Dynamic Scheduling for Quality of Information Maximization in Location-aware Opportunistic Mobile Crowdsensing
Notice bibliographique
Résumé
The recent emergence of unmanned aerial vehicles (UAVs) technology has brought up enormous potential applications. However, operating the underlying UAV networks requires an accurate understanding of the dynamic 3D wireless spectrum conditions in real-time. To achieve this, Opportunistic mobile crowdsensing (OCS) has been considered as a cost-effective solution by recruiting mobile devices for spectrum information gathering. Due to a lack of sensing and transmission coordination, existing OCS approaches cannot gather spectrum information with sufficient quality in the data acquisition process, leading to deteriorated UAV network operation performance. To address this challenge, we propose a novel dynamic scheduling mechanism that maximizes the quality of information (QoI) in the location-aware OCS scheme. By jointly allocating sensing and transmission resources, this approach achieves QoI maximization by reducing the OCS communication and sensing overhead. The problem is formulated as a stochastic network optimization problem and uses the Lyapunov optimization theory for solution development. We propose a decentralized sensing scheduling and a centralized dynamic transmission scheduling mechanism to solve the sub-problems. To evaluate the performance of our proposed solution, we conduct extensive simulations and compare our results against other crowdsensing schemes. The simulation results demonstrate the convergence and performance of the proposed approach and show that it outperforms other crowdsensing schemes. The proposed approach maximizes the QoI by dynamically allocating resources while minimizing the communication and sensing overhead.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».