MétaCan
Menu
Retour à la cohorte
Enregistrement W2582694969 · doi:10.1109/vnc.2016.7835937

Enhanced autonomous resource selection for LTE-based V2V communication

2016· article· en· W2582694969 sur OpenAlexafffund
Jiaxin Yang, Benoît Pelletier, Benoı̂t Champagne

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicular Ad Hoc Networks (VANETs)
Établissements canadiensMcGill UniversityInterDigital (Canada)
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceResource (disambiguation)Scheme (mathematics)Selection (genetic algorithm)Heading (navigation)Interference (communication)Resource allocationComputer networkDistributed computingCollisionThroughputStandardizationWirelessTelecommunicationsEngineeringComputer securityArtificial intelligenceChannel (broadcasting)

Résumé

récupéré en direct d'OpenAlex

Vehicle-to-vehicle (V2V) communication has the potential to improve road safety significantly by providing connectivity between vehicles to exchange information messages. V2V has recently gained considerable attention in part due to the standardization work that has started for Long Term Evolution (LTE) under the Third Generation Partnership Project (3GPP). Efficient and reliable distributed allocation of time-frequency resources among different vehicle user equipments (VUEs) remains a challenge particularly in dense urban environments. In this work, a new autonomous resource selection scheme for urban V2V communication scenario is proposed. Specifically, the proposed scheme relies on resource partitioning based on VUE heading direction along with a sensing-based collision avoidance mechanism, which aims to alleviate the potential interference between VUEs due to resource collision and in-band emission (IBE). The performance of the two-stage autonomous resource selection scheme is evaluated by system-level simulations in urban scenarios, where the results show a significant performance gain in comparison to existing approaches.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,928
Score d'incertitude au seuil0,349

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,207
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations59
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetVehicular Ad Hoc Networks (VANETs)Travaux en français237 207