變長度的輸出序列，其網絡模型如圖3所示。seq2seq框架由編碼器網絡和解碼器網絡[14]兩個不同的神經網絡組成。首先，編碼器網絡讀取輸入序列，并將其轉換為固定長度的矢量作為其整體表示。當seq2seq的基本神經單元為GRU時，整體表示是編碼器網絡中最后的輸出狀態向量ht及候選輸出狀態向量h′t。然后，解碼器使用整體表示來初始化其自身的內部狀態，并在隨后的迭代過程中逐步估計正確的輸出序列。每一步的輸出代表當時的預測結果。通常，解碼器部分被設計為自回歸模型，其中前一步的輸出將被用做下一步的輸入。

編碼器網絡包括三層堆疊的GRU層，每一個軌跡輸入到第一層各個GRU單元中，輸出的狀態信息分別輸入到下一層及下一時刻的GRU單元中去。解碼器采取的網絡結構與編碼器網絡相同，編碼器網絡最后更新的GRU單元狀態作為解碼器網絡的輸入。同時最后一個軌跡數據輸入到解碼器第一個GRU單元中。依此類推，每前一步預測結果輸入到下一步第一層GRU單元中。

2.2聯邦學習與區塊鏈下的seq2seq-GRU訓練

在傳統的集中式訓練框架下，各無人機節點擁有本地軌跡數據，該框架下要求各節點將本地數據上傳至統一的云端服務器，經過數據清洗及數據格式的統一后再訓練生成一個通用的神經網絡預測模型。在完成神經網絡模型的訓練后，各無人機節點從云端服務器下載網絡模型。數據的上傳會占用大量的網絡資源，且難以應對一些實時性要求較高的應用場景；并且將數據上傳至云端服務器存在數據泄露的風險，這樣難以保護各車聯網用戶數據的安全與隱私。

聯邦學習是一種旨在保護數據安全與用戶隱私的分布式機器學習架構[15]，它解決了小數據、數據孤島、模型訓練慢等問題。基于區域劃分的車聯網是一種典型的分布式網絡，各區域中參與的底層車輛會產生大量的數據，將數據上傳至統一的中心，進行統一的模型學習訓練，會面臨著以下三個方面的挑戰：a）大量數據上傳會導致通信上行鏈路的擁塞；b）數據上傳會涉及到車輛隱私信息問題；c）數據上傳至統一的中心進行訓練會導致模型訓練速度慢的后果。

單一聯邦學習框架下，分布式模型訓練各個體需要依賴于一個統一的中心節點的協作配合以完成參數聚合、模型更新。但當中心節點受到攻擊后會導致訓練停滯，模型參數無法及時更新，影響整個系統模型的訓練進程。同時攻擊會導致seq2seq-GRU模型信息的泄露，文獻[16]指出，利用區塊鏈的去中心化及分布式記賬本的特性來解決中心節點易受攻擊及信息安全的問題。因此本文設計了一種基于聯邦學習與區塊鏈seq2seq-GRU訓練框架，將各無人機節點刻畫成區塊鏈的每個礦工節點來進行模型的學習。

被劃分區域中的無人機分布在各個子區域內，是一種典型的分布式結構。聯邦學習的各個學習體利用本地的數據進行訓練，其學習的目的在于最小化全局損失函數，定義為arg min F（w）=∑Wj=1∑Hi=1Di，jFi，j（w）D（3）

其中：Fi，j（w）為無人機ui，j的本地損失函數；Di，j為無人機ui，j的數據集的大小；D是整個多無人機網絡的數據集的大小。

a）區塊鏈的領導者。無人機群體的起始領導者是由整個無人機群體隨機選舉出的一個無人機，它的任務是創立區塊鏈的起始區塊；所有無人機向該無人機申請注冊獲取公鑰和私鑰。隨后的領導者是由各無人機競爭選舉出來的，其任務是創建維護新區塊，并完成參數聚合及模型更新等工作。

b）公鑰與私鑰。各無人機上傳模型參數利用公鑰加密參數信息并可以利用公鑰驗證該模型參數是否收到攻擊。私鑰是各無人機進行保管的本地密鑰，可以提供驗證并解密的模型參數信息。

c）起始區塊。它是區塊鏈的第一個區塊，其中的信息包括了需要訓練的seq2seq-GRU的初始模型參數w（k=0）。

d）礦工。它是各無人機節點，各礦工可以利用其收集的車輛軌跡數據進行本地模型的訓練，也可以提供區塊鏈中各區塊的維護、驗證。整個礦工群體可劃分為候選人群體及選民群體。

多臺無人機的學習訓練的流程如圖４所示。

a）由整個無人機群體隨機選舉起始領導者，由該領導者創建區塊鏈的起始區塊。無人機群體中其他無人機下載初始模型參數、公鑰及各自的私鑰，此時各無人機是參與整個訓練流程的礦工。

b）礦工利用本地車聯網中車輛的數據集，根據其局部損失函數，按照隨機梯度下降算法進行局部更新，即

wi，j（k）=wi，j（k-1）-ηΔwi，j（k-1）（4）

各礦工將模型參數信息按公鑰進行加密。

c）為了獎勵各礦工貢獻訓練成果，完成更多訓練任務的礦工將獲得創立新區塊及在本地進行全局模型參數的聚合更新的機會，礦工群體按照算法1進行選舉，選出領導者。

d）領導者使用公鑰創建下一個區塊。

e）各礦工將其加密后的模型參數用私鑰進行數字簽名，并上傳至領導者。

f）領導者利用私鑰對各個礦工上傳的模型參數進行解密驗證，并用聯邦平均算法更新全局模型參數，如式（5）所示。

w（k）=∑WJ=1∑Hi=1Di，jFi，j（w）D（5）

領導者將更新后的模型利用公鑰進行加密，并結合其數字簽名作為事務，添加到區塊中。

g）各個終端車輛下載更新后的區塊鏈并進行解密獲取更新后的全局模型參數，然后基于此模型參數，從步驟b）開始重復上述過程，直至全局模型收斂，或滿足其他終止條件時停止訓練。

算法1改進的Raft算法

輸入：礦工數目H×W；礦工集合∪Mi，j；各礦工用于訓練的有效數據集大小Di，j；礦工候選人數目Numcal；前任礦工領導數據集大小DFL；訓練輪次T。

輸出：礦工領導者LT；礦工候選人群體∪Ci，j；礦工選民∪Fi，j。

初始化：Dmax=DFL；Dmed=0；訓練輪次T=1。

if T=1

for Mk∈∪Mi，j do

if Di，j≥Dmax

DFL=Dk，LT=Lk//選舉數據集最大的為礦工領導

if Dmed≤Dklt;Dmax

Cktemp∪Ci，j，Dmed=min（Di，j∈∪Ci，j）/*選舉候選人群體，候選人群體在下一輪獲得優先被選舉權*/

else

Fk∪Fi，j//劃分礦工群體，T=T+1

end for T=T+1

else

LT∈∪Fi，j//上一輪選舉人回歸到礦工群體內

for Ck∈∪Ci，j do

if Dk≥Dmax

DFL=Dk，LT+1=Lk//候選人群體內選舉這一輪的領導者

end for

for Fk∈∪Fi，j do

Dmed=max（Di，j∈∪Fi，j），Fk∈∪Fi，j/*礦工群體內本輪貢獻訓練數據量最大的進入候選人群體內，參與下一輪訓練*/

end for

訓練結束后，各個無人機可以利用其私鑰解密最后區塊中的模型參數信息，并利用訓練好的seq2seq-GRU對劃分區域內的車聯網車輛時空分布特性進行預測。這是后續無人機群體進行動態預部署的依據。

3改進的虛擬力向導部署算法

3.1無人機與地面車聯網車輛用戶的信道模型

為了簡化分析，參照無人機的空地信道模型[17]，定義無人機對地面車聯網車輛之間視距傳輸概率為

PLos（θ）=11+α exp（β（θ-α））（6）

其中：θ為無人機與地面車聯網車輛之間的夾角；α、β分別為地理環境因素所決定的地理環境參數。與此同時，可以得到非視距的傳輸概率為PNLos（θ）=1-PLos（θ）。

無人機與地面車輛之間的視距與非視距的平均路徑損耗分別為

LLos=20 lg4πc×d×f+ηLos，LNLos=20 lg4πc×d×f+ηNLos（7）

其中：d為無人機與地面車輛的直線距離；f為無人機選擇信道的載波頻率；c為電磁波的傳播速度；ηLos、ηNLos分別為視距及非視距情況中其他的自由空間損耗。

無人機與地面車輛之間的路徑損耗可以表示為

Los（dB）=PLos（θ）×LLos+PNLos（θ）×LNLos（8）

多臺無人機服務地面車輛時，地面車輛用戶會接收到各無人機的信號，從而產生疊加干擾。為了保證通信質量，地面車輛會選擇大于自己SINR閾值的無人機來進行接入。其中地面上第k個車輛用戶接收到第m個無人機的信干噪比定義為

SINRm，k=pm，kgm，k∑Nn=1∧n≠mpn，kgn，k+N（9）

其中：∑Nn=1∧n≠mpn，kgn，k是除無人機m以外其他無人機的干擾功率之和；N是高斯白噪聲功率；g是無人機與地面車輛用戶之間的功率增益，是由g=10-Los（dB）10確定。假定無人機給每個車輛用戶分得的功率是相同的，pm，k=pmax/umaxi，j。為了保證車輛用戶的通信質量，車輛用戶的信干噪比還需滿足式（10）的最小信干噪比Ψth約束。

SNIRm，k≥Ψth（10）

3.2無人機能耗模型

無人機是能量受限的移動終端，為了保證無人機的正常飛行及正常回收，需要對無人機的能耗進行建模，以更新無人機的剩余能量。為了方便刻畫分析，忽略了無人機作為基站的發射能耗，這里主要考慮無人機的飛行能耗。

按照無人機的飛行狀態，可以將飛行行為劃分為懸停狀態和直線飛行狀態兩種情況。

為了簡化模型，將無人機直線飛行狀態下的功率值設定為常數，記為Pf，則飛行一段時間后，無人機的飛行能耗為

Ed（t）=PfΔt=PfΔdVf=Pf（x′-x）2+（y′-y）2Vf（11）

其中：Vf是無人機飛行速率；（x′，y′）是飛行一段時間后的位置；（x，y）是出發時的位置。

無人機懸停狀態下，無人機功率值也設定為常數，記為Ph，則懸停在原位置一段時間后，無人機的懸停能耗為

Eh（t）=PhΔt（12）

其中：Δt是無人機在原位置所停留的時間，且無人機在飛行時的平均功率應大于其靜止時的平均功率，即Pfgt;Ph。

3.3虛擬力設計

無人機學習到的seq2seq-GRU模型可以提前預測并感知車輛用戶的下一位置或多步行駛后的位置，此為預部署，為緩解熱點區域通信壓力提供了有力依據。為了使無人機預先部署在相應的合理位置，將無人機群體、車輛用戶建模成相互之間有虛擬庫侖力作用的電荷；設計并改進了幾種虛擬力，這些虛擬力會引導無人機準確飛行及位置動態更新。

劃分區域中，各無人機所覆蓋區域內的車輛數量不同。當本區域的車輛數目過多時，無人機會請求附近區域的無人機進行協助覆蓋，并且無人機的剩余能量是無人機服務于本區域的限制條件，如圖5（a）所示。為了刻畫這種關系，無人機之間的虛擬引力按照庫侖引力進行建模，其定義為

F+m，n=utmumax×EminEtm×em，nd2m，n=k+utmEtmem，nd2m，n（13）

其中：k+為常數，是無人機最小能量與最大接入能力之比；utm為無人機m在時刻t覆蓋區域的車輛數目；Etm為無人機m在時刻t的剩余能量；em，n為無人機m指向無人機n的單位向量；dm，n為無人機m與n之間的直線距離。由式（13）可以看出，當無人機區域內的車輛用戶數增長時或自身能量剩余不足時，該引力會增大，從而請求附近區域的無人機進行協助覆蓋接入。

此外，無人機與無人機之間存在著安全距離，安全距離不僅為了防止兩個無人機之間相撞，而且保證各個無人機必須有一個最小覆蓋范圍，用于服務最小覆蓋范圍內的車輛，如圖5（b）所示。將兩個無人機之間的虛擬斥力按照庫侖斥力進行建模，其定義為

F-m，n=dminem，nd2m，n=k-em，nd2m，n（14）

其中：k-為常數，表示無人機之間的最小安全距離。

各無人機可以根據seq2seq-GRU網絡模型預測獲取各區域內車輛的移動軌跡與未來位置，從而獲取區域內車輛的二維空間分布情況，如圖6所示。為了使無人機飛到車輛用戶上方，無人機m受到用戶i的吸引力也可建模為庫侖引力，其定義為

F+m，i=kuserem，id2m，i（15）

其中：kuser為常數，是地面用戶對無人機的吸引力常數；em，i為用戶i指向無人機m的單位向量；dm，i為無人機m與用戶i之間的直線距離。

借助物理學中力的合成與分解，同時忽略無人機分解到z軸方向的力，無人機m的三種合力可以分解到x與y軸方向的力，合力Fm可表示如下：

Fm=Fx+Fy

Fm，x=∑unF+n，m（x）+∑useriF+i，m（x）+∑unF-n，m（x）

Fm，y=∑unF+n，m（y）+∑useriF+i，m（y）+∑unF-n，m（y）（16）

其中：Fm，x與Fm，y為無人機m受到的x軸與y軸上的各引力與斥力的矢量和；Fm為無人機m受到的x軸與y軸上的力的矢量和。

為了防止無人機因地面車輛用戶的小范圍移動而導致無人機受力一直發生變化，自身受到的合力無法為0；設置無人機預測部署時間間隔，一方面，在單個或多個時間間隔內，無人機利用的預測模型可以進行車輛單步或多步移動后的位置；另一方面，在每個時間間隔內，假設車輛用戶將會移動到固定位置上，并接受某個無人機的服務。當被劃分區域內的各無人機在該時間間隔內飛向合力為0的位置上，就完成了此時刻的覆蓋。

當無人機協助附近無人機時，處于兩個無人機交叉覆蓋區域的車輛用戶會計算得到自己與協助無人機之間的信干噪比，若高于原信干噪比，則選擇切換到該無人機上。因此本文中的地面車輛用戶選取的是最大信干噪比接入。整個協助部署如算法2所示。

算法2無人機動態輔助車聯網車輛用戶覆蓋接入

輸入：無人機seq2seq-GRU的預測模型；時間間隔Δt；無人機更新部署位置的時間間隔T=NΔt；無人機之間的引力系數k+；車輛用戶對無人機的引力系數kuser；無人機之間的斥力系數k-；無人機的接入能力umax；無人機的最低能量Emin。

輸出：無人機各時間間隔的飛行軌跡及各部署位置。

初始化：無人機的初始位置。

for UAVm∈UAV 在T內 do

預測經過T時間后車輛用戶的空間分布，并更新ut+Tm；無人機根據式（16）計算得到的合力為0的位置

if Emin≤Etm

UAVm飛回基地

else if UAVm的Fm≠0

UAVm受力飛行到Fm=0的位置；根據式（11）（12）更新Etm

for useri∈UAVm∧UAVn，n≠m do

if SNIRn，i≥SINRm，i且utn≠umax

車輛用戶i從UAVm切換接入到UAVn

else

不選擇切換

end for

else

等待下一時刻

end for

影響整個部署算法復雜度的兩個關鍵因素，無人機數目與無人機的計算合力為零的時間，假設單個無人機計算時間為t，則整個部署算法的時間復雜度為O（m×t）。

4仿真分析

4.1基于區塊鏈聯邦學習的seq2seq-GRU訓練

為了評估所提出seq2seq-GRU的算法性能，采取了兩個評估指標：a）均方誤差（MSE），衡量多個用戶的預測位置數據與真實位置數據之間的平均誤差；b）直線距離，表示預測位置與實際位置的距離。

MSE的定義如下：

MSE=∑Kuserm=1（P^userm-Puserm）2K（17）

其中：P^userm是用戶m的預測位置；Puserm是用戶m的實際位置。

直線距離是根據兩地之間經緯度數據進行計算，公式為

d（userm-Puserm）=R×arccos[cos（）cos（y）cos（-x）+sin（y）sin（）]（18）

其中：R是地球的半徑；（，）是預測的經緯度位置；（x，y）是實際的經緯度位置。

本實驗采取真實的數據集，是2008年美國舊金山灣區30天內收集的500輛出租車GPS坐標，每個出租車的樣本包含緯度、經度、占有率、時間戳，占有率反映的是出租車是否有乘客，本實驗仿真未使用。

仿真平臺選取的是PyCharm 2020.3與Anaconda 3，編程語言為Python 3.7，深度學習框架選取的是TensorFlow。將數據集按照80%、10%及10%的比例劃分為訓練集、驗證集、測試集。

為了對比提出的seq2seq-GRU軌跡預測模型的性能，采用了傳統的機器學習方法作為基線方法（如線性回歸、支持向量機）及深度學習相關的RNN和LSTM。均方誤差的仿真結果如圖7所示。另一個評估模型的指標是單步預測位置與實際位置的直線距離。仿真結果如圖8所示。

從圖7、8可看出，seq2seq-GRU的MSE與預測誤差明顯小于傳統的回歸方法，且相對于RNN和LSTM相關模型的性能更好。此外，注意機制（seq2seq-attention）并沒有比常規的seq2seq框架的預測效果更優。因為注意力機制主要解決的是機器翻譯中輸入句子和輸出句子之間的單詞順序不匹配問題。而軌跡數據是一個關于位置的時間序列集合，具有從左到右的順序關系，且短期軌跡具有細粒度的特性，因此，速度和方向等全局信息對于軌跡預測更為重要。

當進行多步預測時，隨著預測步幅的增長，誤差也會累計。表1統計了各個方法的多步預測預測位置與實際位置的誤差。

從表1可以看出，雖然social-scene-LSTM單步預測的誤差相較于seq2seq-GRU預測模型的更低，但是隨著預測步長的增加，其累計誤差相較于seq2seq-GRU更大，模型預測結果不穩定。

為了加速模型訓練及保護本地車輛位置數據的隱私，訓練過程中引入了聯邦學習與區塊鏈框架，圖9對比仿真了10個節點在集中式框架與本文所提框架的模型訓練收斂速度。從圖中可以看出，集中式框架下軌跡預測模型大約在第160輪開始收斂，而聯邦學習與區塊鏈框架下軌跡預測模型在第20輪已經收斂；證明所提出的聯邦學習與區塊鏈框架的訓練效果更好。因為聯邦學習可以充分應用各個無人機的算力，將模型訓練任務分配給每個無人機，從而加速模型的訓練速度，而傳統集中式框架將所有模型訓練任務分配給單一的無人機，導致訓練速度慢，效率低下。

4.2改進的虛擬力部署

預部署算法中，相關的仿真參數如表2所示。

為了驗證動態的無人機覆蓋部署優化算法，對比仿真了全域無人機靜止在本區域、在相鄰兩個區域互相反復橫向移動、隨機移動部署及改進虛擬力向導的部署算法在一段時間上的覆蓋接入率，其中覆蓋率的定義為C=userconnecteduserall=∑Wj=0∑Hi=0user′i，j∑Wj=0∑Hi=0useri，j（19）

四種算法在不同時刻的仿真結果如圖10所示。從圖10中可看出，基于改進的虛擬力部署算法隨時間的變化覆蓋接入率穩定在92%左右，且相對于其他三種部署算法有明顯提升。

另外對比了四種部署算法在各個時刻的剩余能耗，結果如圖11所示。從圖11中可看出，基于改進的虛擬力部署算法相較于其他三種部署算法的能量損耗較大，因為無人機為了滿足不同時刻，部署在不同位置的需要，飛行能耗較大。其次，仿真對比了地面車輛用戶采取最大信干噪比接入算法下，四種部署算法中車輛用戶的平均信干噪比，如圖12所示。

從圖12中可看出，基于改進的虛擬力部署算法隨時間的變化，車輛用戶的信干噪比穩定在12.5 dB左右，且相對于其他三種部署算法有明顯的提升。

從圖10與12均可以看出，所提出的改進虛擬力相較于傳統的部署算法可以明顯提升車輛的接入率和通信質量。因為該算法通過神經網絡預測獲取車輛的軌跡信息和未來位置，獲取車輛的時空分布特性，可以有針對性地進行部署。但與此同時，從圖11中可以看出，無人機的能量也得到了消耗，綜合圖10～12，該算法是犧牲無人機的能量來換取通信效能的提升。

無人機可以進行多步預測并部署，本文對比仿真了無人機單步及多步預測，相應預部署的覆蓋率與能耗的關系。其中定義了無人機在單步及多步預測的平均覆蓋率，是指在多次實驗中，各無人機采取改進虛擬力預部署算法時，無人機群體的一個較穩定的覆蓋率均值；并且定義了平均剩余能耗率，是指各無人機在進行相應步長預測并調整部署位置后，各無人機剩余能量總和與無人機初始能耗總和比值的實驗平均值。其仿真結果如圖13所示。

從圖13可看出，隨著預測步長的增加，無人機的平均覆蓋率逐漸降低，而其平均剩余能量率有所提升，兩者之間相互制約；為了維持兩者的最佳平衡點，其最佳的預部署調整步長應為2.5步左右。

5結束語

本文提出了一種基于聯邦學習與區塊鏈的深度學習訓練方法，同時針對多臺無人機間的協作關系，設計了一種改進的虛擬力預部署算法。為了保護城市流量熱點區域中車聯網車輛用戶的隱私，同時為了提高分布式無人機網絡的模型訓練效率，本文提出了一種邊緣計算節點協同的聯邦學習與區塊鏈框架，該框架可以很好地實現各個無人機節點的協同訓練及模型更新。各無人機獲取到的訓練后的模型可以對城市中各個區域車輛的移動軌跡進行預測，獲取底層車輛用戶的時空分布特性；采用改進的虛擬力預部署算法，各底層車輛用戶采取最大信干噪比接入算法，無人機節點在相鄰節點及車輛用戶力的牽引下，部署在合適的位置上，該算法可以實現各節點之間的協同部署并保證了車輛用戶的接入質量。對比仿真的四種部署算法，改進的虛擬力部署算法在接入率、平均信干噪比上有明顯提升。同時仿真了能耗與無人機覆蓋之間的制約關系，仿真結果顯示，無人機在每2.5步左右進行一個預測調整部署，能夠實現兩者之間很好的平衡。

參考文獻：

［1］Zhang Jun，Letaief K B.Mobile edge intelligence and computing for the Internet of Vehicles[J].Proceedings of the IEEE，2019，108（2）：246-261.

[2]林艷，閆帥，張一晉，等.基于交通流量預測的車聯網雙邊拍賣邊緣計算遷移方案[J].通信學報，2020，41（12）：205-214.（Lin Yan，Yan Shuai，Zhang Yijin，et al.Flow-of-traffic prediction program based mobile edge computing for Internet of Vehicles using double auction[J].Journal on Communications，2020，41（12）：205-214.）

[3]范茜瑩，黃傳河，朱鈞宇，等.無人機輔助車聯網環境下干擾感知的節點接入機制[J].通信學報，2019，40（6）：90-101.（Fan Xi-ying，Huang Chuanhe，Zhu Junyu，et al.Interference-aware node access scheme in UAV-aided VANET[J].Journal on Communications，2019，40（6）：90-101.）

[4]Jawhar I，Mohamed N，Al-Jaroodi J，et al.Communication and networking of UAV-based systems：classification and associated architectures[J].Journal of Network and Computer Applications，2017，84：93-108.

[5]馬慧生.面向協作式自動駕駛的5G車聯網無線傳輸技術及優化方法研究[D].北京：北京郵電大學，2020.（Ma Huisheng.Research on wireless transmission technology and optimization methods of 5G-V2X for cooperative autonomous driving[D].Beijing：Beijing University of Posts and Telecommunications，2020.）

[6]Lyu Jiangbin，Zeng Yong，Zhang Rui.Spectrum sharing and cyclical multiple access in UAV-aided cellular offloading[C]//Proc of IEEE Global Communications Conference.Piscataway，NJ：IEEE Press，2017：1-6.

[7]Wu Yang，Fan Wenlu，Yang Weiwei，et al.Robust trajectory and communication design for multi-UAV enabled wireless networks in the presence of jammers[J].IEEE Access，2019，8：2893-2905.

[8]Zhang Junbo，Zheng Yu，Qi Dekang，et al.Predicting citywide crowd flows using deep spatio-temporal residual networks[J].Artificial Intelligence，2018，259：147-166.

[9]Zhang Junbo，Zheng Yu，Qi Dekang，et al.DNN-based prediction mo-del for spatio-temporal data[C]//Proc of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems.2016：1-4.

[10]Zhang Chuanting，Zhang Haixia，Yuan Dongfeng，et al.Citywide cellular traffic prediction based on densely connected convolutional neural networks[J].IEEE Communications Letters，2018，22（8）：1656-1659.

[11]Zhang Chuanting，Zhang Haixia，Qiao Jingping，et al.Deep transfer learning for intelligent cellular traffic prediction based on cross-domain big data[J].IEEE Journal on Selected Areas in Communications，2019，37（6）：1389-1401.

[12]Dalgkitsis A，Mekikis P V，Antonopoulos A，et al.Data driven service orchestration for vehicular networks[J].IEEE Trans on Intelligent Transportation Systems，2020，22（7）：4100-4109.

[13]Cho K，Merrienboer B V，Bahdanau D，et al.On the properties of neural machine translation：encoder-decoder approaches[EB/OL].（2014-09-03） .https：//arxiv.org/abs/1409.1259.

[14]Wang Chujie，Ma Lin，Li Rongpeng，et al.Exploring trajectory prediction through machine learning methods[J].IEEE Access，2019，7：101441-101452.

[15]趙羽，楊潔，劉淼，等.面向視頻監控基于聯邦學習的智能邊緣計算技術[J].通信學報，2020，41（10）：109-115.（Zhao Yu，Yang Jie，Liu Miao，et al.Federated learning based intelligent edge computing technique for video surveillance[J].Journal of Network and Computer Applications，2020，41（10）：109-115.）

[16]Qu Youyang，Pokhrel S R，Garg S，et al.A blockchained federated learning framework for cognitive computing in industry 4.0 networks[J].IEEE Trans on Industrial Informatics，2020，17（4）：2964-2973.

[17]吳煒鈺，趙海濤，王海軍，等.無人機骨干網分布式組網及接入選擇算法[J].計算機學報，2019，42（2）：121-137.（Wu Weiyu，Zhao Haitao，Wang Haijun，et al.Distribute deployment and access selection algorithm for UAV airborne networks[J].Chinese Journal of Computers，2019，42（2）：121-137.）

收稿日期：2022-01-20；修回日期：2022-03-15基金項目：國家自然科學基金資助項目（62071078）；川渝聯合實施重點研發項目（2021YFQ0053）

作者簡介：吳壯（1996-），男（通信作者），山西運城人，碩士，主要研究方向為邊緣智能計算資源分配、無人機動態規劃等（2580356568@qq.com）；唐倫（1973-），男，重慶合川人，教授，博導，主要研究方向為下一代無線通信網絡、異構蜂窩網絡、軟件定義網絡等；蒲昊（1997-），男，四川南充人，碩士，主要研究方向為邊緣智能計算資源分配與協同機理、無人機等；汪智平（1998-），男，安徽安慶人，碩士，主要研究方向為邊緣智能計算協同機理、聯邦學習通信優化等；陳前斌（1967-），男，四川營山人，教授，博導，主要研究方向為個人通信、多媒體信息處理與傳輸、異構蜂窩網絡等．