Variable-Bit-Rate Transmission Schedule Generation in Green Vehicular Roadside Units
Notice bibliographique
Résumé
Smart traffic scheduling can be used to reduce downlink roadside unit (RSU) energy use in green vehicular roadside infrastructure. In this paper, we consider the problem of downlink schedule generation when the RSU-to-vehicle radios use a variable bit rate (VBR) air interface. We first present offline scheduling formulations that provide lower bounds on the energy required to fulfill vehicle requests. An integer linear program is introduced that can be solved to find optimal offline VBR time slot schedules. We then prove that this problem is NP-complete by a reduction from the well-known Santa Claus problem. Two flow-graph-based models are then used to solve the minimum energy VBR scheduling problem. The first uses generalized flow (GF) graphs that represent time slots as individual graph nodes. The second uses time-expanded graphs (TEGs) that model the temporal evolution of the system. Both of these models can be used to compute lower bounds on energy performance and provide the basis for energy-efficient online schedulers. The first scheduler introduced, i.e., First-Come First-Serve (FCFS), is very simple and treats all vehicles equally and in the order of arrival. Since the time spent in energy-favorable locations decreases with higher vehicle speed, the second scheduler, i.e., Fastest First (FF), gives priority to faster moving vehicles. The greedy GF (G-GF) and greedy TEG (G-TEG) schedulers are then introduced, which are motivated by the two flow-graph-based models. The proposed algorithm performance is examined under different traffic scenarios, and they are found to perform well compared with the lower bound. Our results show that the less computationally intensive algorithms, i.e., FCFS and FF, can perform well under light load, but G-GF and G-TEG, while more complex, can provide near-optimal energy consumption and with reasonable demand dropping rates. The results also show that the G-GF and G-TEG algorithms are much more fair than the simpler algorithms in heavy-load situations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».