論文の概要: LSTM-Based Proactive Congestion Management for Internet of Vehicle Networks
- arxiv url: http://arxiv.org/abs/2410.09656v1
- Date: Sat, 12 Oct 2024 21:21:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 08:56:21.508416
- Title: LSTM-Based Proactive Congestion Management for Internet of Vehicle Networks
- Title（参考訳）: LSTMによる車両ネットワークのインターネットにおけるプロアクティブな混雑管理
- Authors: Aly Sabri Abdalla, Ahmad Al-Kabbany, Ehab F. Badran, Vuk Marojevic,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.943640991628177
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vehicle-to-everything (V2X) networks support a variety of safety, entertainment, and commercial applications. This is realized by applying the principles of the Internet of Vehicles (IoV) to facilitate connectivity among vehicles and between vehicles and roadside units (RSUs). Network congestion management is essential for IoVs and it represents a significant concern due to its impact on improving the efficiency of transportation systems and providing reliable communication among vehicles for the timely delivery of safety-critical packets. This paper introduces a framework for proactive congestion management for IoV networks. We generate congestion scenarios and a data set to predict the congestion using LSTM. We present the framework and the packet congestion dataset. Simulation results using SUMO with NS3 demonstrate the effectiveness of the framework for forecasting IoV network congestion and clustering/prioritizing packets employing recurrent neural networks.
- Abstract（参考訳）: 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。
インターネット・オブ・ビークルズ(IoV)の原則を適用して、車両間の接続を容易にし、車両と道路側ユニット(RSU)間の接続を容易にする。
ネットワークの混雑管理は、IoVにとって不可欠であり、輸送システムの効率を改善し、安全上重要なパケットをタイムリーに配送するための車両間の信頼性の高い通信を提供することに影響を及ぼすことで、重要な懸念事項となっている。
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。
我々は、LSTMを用いて渋滞を予測するために、混雑シナリオとデータセットを生成する。
本稿では,このフレームワークとパケット混雑データセットについて述べる。
NS3を用いたSUMOを用いたシミュレーション結果は、IoVネットワークの混雑予測と、繰り返しニューラルネットワークを用いたパケットのクラスタリング/プライオリティ化のためのフレームワークの有効性を示す。
関連論文リスト
- Spatial-Temporal Attention Model for Traffic State Estimation with Sparse Internet of Vehicles [23.524936542317842]
コスト効率の良い交通状態推定(TSE)を実現するために,スパースIoVデータを利用する新しいフレームワークを提案する。
特に,TSEの精度を向上させるために,畳み込み抑止ネットワーク(CRNet)と呼ばれる新しい空間時間アテンションモデルを提案する。
このモデルは、空間的相関集約のための畳み込みニューラルネットワーク(CNN)と、注意機構に基づいて時間的相関を抽出するRetNet(RetNet)を用いる。
論文 参考訳（メタデータ） (2024-07-10T20:58:53Z) - Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand [57.82021900505197]
インターネット・オブ・ビークルズ(IoV)は、道路の安全性を高め、交通渋滞を軽減し、インフォテインメントアプリケーションを通じてユーザーエクスペリエンスを向上させることにより、交通システムを変革する大きな可能性を秘めている。
分散データ共有は、セキュリティ、プライバシ、信頼性を改善し、IoVにおけるインフォテインメントデータの共有を容易にする。
市場における需給バランスを学習するための多知能強化学習に基づく分散型データ共有インセンティブ機構を提案する。
論文 参考訳（メタデータ） (2024-03-29T14:58:28Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - Joint Optimization of Traffic Signal Control and Vehicle Routing in
Signalized Road Networks using Multi-Agent Deep Reinforcement Learning [19.024527400852968]
信号化道路網における交通信号制御と車両ルーティングの協調最適化手法を提案する。
マルチエージェントディープ強化学習(MADRL)を用いた信号タイミングと経路選択を同時に制御することでネットワーク性能を向上させることを目的とする。
本研究は,MADRLを用いて信号制御と車両経路の最適結合ポリシーを導出する最初の試みである。
論文 参考訳（メタデータ） (2023-10-16T22:10:47Z) - Traffic Management of Autonomous Vehicles using Policy Based Deep
Reinforcement Learning and Intelligent Routing [0.26249027950824505]
本稿では,交差点の混雑状況に応じて交通信号を調整するDRLに基づく信号制御システムを提案する。
交差点の後方の道路での渋滞に対処するため,道路ネットワーク上で車両のバランスをとるために再ルート手法を用いた。
論文 参考訳（メタデータ） (2022-06-28T02:46:20Z) - 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) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - A Transfer Learning and Optimized CNN Based Intrusion Detection System
for Internet of Vehicles [10.350337750192997]
本稿では,インターネット・オブ・ビークルズ(IoV)システムにおいて,トランスファー学習とアンサンブル学習に基づくIDSを提案する。
提案されたIDSは、2つの公開ベンチマークIoVセキュリティデータセットで99.25%以上の検出率とF1スコアを示した。
本研究は車内ネットワークおよび車外ネットワークにおけるサイバー攻撃検出におけるIDSの有効性を示す。
論文 参考訳（メタデータ） (2022-01-27T21:24:09Z) - VeSoNet: Traffic-Aware Content Caching for Vehicular Social Networks
based on Path Planning and Deep Reinforcement Learning [8.192974456453557]
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。
論文 参考訳（メタデータ） (2021-11-10T08:28:35Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-05T23:55:44Z)
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。