On the Impact of Road Traffic Control on Mobile Communications
Notice bibliographique
Résumé
Road traffic control systems can change vehicles’ speeds, density, and distribution in spatial and temporal dimensions, which may have significant impacts on the performance of pre-established cellular networks and Vehicular Ad-hoc Networks (VANETs). Identifying these impacts is crucial for satisfying service requirements, especially for the future of connected autonomous vehicles. Despite the extensive research that studied the impact of mobility on communication, the impact of traffic control on communication has not been addressed. Therefore, in this paper, we attempt to understand how traffic control strategies can affect communication network performance. We focus on vehicle navigation techniques because of their global network impacts that can significantly affect the load and handover rate on base stations. In this paper, we compare the Dynamic Shortest Path Routing (DSPR) to the state-of-the-art vehicle routing techniques, namely, the K-Shortest Path Routing (K-SPR) and Travel Time System Optimum Navigation (TTSON). We build a real network with calibrated traffic and use a microscopic traffic simulator as a testbed to measure the load and handover rates on base stations. Moreover, we developed and validated an analytical model to compute the packet drop probability based on the base station normalized load in the Fifth Generation New Radio (5G-NR) cellular networks. The developed model is integrated into the testbed to evaluate the reliability of the three traffic control systems. The analysis shows that road traffic load-balancing achieved by both TTSON and K-SPR improves communication performance in the simulated network.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,005 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».