Spectrum Sharing in Internet-of-Vehicles Networks: Digital Twin-Empowered Proactive Interference Management Approach
Notice bibliographique
Résumé
Internet-of-Vehicles (IoV) is envisioned to connect vehicles with each other, the surrounding environment, and central control centers. Spectrum sharing among active vehicular links is imperative to enhance the utilization of the spectrum licensed to IoV networks. However, co-channel interference among neighboring vehicular communication links poses a fundamental challenge when enabling spectrum sharing in IoV networks. This paper introduces a resource optimization framework, entitled PRISM (ProactiveResource optimization forInterference andSpectrumManagement), to mitigate co-channel interference in IoV networks. PRISM proactively allocates resources among a set of Vehicle-to-Infrastructure (V2I) communication links by accurately predicting the links’ positions and multi-path channel gains, thereby preventing outdated resource scheduling in dynamic IoV networks. PRISM is a three-step approach. In the first step, a multi-layer long short-term memory neural network and transfer learning are employed to predict the vehicles’ positions. In the second step, a digital twin network incorporating high-fidelity 3D maps and a ray tracing tool entitled$\mathrm {Sionna}^{\textrm {TM}}$is used to predict the V2I links’ multi-path channel gains. In the third step, a resource allocation algorithm is executed to efficiently determine V2I clusters and their transmit power allocations to maximize the overall system capacity. Simulation results show that PRISM enhances IoV network’s capacity up to 33% compared to non-proactive schemes, as validated through a simulation framework using real-world vehicular mobility traces.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».