Digital-Twin Enabled Time Ahead Resource Allocation for Integrated Fiber-Wireless Connected Vehicular Network
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
The digital twin (DT) is envisaged as a catalyst for pioneering ecosystems of service provision within an immersive environment born from the convergence of virtual and physical realms. Specifically, DT could enhance the performance of edge-intelligent connected vehicular networks by allocating network resources efficiently based on the key performance indicators (KPIs) of vehicular data traffic. Consequently, this work addresses the key challenge of computation and spectrum resource allocation for vehicular networks. To allocate the optimal resource allocation, we subdivided the problem into: traffic classification, collective learning, and resource allocation scheme. In order to do so, this paper concentrates on two crucial vehicular applications: brake application and lane-change application. We utilize a random forest model to collectively learn vehicular data traffic in the upcoming time slot. Thereafter, a time-ahead resource allocation algorithm is proposed to improve the quality of service (QoS) by intelligently offloading vehicular data traffic to a DT-based integrated fiber-wireless (Fi-Wi) connected vehicular network. We evaluate the performance of the resource allocation strategy in terms of resources required by the network alongside the packet loss rate. It was observed that there was a 44.74% increase in cost as the total computation resources increased from F = 50 to 100 GHz, whereas the PLR of the network decreased by 71.43%.
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 | 0,001 | 0,005 |
| 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