QoE-Aware Computational Resource Allocation for Connected Vehicles in Smart Urban Environments
Notice bibliographique
Résumé
Smart urban environments aim to enhance living standards by delivering effective and responsive services to residents. The growing number of connected objects, however, places increasing demands on computational efficiency and service provisioning. Leveraging the advancements in Information and Communications Technology (ICT), Connected and Autonomous Vehicles (CAVs) can serve as valuable computational resources to support service delivery. These vehicles can play the role of Vehicles as Computational Resources (VaCRs) by sharing their computational resources within smart cities. However, ensuring Quality of Experience (QoE) for service requesters, based on their diverse preferences, poses significant challenges in selecting and allocating resources. This paper presents a QoE-aware computational resource allocation system for Connected Vehicles (CVs), aimed at enhancing service delivery and computational efficiency in dynamic urban settings. The system models user requests based on key QoE factors and employs Performance Evaluation (PE) and QoE models developed using Multi-Criteria Decision-Making (MCDM) and machine learning techniques. A hierarchical multiagent architecture supports system deployment and coordination, while a QoE-aware game-theoretic model guides fair and efficient resource allocation. Compared to prior work, the proposed system demonstrates significantly improved performance in simulations, achieving higher classification accuracy (up to 96.5%) and lower average costs for service delivery. These results confirm the system’s effectiveness in harnessing vehicular computational resources and optimizing QoE in smart city environments.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».