《Ad Hoc Networks》：RNN-GAN probabilistic forecasting for chance-constrained UAV-VANET routing
编辑推荐：
自主与连接式车辆的未来依赖于VANET中稳健的智能通信框架，但动态拓扑和链路质量的不确定性导致传统路由协议受限。本研究提出RNN-GAN与机会约束MPC结合的架构，通过生成对抗网络量化链路质量和拥堵的概率分布，并利用MPC的预测控制机制动态选择无人机中继节点，仿真显示该方案使数据包投递率提升16%，端到端延迟降低30%-60%。
普兰雅·普里亚达尔希尼（Prangya Priyadarshini）| 阿伦·库马尔（Arun Kumar）
印度奥里萨邦鲁尔凯拉（Rourkela）国家技术学院计算机科学与工程系，邮编769008
摘要
自动驾驶和联网车辆的未来依赖于车辆自组织网络（VANET）中强大且智能的通信框架。VANET在面对快速拓扑变化和不可预测的链路质量时，面临着确保可靠通信的重大挑战。无人机（UAV）通过充当动态中继，提供扩展的覆盖范围和视距（LoS）连接性，解决了这些限制。然而，现有的路由协议，无论是反应式的还是预测式的，都受到其对确定性点估计依赖性的根本限制。由于未能考虑链路质量的固有随机性，这些方法经常选择不稳定的路径，导致性能意外下降。为了弥补这一差距，本研究提出了一种创新的路由架构，该架构结合了基于循环神经网络（RNN）的生成对抗网络（RNN-GAN）和机会约束模型预测控制（MPC）机制。所提出的RNN-GAN模型能够生成关于关键网络指标（包括拥塞和链路质量）分布的概率预测，并同时考虑了预测值及其相关不确定性。然后利用这些概率预测在MPC中帮助选择最佳中继，从而以主动的方式提升网络的服务质量（QoS）。综合仿真表明，在密集交通条件下，MPC-RNN-GAN代理的包传输率提高了多达16％；而其集成UAV的架构将端到端延迟减少了30％至60％，相比地面基线方案更为显著。这些改进是在保持较低且高效跳数的前提下实现的，表明该代理能够找到直接且高质量的路径。
引言
车辆技术和物联网（IoT）的快速发展催生了车联网（IoV），现在被视为改进现代智能交通系统（ITS）的关键驱动力[1]。在IoV环境中，车辆和其他移动实体通过嵌入式传感器和无线链接相互连接，使它们能够即时共享信息——这对于需要可靠、低延迟通信的应用至关重要[2]。然而，随着IoV网络规模和复杂性的不断增加，新的问题也随之出现，尤其是在管理能源使用和在高度动态的VANET环境中维持可接受的服务质量（QoS）方面[3]。由于车辆移动迅速且信道条件不断变化，VANET链路常常变得不稳定[4]，这使得保证数据传输的稳定性和维持QoS变得困难[5]。
为了解决这些问题，无人机被广泛用作VANET架构中的移动通信中继或边缘节点[6]。图1显示，无人机可以通过提供动态的视距链接、扩展覆盖范围和减少地面拥塞来帮助VANET[7]。它们的空中视野使得能够实时采用自适应路由技术，以适应环境和车辆运动的变化[8]。因此，开发高效的、考虑无人机因素的路由协议至关重要[9]，这些协议能够动态调整以适应不断变化的拓扑结构，并识别最佳转发路径，最终提高高度移动车辆网络的可靠性、延迟和整体QoS[10]。
在繁忙且动态性极高的交通情况下，尤其是在选择合适的中继节点时，需要应用先进的控制技术与可靠的预测方法[11]。模型预测控制（MPC）作为一种现有的方法，因其能够处理具有多个变量和约束的复杂系统而备受关注。它特别因其内置的不确定性管理能力以及在预测未来时间范围内优化控制决策的能力而受到重视[12]。MPC的有效性从根本上取决于用于预测系统行为的预测模型的精确度[13]。为复杂系统（如VANET）推导出基于标准的物理模型可能具有挑战性。然而，最近的研究趋势转向了数据驱动的方法，包括循环神经网络（RNN）等深度学习架构，用于时间序列建模和预测[14]。这些模型在捕捉网络流量和连接行为的空间-时间复杂性方面表现出色。
所提出的框架将RNN-GAN的概率预测集成到机会约束MPC中，用于无人机辅助的VANET中的智能中继选择。RNN-GAN在生成器（根据当前状态和中继动作预测链路质量和拥塞的未来均值/方差）和鉴别器（区分生成序列和真实序列）中都使用了RNN，并通过重建损失确保对网络行为的真实、统计上一致的预测。
训练有素的RNN-GAN的概率输出（链路质量和拥塞的均值/方差）被输入到非线性MPC框架中，用于中继选择，利用机会约束来限制基于预测分布的拥塞超限或QoS违规的风险。在每个决策点，MPC通过RNN-GAN预测评估候选中继，将轨迹与约束和奖励函数（链路质量、拥塞、目的地进度）进行比较，并选择预期折现奖励最大的中继。这使得能够进行主动的、考虑不确定性的路由，从而提高数据传输率、减少延迟并最小化跳数。
VANET中的高效数据传输面临极端网络动态的挑战，传统的反应式或贪婪式路由协议因无法预测未来的链路退化而失效[15][16]。虽然模型预测控制（MPC）通过提前规划实现了主动决策，但其成功在很大程度上取决于准确的预测。然而，仅提供单点估计的确定性预测无法捕捉随机VANET环境中的链路不确定性。我们的框架通过结合深度生成建模进行概率不确定性量化，并与机会约束MPC结合，以实现鲁棒且风险意识强的路由决策，从而解决了这一问题。该方法的主要贡献包括：
- •
专用于不确定性量化的RNN-GAN：设计并实现了一个深度生成模型，用于预测关键网络指标（均值和方差）的完整概率分布。这超越了脆弱的单点估计，提供了数据驱动的网络不确定性表征。
- •
基于机会约束的MPC的风险感知路由策略：制定了一种新的控制策略，直接利用GAN的不确定性预测。通过纳入机会约束，MPC代理主动剔除未来失败概率较高的路由，从而明确降低风险。
- •
全面的实证验证：通过广泛的仿真证明，所提出的框架显著优于传统的路由方案，在包传输率（PDR）和端到端延迟方面实现了显著改进，这得益于更加明智和有预见性的中继选择。
本文的后续部分如下：第2节概述了文献综述；第3节展示了所提出的RNN-GAN算法的设计；第4节分析了算法并展示了仿真结果；最后，第5节对这项研究工作进行了总结。为了提高可读性，工作中使用的符号在表2中列出。
文献综述
文献综述
机器学习，特别是深度学习，通过利用大量数据有效解决了VANET中的复杂问题，增强了车辆与基础设施之间的连接性[17]。研究[18][19]指出，集成无人机可以为VANET添加一个灵活的通信层，以改善覆盖范围并实现实时传输。
最近的协议已经从反应式启发式方法转向使用深度强化学习（DRL）的智能策略，以实现无碰撞路由。
系统模型和方法论
本节描述了所提出的不确定性感知路由框架。首先在MPC框架内定义了路由问题，然后详细介绍了基于条件循环神经网络（RNN-GAN）的预测模型架构，随后解释了如何将其概率预测集成到MPC代理中以实现稳健的决策制定。表2总结了本节中使用的主要符号。
算法分析和仿真结果
本节介绍了算法复杂性分析以及仿真设置、结果和讨论。
结论
本文提出了一种新颖的VANET路由框架，该框架结合了预测性RNN-GAN和机会约束MPC代理。通过利用概率预测来管理预测不确定性，所提出的方法动态利用多层次的无人机中继系统来确保可靠的连接性。在与ADMR和IQMR的对比仿真中，该技术在真实城市地图上展示了其优越性。该算法始终实现了更高的PDR。
CRediT作者贡献声明
普兰雅·普里亚达尔希尼（Prangya Priyadarshini）：撰写——审阅与编辑、原始草稿编写、软件开发、方法论设计、调查研究、形式化分析、数据整理、概念化。阿伦·库马尔（Arun Kumar）：撰写——审阅与编辑、原始草稿编写、监督指导、方法论设计、调查研究、形式化分析、概念化。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
致谢
本文的初步版本发表在2025年IEEE未来网络世界论坛（IEEE Future Networks World Forum）的论文集中，会议时间为11月10日至12日，地点在印度班加罗尔。作者衷心感谢鲁尔凯拉国家技术学院计算机科学与工程系提供的实验室设施、研究基础设施以及在整个研究过程中的持续支持。
