Energy-Efficient Data Collection and Resource Allocation for UoI-Aware Mobile Crowdsensing in IoV
Notice bibliographique
Résumé
Mobile Crowdsensing (MCS) is a promising paradigm where embedded sensor are exploited for collecting and sharing environmental data. In IoV, participating vehicles sense the environment, collect data and transmit the data to the edge server for processing to provide real-time services. However, real-time services not only pose energy challenges for massive data transmission and analysis, but also demand dynamic multi-timeslot optimisation for MCS systems. Additionally, sensing data often require continuous updates to prevent the provision of obsolete services. To address this, we introduce the concept of Urgency of Information (UoI) to characterize the freshness of sensing data. Diverging from the linear growth trend of Age of Information (AoI), UoI enables dynamic adjustment of the decay rate of data freshness based on traffic complexity. In this paper, we propose a dynamic multi-timeslot MCS system for IoV, under constraints of UoI, which intelligently leverages the spatial correlation of perception to update data and minimizes network energy consumption while ensuring compliance with UoI constraints. Then we propose a Joint Data Collection and Resource Allocation (JDCRA) algorithm to obtain the solution based on convex optimization. To the best of our knowledge, this is the first work to jointly optimize multi-road data collection and resource allocation, taking into account UoI metrics. We evaluate JDCRA by experiments on SUMO in real-world scenarios. Experimental results show that JDCRA outperforms state-of-the-art methods in terms of energy consumption and UoI violation probability, and obtains solutions that consumes only 7.43% more energy than the optimal solution in polynomial complexity.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».