MétaCan
Menu
Retour à la cohorte
Enregistrement W3094343460 · doi:10.1109/iscc50000.2020.9219562

Speed Based Distributed Congestion Control Scheme for Vehicular Networks

2020· article· en· W3094343460 sur OpenAlexaff
Caitlin Facchina, Arunita Jaekel

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicular Ad Hoc Networks (VANETs)
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésComputer scienceNetwork congestionComputer networkPacket lossVehicular ad hoc networkTransmission (telecommunications)The InternetNetwork packetIntelligent transportation systemChannel (broadcasting)Wireless ad hoc networkWireless sensor networkTransmission delayData transmissionScheme (mathematics)Real-time computingWirelessTelecommunicationsEngineering

Résumé

récupéré en direct d'OpenAlex

The Internet of Vehicles (IoV) and vehicular clouds use sensor data and information from vehicles to implement an intelligent transportation system for future smart cities. The tremendous amount of data generated in IoV can lead to channel congestion, packet loss and delay of time-sensitive messages. This can have a serious impact on the performance of applications and services provided by a vehicular network, particularly safety applications that are time critical. As such, network congestion control is an topic in vehicular networks and various methods of controlling the message transmission rate and power have been explored to-date. In this paper we have proposed a new distributed congestion control algorithm which manipulates the transmission power based on a density estimation derived from the vehicle’s driving speed. The results indicate that the proposed approach is effective in reducing packet loss and improving the relevance of the received messages.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,976
Score d'incertitude au seuil0,959

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,196
Écart entre enseignants0,184 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetVehicular Ad Hoc Networks (VANETs)Travaux en français237 207