Optimizing Content Dissemination for Real-Time Traffic Management in Large-Scale Internet of Vehicle Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As an application of “smart transport” for Internet of Things, Internet of Vehicle (IoV) has emerged as a new research field based on vehicular ad hoc networks (VANETs). With the development of smart vehicles and the integration of sensors, applications of traffic management and road safety in large-scale IoV systems have drawn great attentions. By sensing events occurred on roads, vehicles can broadcast messages to inform others about traffic jams or accidents. However, the store-carry-and-forward transmission pattern may cause a large transmission delay, making the implementation of large-scale traffic management difficult. In this paper, we put forward a feasible solution to minimize the response time for traffic management service, by enabling real-time content dissemination based on heterogeneous network access in IoV systems. We first design a crowdsensing-based system model for large-scale IoV systems. Then, a cluster-based optimization framework is investigated to provide timely responses for traffic management. Specifically, we estimate the message transmission delay by stochastic theory, which can provide a guideline for the next-hop relay selection in our delay-sensitive routing scheme. Furthermore, network performances are evaluated based on two city-road maps, and performance metrics, containing average delivery delay, average delivery ratio, average communication cost, and access ratio, demonstrate the superiority of our system. Finally, we conclude our work and discuss the further work.
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.
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 | 0,001 | 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 découle