Vehicle-to-Vehicle Forwarding in Green Roadside Infrastructure
Notice bibliographique
Résumé
Smart scheduling can be used to reduce infrastructure-to-vehicle energy costs in delay-tolerant vehicular networks. In this paper, we show that, by combining this with vehicle-to-vehicle (V2V) forwarding, downlink (DL) traffic schedules can be generated, whose energy costs are lower than that in the single-hop case. This is accomplished by having the roadside units (RSUs) dynamically forward packets through vehicles, which are in energy-favorable locations. This paper considers both constant bit rate (CBR) and variable bit rate (VBR) air-interface options. We first derive offline schedulers for the DL RSU energy usage when V2V forwarding is added to RSU-to-vehicle communication. Both in-channel and off-channel forwarding cases are considered. The CBR and VBR cases are obtained using integer linear programming (ILP) and time-expanded graph (TEG) formulations, respectively. These schedulers provide lower bounds on energy performance and are used for comparisons with a variety of proposed online scheduling algorithms. The first algorithm is based on a greedy local optimization (GLOA). A version of this algorithm, which uses a minimum-cost flow graph (MCFG) scheduler, is also introduced. A more sophisticated algorithm is then proposed, which is based on a finite-window group optimization (FWGO). Results from various experiments show that the proposed algorithms can generate traffic schedules with much improved DL energy requirements compared with the case where V2V packet forwarding is not used. The performance improvements are particularly strong when under heavy loading conditions and when the variation in vehicle communication requirements or vehicle speed is high. Results that compare the proposed algorithms with conventional nonenergy-aware schedulers are also presented.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».