An Adaptive Power Level Control Algorithm for DSRC Congestion Control
Notice bibliographique
Résumé
Vehicular industries and researchers have invested efforts to reduce avoidable accidents through the means of Vehicle to Vehicle (V2V) wireless communication using Vehicular Ad Hoc Networks (VANETs). Up-to-date information on the location, speed and other important parameters for each vehicle is shared with neighboring vehicles through the periodic exchange of Basic Safety Messages (BSMs). With a high vehicular density, network congestion can quickly arise in the 5.9GHz spectrum, rendering the system as unreliable because safety messages are not delivered and received on time. To alleviate this problem, there has been considerable research, in recent years, on distributed congestion control algorithms for VANETs. These approaches are generally based on rate control or power control of the transmitted packets. In this paper, we propose a novel, adaptive power control algorithm to reduce packet congestion in VANETs. Instead of requiring all vehicles to use the same power level, our approach allows each vehicle to dynamically adjust the transmit power of BSM packets, depending on its current speed. The goal is to prioritize which other vehicles will receive BSM packets from a given vehicle. Our simulation results demonstrate the advantages of the proposed algorithm regarding commonly used metrics such as packet loss, Beacon Error Rates(BER), Channel Busy Time(CBT) and Inter-Packet Delay(IPD).
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».