論文の概要: VeSoNet: Traffic-Aware Content Caching for Vehicular Social Networks
based on Path Planning and Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2111.05567v1
- Date: Wed, 10 Nov 2021 08:28:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 12:17:08.020724
- Title: VeSoNet: Traffic-Aware Content Caching for Vehicular Social Networks
based on Path Planning and Deep Reinforcement Learning
- Title（参考訳）: VeSoNet:経路計画と深層強化学習に基づく車載ソーシャルネットワークのトラフィック対応コンテンツキャッシング
- Authors: Nyothiri Aung, Sahraoui Dhelim, Liming Chen, Wenyin Zhang,
Abderrahmane Lakas and Huansheng Ning
- Abstract要約: 本稿では,コンテンツ配信問題を解決するソーシャルな車載エッジコンピューティングアーキテクチャを提案する。
提案アーキテクチャは,3つのコンポーネントから構成される。まず,最も関連性の高い車両コンテンツ提供者による最短経路を計算・割り当てするソーシャル・アウェア・グラフ・プルーニング探索アルゴリズムを提案する。
第2に、トラフィック対応コンテンツレコメンデーションスキームを用いて、その社会的文脈に応じて関連コンテンツを推薦する。
- 参考スコア（独自算出の注目度）: 8.192974456453557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicular social networking is an emerging application of the promising
Internet of Vehicles (IoV) which aims to achieve the seamless integration of
vehicular networks and social networks. However, the unique characteristics of
vehicular networks such as high mobility and frequent communication
interruptions make content delivery to end-users under strict delay constrains
an extremely challenging task. In this paper, we propose a social-aware
vehicular edge computing architecture that solves the content delivery problem
by using some of the vehicles in the network as edge servers that can store and
stream popular content to close-by end-users. The proposed architecture
includes three components. First, we propose a social-aware graph pruning
search algorithm that computes and assigns the vehicles to the shortest path
with the most relevant vehicular content providers. Secondly, we use a
traffic-aware content recommendation scheme to recommend relevant content
according to their social context. This scheme uses graph embeddings in which
the vehicles are represented by a set of low-dimension vectors (vehicle2vec) to
store information about previously consumed content. Finally, we propose a Deep
Reinforcement Learning (DRL) method to optimize the content provider vehicles
distribution across the network. The results obtained from a realistic traffic
simulation show the effectiveness and robustness of the proposed system when
compared to the state-of-the-art baselines.
- Abstract（参考訳）: 車両ソーシャルネットワーク(Vehicular social networking)は、車両ネットワークとソーシャルネットワークのシームレスな統合の実現を目的とした、有望なIoT(Internet of Vehicles)の新興アプリケーションである。
しかし,高モビリティや頻繁な通信中断といった車両ネットワークの特徴は,厳密な遅延制約下でのコンテンツ配信を極めて困難な課題にしている。
本稿では,ネットワーク内の車両のいくつかをエッジサーバとして使用し,人気コンテンツをエンドユーザに保存・ストリームすることで,コンテンツ配信問題を解決するソーシャルアウェアなエッジコンピューティングアーキテクチャを提案する。
提案されたアーキテクチャには3つのコンポーネントがある。
まず、最も関連性の高い車両コンテンツ提供者による最短経路を計算・割り当てするソーシャル・アウェア・グラフ・プルーニング検索アルゴリズムを提案する。
第2に、トラフィック対応コンテンツレコメンデーションスキームを用いて、その社会的文脈に応じて関連コンテンツを推薦する。
この方式では、車両を低次元ベクトル(vehicle2vec)の集合で表現したグラフ埋め込みを用いて、以前に消費されたコンテンツに関する情報を保存する。
最後に,ネットワーク全体にわたるコンテンツ提供者車両の分布を最適化するDeep Reinforcement Learning (DRL)手法を提案する。
実時間トラヒックシミュレーションの結果,最先端のベースラインと比較し,提案システムの有効性と頑健性を示した。
関連論文リスト
- LSTM-Based Proactive Congestion Management for Internet of Vehicle Networks [2.943640991628177]
V2Xネットワークは様々な安全、エンターテイメント、商用アプリケーションをサポートしている。
本稿では,IoVネットワークのプロアクティブな混雑管理のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-12T21:21:42Z) - TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework [3.947797359736224]
我々は3つのAIエージェントを用いてマルチスケールトラフィックデータを処理するマルチスケールトラフィック生成システムであるTrafficGPTを設計した。
TrafficGPTは,1)ユーザと対話し,テキストを介して予測タスクを抽出するテキスト・ツー・デマンドエージェント,2)マルチスケールトラフィックデータを利用して時間的特徴と類似性を生成するトラフィック予測エージェント,3)予測結果を用いて提案や視覚化を行う提案・可視化エージェントの3つの重要なAIエージェントから構成される。
論文 参考訳（メタデータ） (2024-05-08T07:48:40Z) - Knowledge-Driven Multi-Agent Reinforcement Learning for Computation
Offloading in Cybertwin-Enabled Internet of Vehicles [24.29177900273616]
我々は,サイバトウィン対応IoVにおけるタスクオフロードの遅延を低減するために,知識駆動型マルチエージェント強化学習(KMARL)手法を提案する。
具体的には、検討されたシナリオにおいて、サイバートウィンは、各車両が情報を交換し、仮想空間におけるオフロード決定を行うための通信エージェントとして機能する。
論文 参考訳（メタデータ） (2023-08-04T09:11:37Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - EC-SAGINs: Edge Computing-enhanced Space-Air-Ground Integrated Networks
for Internet of Vehicles [24.603373235841598]
エッジコンピューティング強化車両インターネット(EC-IoV)は、車両間のユビキタスデータ処理とコンテンツ共有を可能にします。
EC-IoVは、車両と地上エッジコンピューティングインフラストラクチャ間の接続と相互作用に大きく依存しています。
遠隔地における各種IoVサービスを支援するために,エッジコンピューティング対応の宇宙航空統合ネットワーク(EC-SAGIN)の枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-15T10:56:23Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line
and Off-policy Bandit Solutions [30.606518785629046]
高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。
本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。
提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
論文 参考訳（メタデータ） (2020-08-14T11:48:13Z) - VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized
Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。
ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。
我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文 参考訳（メタデータ） (2020-05-08T19:07:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。