Context-Aware Services Using MANETs for Long-Distance Vehicular Systems: A Cognitive Agent-Based Model
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
Long-distance transportation systems play an important role in economic growth. Yet, these systems are incurred with multifaceted delays and cost problems. The major incites affecting transportation systems are congestion, breakdowns, emergencies, and inclement weather. Scarcity of information about the environment also exacerbates travel problems. It is essential to employ monitoring and guidance that aid in making timely decisions through premediated information. This work aims to provide a flexible model for the long-distance transport system. The model is based on problems faced in long-distance transportation. Moreover, we examine the possible use of emerging Information and Communication Technologies (ICTs) for better transportation. The system dynamics study the problem at hand through cognitive agent-based modelling (ABM) concepts. The integrated model lays the rules to abate traffic delays. In this model, the distance travelled by vehicles is divided into sections using checkpoints. Every section is composed of different agents such as medical units, police stations, workshops, and petrol pumps. The vehicle shifts connection over the mobile ad hoc network (MANET) when enters or leaves a section. We used NetLogo for simulation of the model. A monitoring and guidance system is tested, and obtained results are analyzed by addressing problems causing delays. The guidance system helps vehicles to take optimal decisions for the time, congestion, and rests. The model can be used to improve decision-making for vehicles through premediated decisions. The proposed model can help to improve the efficiency of the transportation systems by reducing travel time.
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 | 0,000 | 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) | 0,000 | 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