NB-IoT Coverage and Sensor Node Connectivity in Dense Urban Environments: An Empirical Study
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
Wireless sensor networks have enabled smart infrastructures and novel applications. With the recent roll-out of Narrowband IoT (NB-IoT) cellular radio technology, wireless sensors can be widely deployed for data collection in cities around the world. However, empirical evidence regarding the coverage and connectivity of NB-IoT in dense urban areas is limited. This article presents an empirical study that focuses on evaluating the coverage and connectivity of NB-IoT in a dense urban environment. We have designed an NB-IoT sensor node and deployed over 100 of them in high-rise apartment buildings in Hong Kong. These sensor nodes utilize a commercial NB-IoT network to collect high-resolution water flow data for machine learning model training and provide timely feedback to users. We collect and analyze the empirical NB-IoT signal measurements from the sensor nodes deployed in various challenging outdoor and indoor environments for over three months. These empirical measurements reveal correlations between NB-IoT connectivity and sensor installation environments. We also observe that inter-cell interference, as a result of coverage by multiple neighboring NB-IoT cells in a dense urban environment, is a source of connectivity degradation. We discuss potential issues that IoT application designers and system integrators might encounter in practical NB-IoT devices deployment, and we propose a transmission decision algorithm based on signal measurements for mitigating energy wasted due to transmission failures. Finally, we demonstrate the results and the benefits of using high-resolution water flow data collected by our purpose-built NB-IoT sensor nodes for studying the patterns of domestic water consumption in Hong Kong.
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 | 0,000 |
| 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 | 0,001 |
| 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