A Multimetric Predictive ANN-Based Routing Protocol for Vehicular Ad Hoc Networks
Notice bibliographique
Résumé
Vehicular networks support intelligent transportation system (ITS) to improve drivers' safety and traffic efficiency on the road by exchanging traffic-related information between vehicles and also between vehicles and infrastructure. Routing protocols that are designed for vehicular networks should be flexible and able to adapt to the inherent dynamic network characteristics of these kind of networks. Therefore, there is a need to have effective vehicular communications, not only to make mobility more efficient but also to reduce collateral issues such as pollution and health problems. Nowadays, the use of machine learning (ML) algorithms in wireless networks are on the rise, including vehicle networks that can benefit from possible data-driven predictions. This work aims to contribute to the design of a smart ML-based routing protocol for vehicular ad hoc networks (VANETs) used to report traffic-related messages in urban environments. We propose a new ML-based forwarding algorithm to be used by the current vehicle holding a given packet to predict which vehicle within its transmission range is the best next-hop to forward that packet towards its destination. Our algorithm is based on a neural network designed from a dataset that contains data records that are captured during simulated urban scenarios. Simulation results show how our ML-based proposal improves the performance of our multimetric routing protocol for VANETs in urban scenarios in terms of packet delivery probability. The performance evaluation of MPANN shows packet losses lower than 20% (and average packet delays below 0.04 ms) for different vehicles' densities, in completely new scenarios but of similar complexity than the Barcelona scenario used to train the model. Even for much more complex scenarios (with narrow curvy streets), our proposal is able to reduce the packet losses in 20% with respect to the multimetric routing protocol as well as the average packet delays in 0.04 ms.
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) | 0,000 | 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 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 ».