Reinforcement Learning-based Time-Dependable Modelling of Fog Connectivity for Software-Defined Vehicular Networks
Notice bibliographique
Résumé
Connected vehicles are crucial in strengthening vehicular and Intelligent Transport Systems (ITS) by enabling autonomous and dynamic data sharing across the vehicular network. Extensive research has been conducted to predict connectivity, alongside thedevelopment of diverse techniques to manage this essential aspect. In recent times, learning methodologies have become increasingly popular for their ability to effec-tively handle sophisticated models adaptively. Various machine learning algorithms have been demonstrated as convincing methods for rendering any system flexible andpredictive. We thus propose a Learning based Adaptive Connectivity Estimation Model LACM. This model calculates and enhances the connectivity among differentstates and actions, monitoring their changes over time. The purpose of this model is to accurately depict the current connectivity status and predict potential fluctuations in fog connectivity. This model will utilize networking and vehicular characteristics to make the accuracy of its predictions. The design of this model aims to tackle the complexity of the problem by incorporating detailed data into a large state space representation, thereby enhancing adaptability. The second part of our work proposes a Time Dependent Connectivity Estimation Model, TDCM. Incorporating time dependency in the model helps to forecast the alterations in cluster lifestyles. It shows the progression of cluster evolution, significantly contributing towards achieving a stable and reliable network. Utilizing Long Short-Term Memory within an RL-based framework enables the system to enhance decision-making accuracy through predictions related to connectivity and network maintenance. Extensive analysis conducted through realistic simulations demonstrated that both LACM and TDCM strongly support estimating and maintaining stable connectivity over time. Our evaluation compared a previous state-of-the-art approach, showing that LACM and TDCM consistently enhanced the connectivity within the network.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».