Modeling and Performance Analysis of UAV-Assisted Vehicular Networks
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
Vehicular networks' connectivity and data delivery delay performance is highly affected by the vehicular traffic's spatio-temporal dynamics whose variations are subject to a multitude of random factors. Under the stringent and inevitable limitations imposed by free-flow vehicular traffic conditions (i.e., low-to-medium vehicular densities, elevated degree of mobility, high speeds, etc), these networks suffer from considerably rapid topology variations leading to severe connectivity intermittence and, hence, delayed data delivery. This motivates the study presented in this paper, which aims at investigating the capability of external elements that are independent of the vehicular traffic flow and its inherent limitations (e.g., airborne unmanned aerial vehicles (UAVs), a.k.a., drones) to serve as possible adjuvant relays; thus, contributing to strengthening/healing weak/broken communication links among ground-bound vehicular entities (i.e., RoadSide Units (RSUs) and vehicles) and uplifting the vehicular connectivity and delay performance. Particularly, in the context of a vehicular sub-networking scenario, a UAV mobility model is proposed as a first step in analytically capturing macroscopic dynamics for UAVs exhibiting waypoint mobility patterns and plying over a considered roadway segment. Then, a stochastic analytical model is formulated for the purpose of mathematically characterizing the path availability and achieved data delivery delays in the presence of these UAVs. A simulation framework is established to verify the validity and accuracy of the proposed models and gauge the merit of UAV assistance in improving the vehicular connectivity and data delivery delay performance.
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 | 0,002 |
| 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