Joint Energy-Efficiency Communication Optimization and Perimeter Traffic Flow Control for Multi-Region LTE-V2V Networks
Notice bibliographique
Résumé
Energy-efficiency (EE) optimization of long-term evolution (LTE) networks dedicated to vehicle-to-vehicle communications (LTE-V2V) is critical for connected vehicles. In this paper, we integrate perimeter control methodologies from transportation science into EE optimization to make vehicular communications adaptive to temporal-spatial dynamics of macroscopic traffic flows in multiple urban regions. Specifically, we develop a hierarchical framework of joint LTE-V2V EE optimization and perimeter traffic flow control. Its goal is to minimize the total traffic network delay, defined as the integral of the vehicle accumulations in the urban regions over a prediction horizon time, meanwhile maximizing the energy efficiency of the LTE-V2V communications in the same regions. We propose a model predictive perimeter controller at a low level, using a macroscopic fundamental diagram (MFD) to capture the relationship between the traffic density and the outflow of each urban region. We also propose a high-level EE optimization model and an iterative algorithm, considering the multi-region coordinated traffic dynamics, to jointly optimize vehicular transmission power and beacon frequency. Simulation results validate our proposed models and show that our method outperforms the latest solutions by improving at least 9.57% EE of the multiple regions. Our method can also provide 27.69% improvement in resource utilization fairness, indicating a fairer EE performance distribution among these regions.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».