MétaCan
Menu
Retour à la cohorte
Enregistrement W4280581707 · doi:10.1145/3536424

NB-IoT Coverage and Sensor Node Connectivity in Dense Urban Environments: An Empirical Study

2022· article· en· W4280581707 sur OpenAlexafffund
Cheuk-Wang Yau, Sukanya Jewsakul, Man-Ho Luk, Angela P. Y. Lee, Yun-Hin Chan, Edith C.‐H. Ngai, Philip W. T. Pong, King‐Shan Lui, Jiangchuan Liu

Notice bibliographique

RevueACM Transactions on Sensor Networks · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueIoT Networks and Protocols
Établissements canadiensSimon Fraser University
Organismes subventionnairesWYNG FoundationPhilomathia Foundation
Mots-clésComputer scienceWireless sensor networkNode (physics)Internet of ThingsSmart citySensor nodeSoftware deploymentTransmission (telecommunications)WirelessComputer networkKey distribution in wireless sensor networksWireless networkTelecommunicationsEmbedded system

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,262
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACM Transactions on Sensor NetworksMême sujetIoT Networks and ProtocolsTravaux en français237 207