Task Offloading and Resource Management for CBTC via Multi-Hop Ad Hoc Network and MEC
Notice bibliographique
Résumé
The emergence of communication-based train control (CBTC) system within urban rail transport has improved the efficiency of safe train operations. At the same time, the CBTC system enhances the reliability of the train system and lowers latency. Nevertheless, there are still certain critical issues that need to be considered in the CBTC: 1) limited coverage and high maintenance costs of wayside equipment; 2) multiple ground devices configuration and complex system architecture; and 3) insufficient computing capacity of the train leads to heavy latency and energy consumption. The multi-hop ad hoc network coexisting with train-to-train communication and train-to-wayside communication is applied to simplify the networking architecture, together with the employment of mobile edge computing (MEC) servers to provide massive computing and communication resources for trains. Therefore, in this paper, a new multi-hop ad hoc network and MEC-assisted CBTC framework are developed for computing offloading and resource allocation. Offloading decisions, offloading ratio, computing and communication resource allocation are integrated to minimize latency and energy consumption. Furthermore, the proposed problem is a mixed-integer non-convex problem that is transformed into a solvable convex problem, and the consensus alternating direction method of multipliers-based (ADMM) algorithm is employed to solve the problem. The simulation results show that our proposed method has remarkable advantages over other schemes.
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 | 0,001 |
| 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 ».