Downlink Traffic Scheduling in Green Vehicular Roadside Infrastructure
Notice bibliographique
Résumé
In this paper we consider the problem of scheduling for energy-efficient roadside infrastructure. In certain scenarios, vehicle locations can be predicted with a high degree of accuracy, and this information can be used to reduce downlink infrastructure-to-vehicle energy communication costs. Offline scheduling results are first presented that provide lower bounds on the energy needed to satisfy arriving vehicular communication requirements. We show that the packet-based scheduling case can be formulated as a generalization of the classical single-machine job scheduling problem with a tardiness penalty, which is referred to as α-Earliness-Tardiness. A proof is given that shows that even under a simple distance-dependent exponential radio path loss assumption, the problem is NP-complete. The remainder of the paper then focuses on timeslot-based scheduling. We formulate this problem as a Mixed-Integer Linear Program (MILP) that is shown to be solvable in polynomial time using a proposed minimum cost flow graph construction. Three energy-efficient online traffic scheduling algorithms are then introduced for common vehicular scenarios where vehicle position is strongly deterministic. The first, i.e., Greedy Minimum Cost Flow (GMCF), is motivated by our minimum cost flow graph formulation. The other two algorithms have reduced complexity compared with GMCF. The Nearest Fastest Set (NFS) scheduler uses vehicle location and velocity inputs to dynamically schedule communication activity. The Static Scheduler (SS) performs the same task using a simple position-based weighting function. Results from a variety of experiments show that the proposed scheduling algorithms perform well when compared with the energy lower bounds in vehicular situations where path loss has a dominant deterministic component so that energy costs can be estimated. Our results also show that near-optimal results are possible but come with increased computation times compared with our heuristic algorithms.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».