Coverage Analysis for UAV-Assisted Cellular Networks in Rural Areas
Notice bibliographique
Résumé
Despite coverage enhancement in rural areas is one of the main requirements in next generations of wireless networks (i.e., 5G and 6G), the low expected profit prevents telecommunication providers from investing in such sparsely populated areas. Hence, cost efficient alternatives are required for extending the cellular infrastructure to these regions. A concrete mathematical model that characterizes and clearly captures the aforementioned problem might be a key-enabler for studying the efficiency of any potential solution. Unfortunately, the commonly used mathematical tools that model large scale wireless networks are not designed to capture the unfairness, in terms of cellular coverage, suffered by exurban and rural areas. In big cities, in fact, cellular deployment is essentially capacity driven and thus cellular base station densities are maximum in the town centers and decline when getting far from them. In this paper, a new stochastic geometry-based model is implemented in order to show the coverage spatial variation among urban, suburban, and exurban settlements. Indeed, by implementing inhomogeneous Poisson point processes (PPPs) it is possible to study the performance metrics in a realistic scenario where terrestrial base stations (TBSs) are clustered around the urban center while outer aerial base stations (ABSs) are uniformly distributed outside an urban exclusion zone. Based on this, our simulation results can quantify the improvement, in terms of coverage probability, that even a surprisingly low density of ABSs can bring to peripheral regions depending on the extension of the exclusion zone, enabling us to draw insightful considerations.
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 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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 tête enseignante, 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 ».