Emerging Technologies for Vehicular Communication Networks
Notice bibliographique
Résumé
Next-generation intelligent transportation systems (ITS) are envisioned to greatly improve the transportation safety and efficiency by incorporating wireless communication and informatics technologies in the transportation system [1][2][3].As the cornerstone for ITS, vehicular communication networks enable vehicles to exchange information with other vehicles and the external environments and play a significant role in supporting a variety of services such as road safety, traffic management, and entertainment Vehicular communication networks face many technical challenges such as network scalability, highly dynamic topology, vulnerable wireless links, energy consumption of roadside units, poor network coverage, and bursty traffic.To address these challenges, various emerging technologies have been introduced in vehicular communication networks, such as software defined space-air-ground integrated vehicular network [4], fog computing in vehicular networks [5], droneassisted vehicular networks [6], and machine learning for data delivery [7].This special issue collection aims to present the vision, research, and dedicated efforts on the emerging technologies for vehicular communication networks.In this special issue, there are 15 submissions in total.After peerreview, 6 papers are selected for publication.The first article, "Software-Defined Collaborative Offloading for Heterogeneous Vehicular Networks" by W. Quan et al., proposes a software-defined collaborative offloading (SDCO) solution for heterogeneous vehicular networks, to efficiently manage the offloading nodes and paths.The offloading controller is equipped with two specific functions:
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,011 |
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 ».