Towards provisioning vehicle-based rural information services
Notice bibliographique
Résumé
Rural areas often lack extensive technological support and usually do not have a high priority in governmental investments due to economic reasons. As the scale of information service provisioning - with data sensing and delivery as primary elements - grows national, there is a matching need to extend these services to rural areas. Smart Vehicular networks present cost-effective, mobile coverage for rural areas. The sensing and buffering resources of vehicles can be utilized in collecting and relaying data. Being delay-tolerant in nature, the data need for some information services, such as environmental monitoring applications, can be sensed by on-vehicle sensors and delivered by vehicles to the collecting destination/sink. In traditional store-carry-and-forward data delivery techniques, a vehicle can continue to carry data even if it is heading away from the destination direction. Such cases may lead to excessive delays and eventual packet dropping. As a part of the vehicular network, road side units (RSUs) are deployed at intersections with no/limited backbone communication at rural areas. By utilizing these RSUs, we propose an infrastructure-assisted data delivery (IADD) scheme that utilizes vehicles headings to enhance delay-tolerant rural information services and improve data delivery ratio and packet delay. Our scheme is evaluated via extensive simulations, carried on NS-2. Our experiments show that IADD achieves significant performance improvements in terms of delivery ratio and delay bounds compared to the traditional store-carry-and-forward technique.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».