Distributed Dynamic Route Guidance and Signal Control for Mobile Edge Computing-Enhanced Connected Vehicle Environment
Notice bibliographique
Résumé
The benefit of real-time joint dynamic route guidance and signal control (DRG-SC) is usually compromised by a centralized framework since it naturally leads to an un-timely solution with the growing data-processing needs and problem-solving complexity. Mobile edge computing (MEC) pushes the data storage and computation from the remote cloud to local infrastructures and hence reduces response time and improves network bandwidth when further combined with 5G. As such, our study first develops a novel distributed framework to facilitate DRG-SC in connected vehicle (CV) environment with clarifying the MEC’s vital role. The method captures the interaction of vehicles’ routing and signal control, wherein we use a more realistic and accurate way to define the relationship between travel time and traffic volume. Vehicles make route decisions and cooperate to reach user optimal (UO) or system optimal (SO) traffic state. In tandem, the developed adaptive signal control (ASC) adjusts the signal timing plan with considering both the adjacent intersections’ traffic volume and the vehicles’ waiting time. Our method achieves significant reductions in vehicles’ average departure delay, waiting time and travel time when justified by a comprehensive case study implemented in SUMO. Moreover, the effectiveness of adopting such a distributed framework in saving computation time is verified. Overall, our study provides valuable and practical insights into the intelligent operation and control.
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 | 0,000 |
| 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 ».