Recruitment Algorithms for Vehicular Crowdsensing Networks
Notice bibliographique
Résumé
Vehicular crowdsensing aims to utilize the plethora of onboard sensors and resources on smart vehicles to gather sensing data in a large coverage area. Due to vehicles’ predictable mobility, roadside service providers can use vehicles’ announced trajectories to recruit vehicles to provide sensing data for a coverage area. Existing works have utilized optimization models to obtain optimal solutions. Heuristic recruitment algorithms aim to obtain an approximate solution which runs in polynomial time. In this thesis, we propose several heuristic recruitment algorithms for a variety of vehicular crowdsensing problem formulations. We first explore the temporal vehicle recruitment problem where we recruit vehicles all travelling in the same direction on one road over time. We propose a heuristic recruitment algorithm to compare to an existing optimal framework and heuristic, and achieve better coverage at lower recruitment costs than the existing heuristic. We also prove that the existing heuristic can be arbitrarily bad in the worst case. We then consider the spatiotemporal vehicular recruitment problem where we recruit from vehicles moving freely in a two dimensional space. We propose a new optimal framework for obtaining optimal solutions, as well as a heuristic which we compare to an existing heuristic. Our performance evaluations show that we outperform the existing heuristic in terms of recruiter utility as well as recruitment cost. We also propose a new variation of the vehicular recruitment problem that considers a two dimensional coverage area with certain subsets of area having increased priority. We propose both an optimal model as well as a heuristic for obtaining approximate solutions, which in our performance evaluations on small numbers of vehicles, achieves coverage near optimal at only slightly more expensive recruitment costs. Finally, we consider the heterogeneous or multi sensor vehicular recruitment problem, where vehicles have multiple sensor types and areas of coverage require a certain sensor type to be covered. We propose an optimal model and heuristic for this problem, and again show in performance evaluations that the heuristic returns solutions close to optimal in scenarios with small numbers of vehicles.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».