MétaCan
Menu
Retour à la cohorte
Enregistrement W4281725835 · doi:10.5539/nct.v7n1p12

Power Management of Base Transceiver Stations for Mobile Networks

2022· article· en· W4281725835 sur OpenAlexvenueno aff
Giuseppe Iazeolla

Notice bibliographique

RevueNetwork and Communication Technologies · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensnon disponible
Organismes subventionnairesUniversità degli Studi di Roma Tor Vergata
Mots-clésBase transceiver stationBase stationComputer networkWirelessTransceiverComputer scienceUser equipmentWireless networkTelecommunicationsQuality of serviceWattPower managementTransmission (telecommunications)Cellular networkEngineeringPower (physics)Wi-Fi array

Résumé

récupéré en direct d'OpenAlex

A Base Transceiver Station (BTS) is a piece of equipment consisting of telecommunication devices and the air interface of the mobile network. It is referred to as the BS in 3G networks, the eNB in the LTE standard, and the GNodeB for the 5G. Any wireless service provider operates a country-wide System of BTS. The System is the part of the wireless network responsible for the reception and transmission of radio signals from user equipments (UE), like mobile phones and computers with wireless internet wireless connectivity. All BTSs need to be electrically powered and system management may investigate methods to reduce power consumption. However, saving power may turn into a waste of performance (increased response time), in other words, into a waste of the BTS quality of service (QoS) This paper aim is to discuss the power management of BTS stations for the best compromise between energy-saving and response to incoming calls. The BTS management strategies that optimize the BTS power consumption (minimum absorbed Watt), the BTS performance (minimum response_time to incoming calls), and the BTS performance x Watt (minimum response_time x Watt) are identified. To compensate for the difficulties of using analytical approaches the paper uses simulation to evaluate the strategies.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,007
Tête enseignante GPT0,217
Écart entre enseignants0,209 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNetwork and Communication TechnologiesMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207