LoRa Network Planning and Communication Strategies to Support Multiple IoT Use Cases
Notice bibliographique
Résumé
Long range (LoRa) is a popular low-power wide-area networking (LPWAN) technology that can support multitude of Internet of Things (IoTs) use cases. LoRa drives its popularity from its ability to dynamically conFigure PHY layer transmission parameters, such as, bandwidth, spreading factor, coding rate, and transmission power. These parameters impact coverage, reliability, data rate, and energy consumption. Therefore, the parameters should be carefully selected based on an IoT use case’s requirements. Ideally, a deployed LPWAN should simultaneously support multiple IoT use cases. This requirement complicates networking planning and the transmission parameters assignment because not only multiple use cases’ dynamics have to be considered, but possible impact of use cases on each other has to be taken into account. Here, we present and evaluate three different LoRa-based LPWAN planning and communication strategies. The presented strategies consider the following: (i) IoT use case’s data generation model, (ii) transmission parameters selection, (iii) network topology, and (iv) communication model. Our simulation results have demonstrated that the network planning and communication strategy that allocates fastest data rate PHY layer transmission parameters to LoRa nodes, partitions a network into different cells, and uses separate gateway inside each cell is the best LoRa-based LPWAN deployment and communication strategy. The strategy outperforms other presented network planning strategies that use hybrid communication model based on separate communication channels and a combination of single-hop and multi-hop communication.
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 ».