Modeling and Analysis for Emergency Messaging Delay in Vehicular Ad Hoc Networks
Notice bibliographique
Résumé
Road crashes, occurring at a high annual rate for many years, demand improvements in transportation systems to provide a high level of on-road safety. Implanting smart sensors, communication capabilities, memory storage and information processing units in vehicles are important components of Intelligent Transportation Systems (ITS). ITS should enable the communication between vehicles and allow cooperative driving and early warnings of sudden breaks and accidents ahead. The prompt availability of the emergency information will provide the driver a time to react in order to avoid possible accidents ahead. Hence, information delivery delay is an importance quality-of-service (QoS) metric in such applications. In this thesis, we focus on modeling the delay for emergency messaging in vehicular ad hoc networks (VANETs). VANETs consist of nodes moving with very high speeds, resulting in frequent topological changes. As a result, many existing models and packet forwarding schemes designed for general purpose mobile ad hoc networks (MANETs) cannot be directly applied to VANETs. \nIn our system model, we consider mobility and traffic density of vehicles. We focus on studying the effect of the traffic flow density on the delay of emergency message dissemination. Hence, traffic flow theories developed by civil engineers form the base of our modeling. \nThe common way of emergency message dissemination in VANETs is broadcasting. To overcome the broadcasting storm problem and improve scalability of such large networks, we adopt a node cluster based broadcasting mechanism. This research provides a realistic mathematical model for the broadcasting delay, which accounts for the randomness in user mobility and matches the highly dynamic nature of VANETs. An investigation on the minimum cluster size that achieves acceptable message delivery latency is provided. It is shown that network control and performance parameters are dependent on the traffic density. Experimental measurement data are used to demonstrate the accuracy of the mathematical modeling.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».