基于能源预测的规划以实现无人机服务交付的最优化

《Expert Systems with Applications》：Energy-Predictive Planning for Optimizing Drone Service Delivery

无人机的能源预测服务框架（EPDS）基于双向LSTM模型预测飞行能耗，结合启发式算法优化路径和起飞时间，减少充电站拥堵。实验表明其平均交付时间比传统算法缩短14%。

　　无人机服务优化框架：提升天空路径网络中快递交付效率

在物联网技术日益成熟和普及的背景下，无人机（Unmanned Aerial Vehicle, UAV）作为其中的一个重要组成部分，正逐渐成为物流配送的新趋势。由于其在速度、成本以及环保方面的优势，无人机服务在城市和乡村地区得到了广泛应用。然而，无人机配送面临诸多挑战，其中最大的障碍之一是电池容量的限制，这直接影响了无人机的飞行距离和任务执行能力。此外，环境因素如风速、风向以及飞行操作对无人机能耗的影响也不容忽视。为应对这些问题，本文提出了一种名为Energy-Predictive Drone Service (EPDS)的新框架，旨在通过机器学习预测无人机的能耗，优化配送路径和充电安排，从而提升整体配送效率。

### 框架概述

EPDS框架结合了形式化建模和一个自适应的双向长短期记忆网络（Bi-LSTM）机器学习模型。该模型能够预测其他无人机在天空路径网络中的能耗和随机到达时间。通过这些预测，我们开发了一种启发式优化方法，用于无人机服务的组合，以识别最节省时间和能耗的路径和充电计划。实验使用了真实无人机飞行数据集，评估了该框架的性能。

### 无人机配送的挑战

当前无人机配送服务的主要挑战包括电池容量的限制，这导致无人机在长距离飞行时需要多次充电。因此，一些研究提出仅使用无人机进行最后一公里配送。尽管如此，无人机在城市和农村地区的应用依然具有显著优势，因其具备清洁、低成本以及广泛的覆盖能力。然而，要实现高效的无人机配送，必须克服一些关键挑战，例如预测无人机在动态环境中的能耗、选择合适的机器学习模型进行准确预测、处理不同飞行段的能耗变化，以及在真实世界中验证预测模型的准确性。

### 服务导向计算（SOC）与天空路径网络

服务导向计算（Service-Oriented Computing, SOC）提供了一种管理这些复杂性的有效方法。SOC是一种将服务视为基础构造，以实现分布式应用快速、低成本和简单组合的范式。无人机配送服务正是SOC的理想应用，它们具有功能性和非功能性（Quality of Service, QoS）特征。功能性特征包括成功将包裹从源点运送到目的地，而非功能性特征包括交付时间、成本和能耗。为了支持无人机配送服务，我们使用了天空路径网络（skyway network）作为配送媒介，这使得无人机能够在避免受限空域的情况下运行。

天空路径网络由相互连接的节点和路径组成，每个直接连接的节点对代表一个可行的飞行段。每个节点既是配送点也是充电站，配备了快速充电机制（如Quick Battery-Charging Machines, QCMs）以支持无人机的有限电池容量。在这样的网络中，一个关键挑战是避免充电站的拥堵。当多个无人机需要同时充电时，会增加额外的等待时间。通常，无人机的精确充电时间只有在到达充电站后才能确定。但如果能在飞行过程中提前预测无人机的能耗，就可以提前估计其充电需求，从而实现前瞻性的调度，显著减少充电站的等待时间。

### 框架结构

EPDS框架主要由两个模块组成：能量预测模块和智能控制中心。能量预测模块在每个节点上使用无人机飞行数据训练预测模型。智能控制中心接收并分析这些数据，预测每段飞行的能耗，并据此安排无人机的起飞和到达时间，以减少平均交付时间。我们假设智能控制中心由分布于网络中的边缘节点组成，以减少通信延迟。一个启发式算法用于指导无人机沿其路径飞行，从而减少因拥堵导致的等待时间，并支持连续交付，即使需要中间充电。

### 能量预测模块

能量预测模块依赖于收集的飞行数据。因此，我们设计了一个现实世界实验，收集了在不同风速条件下的多架无人机的能耗历史数据。该实验使用了Crazyflie 2.1纳米四旋翼无人机，并在模拟的三维城市CBD天空路径网络中进行飞行测试。实验数据包括飞行轨迹、电压变化、风速和风向等信息。通过分析这些数据，我们能够预测无人机在不同飞行段的能耗，并据此调整起飞时间，以减少等待时间。

### 能量预测模型的构建

为了构建能量预测模型，我们采用了Bi-LSTM结构。Bi-LSTM模型能够学习双向依赖关系，从而在预测中同时考虑过去和未来的情境，这对于准确预测无人机能耗至关重要。通过分析不同特征选择和序列长度组合，我们发现仅使用电压序列作为特征输入的Bi-LSTM模型在预测精度上优于其他模型。此外，使用主成分分析（PCA）对其他特征进行选择也略微提升了模型的准确性，但效果仍不如仅使用电压序列。

### 服务组合优化

在初始服务组合之后，我们进一步优化服务组合以减少整体交付时间。优化过程包括动态调整起飞时间，以避免充电站的拥堵。通过预测无人机的能耗，我们能够提前安排其他无人机的起飞时间，从而减少等待时间。实验结果表明，与A*、Dijkstra和Bellman-Ford等传统算法相比，我们的优化方法显著降低了平均交付时间。

### 实验与结果分析

我们进行了多个实验来评估EPDS框架的性能。实验包括不同特征选择和序列长度组合下的能量预测模型比较。结果显示，Bi-LSTM模型在预测精度上优于传统RNN模型。此外，我们比较了不同网络规模下的优化效果，发现我们的框架在大型和小型网络中均表现出色。实验还分析了序列长度对平均交付时间的影响，发现较短的序列长度有助于快速预测和调整起飞时间。

### 未来工作

在本研究中，我们假设载重为固定值，以反映单件包裹配送的情境。未来的研究计划包括探索在不同载重和风速条件下的能量预测，以进一步提升该方法在现实场景中的适用性。此外，我们还将考虑如何在多无人机环境中优化路径规划和充电调度，以实现更高效的无人机配送服务。

### 结论

本文提出了一种Energy-Predictive Drone Service (EPDS)框架，以提高天空路径网络中无人机配送的效率。该框架包括初始服务组合模块、能量预测模块和优化模块。通过结合机器学习和路径规划，我们能够在飞行过程中提前预测无人机的能耗，并据此优化起飞和到达时间，从而减少等待时间和提高整体交付效率。实验结果表明，该框架在平均交付时间和执行时间上均优于传统算法，特别是在长距离飞行和快速充电的场景中表现更佳。