Opportunistic UAV Deployment for Intelligent On-Demand IoV Service Management
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
Due to the current improvement in self-driving cars and the extensive focus and research on the topic of the Internet of Vehicles (IoV), the near future may behold a great revolution in the automotive industry as cars become fully autonomous. This change entails a considerable amount of data to be transferred from Internet of Things (IoT) devices, such as radars, sensors, and actuators. Consequently, overwhelming the existing infrastructure, namely cloud, and Road Side Units (RSU), reduces the quality of service (QoS) experienced by vehicular users. Accordingly, this paper contributes in proposing a new architecture for using Unmanned Ariel Vehicles (UAVs) and On-Boarding Units (OBUs) working in collaboration to achieve a significantly improved QoS. The proposed framework offers an end-to-end solution for master election, cluster management and recovery, vehicle selection, service placement, and accurate localization of vehicles. A QoS improvement is possible through an efficient cluster formation and placement solution that assigns lightweight services, as containers, to OBUs and UAVs while meeting various objectives. The efficiency of the proposed scheme originates from the use of the evolutionary Memetic Algorithm that 1) respects the mobility and energy constraints of UAVs and OBUs, 2) meets the user demands, and 3) uses machine learning for the accurate localization of vehicles. Our experiments using the Mininet-WiFi and SUMO simulators show at least 30% improvement in terms of QoS compared to a state-of-the-art solution.
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 | 0,001 |
| 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 découle