Characterizing Urban Vehicle-to-Vehicle Communications for Reliable Safety Applications
Notice bibliographique
Résumé
The IEEE 802.11p-based dedicated short range communication (DSRC) is essential to enhance driving safety and improve road efficiency by enabling rapid cooperative message exchanging. However, there is a lack of good understanding on the DSRC performance in urban environments for vehicle-to-vehicle (V2V) communications, which impedes its reliable and efficient application. In this paper, we first conduct intensive data analytics on V2V performance, based on a large amount of real-world DSRC communications trace collected in Shanghai city, and obtain several key insights as follows. First, among many context factors, the non-line-of-sight (NLoS) link condition is the major factor degrading V2V performance. Second, the durations of line-of-sight (LoS) and NLoS transmission conditions follow power law distributions, which indicate that the probability of experiencing long LoS/NLoS conditions both could be high. Third, the packet inter-reception (PIR) time distribution follows an exponential distribution in the LoS conditions but a power law in the NLoS conditions, which means that the consecutive packet reception failures rarely appear in the LoS conditions but can constantly appear in the NLoS conditions. Based on these findings, we propose a context-aware reliable beaconing scheme, called CoBe, to enhance the broadcast reliability for safety applications. The CoBe is a fully distributed scheme, in which a vehicle first detects the link condition with each of its neighbors by machine learning algorithms, then exchanges such link condition information with its neighbors, and finally selects the minimal number of helper vehicles to rebroadcast its beacons to those neighbors in bad link condition. To analyze and evaluate the CoBe performance, a two-state Markov chain is devised to model beaconing behaviors. The extensive trace-driven simulations are conducted to demonstrate the efficacy of CoBe.
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 | 0,000 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».