Tracking an on the run vehicle in a metropolitan VANET
Notice bibliographique
Résumé
The Vehicular Ad Hoc Network (VANET) holds promises for on-road security applications. In this paper, we utilize the VANET for surveillance purpose, tracking a noncooperative mobile target. We explore the possibilities of engaging Onboard Units (OBUs) and Roadside Units (RSUs) in a metropolitan VANET for tracking a vehicle that is on the run. The uncertainty associated with the unplanned locomotion of a vehicle in the metropolitan road network, that exhibits dynamic characteristics, such as different speed limits and time varying traffic congestion, makes vehicle tracking challenging. We present a tracking system composed of three operational modules: localization, tracking data collection and prediction of future locations of a target. Tracking messages are communicated among the OBUs and RSUs and are triggered on in probable areas where the target may be present. Therefore, another imperative element of the addressed problem is to scope the search to limit the number of OBUs and RSUs involved in the tracking operation. Our proposal does not presume any motion model for the target. A novel movement modeling technique utilizes OBU observations to classify the target's movement pattern. We propose a Dirichlet-multinomial model under the Bayesian estimation framework. The movement estimation is then exploited for predicting future locations of the target. The proposed method is analogous to chasing an on the run vehicle using police squad cars. We believe this approach holds potentials as an alternative to high-speed pursuits.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».