論文の概要: A swarm algorithm for collaborative traffic in vehicular networks

• arxiv url: http://arxiv.org/abs/2501.10007v1
• Date: Fri, 17 Jan 2025 07:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 14:00:06.959906
• Title: A swarm algorithm for collaborative traffic in vehicular networks
• Title（参考訳）: 車両ネットワークにおける協調交通のためのSwarmアルゴリズム
• Authors: Jamal Toutouh, Enrique Alba,
• Abstract要約: 本稿では,ネットワーク障害のしきい値下でのチャネル利用レベルを維持するために,Swarmインテリジェンスに基づく分散渋滞制御手法を提案する。 網羅的な実験により,提案手法はネットワークのスループット,チャネル使用量,通信の安定性を向上することが示された。
• 参考スコア（独自算出の注目度）: 2.6273514225715435
• License:
• Abstract: Vehicular ad hoc networks (VANETs) allow vehicles to exchange warning messages with each other. These specific kinds of networks help reduce hazardous traffic situations and improve safety, which are two of the main objectives in developing Intelligent Transportation Systems (ITS). For this, the performance of VANETs should guarantee the delivery of messages in a required time. An obstacle to this is that the data traffic generated may cause network congestion. Data congestion control is used to enhance network capabilities, increasing the reliability of the VANET by decreasing packet losses and communication delays. In this study, we propose a swarm intelligence based distributed congestion control strategy to maintain the channel usage level under the threshold of network malfunction, while keeping the quality-of-service of the VANET high. An exhaustive experimentation shows that the proposed strategy improves the throughput of the network, the channel usage, and the stability of the communications in comparison with other competing congestion control strategies.
• Abstract（参考訳）: 車両用アドホックネットワーク(VANET)により、車両は警告メッセージを交換できる。 これらの特定のネットワークは、知的交通システム(ITS)の開発における主要な目的の2つである、危険交通状況の低減と安全性の向上に役立つ。 このため、VANETのパフォーマンスは、必要な時間でメッセージの配信を保証すべきである。 これに対する障害は、生成されたデータトラフィックがネットワークの混雑を引き起こす可能性があることだ。 データ混雑制御は、パケット損失と通信遅延を低減し、VANETの信頼性を高めるために使用される。 本研究では,VANETの品質を高く保ちながら,ネットワーク障害のしきい値下でチャネル使用率を維持するために,Swarmインテリジェンスに基づく分散渋滞制御戦略を提案する。 網羅的な実験により,提案手法は,他の競合する渋滞制御戦略と比較して,ネットワークのスループット,チャネル使用量,通信の安定性を向上させることが示された。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• 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)
• 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)
• An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning [4.085916808788356]
  本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。 実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-12T14:18:09Z)
• Reinforcement Learning for Joint V2I Network Selection and Autonomous Driving Policies [14.518558523319518]
  自動運転車(AV)の信頼性向上に向けたV2I通信の重要性が高まっている 道路衝突を最小限に抑えるため,AVのネットワーク選択と運転ポリシーを同時に最適化することが重要である。 我々は,効率的なネットワーク選択と自律運転ポリシーを特徴付ける強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-08-03T04:33:02Z)
• Federated Semi-Supervised Classification of Multimedia Flows for 3D Networks [0.16799377888527683]
  交通分類は、交通の整形、ネットワークスライシング、品質・オブ・サービス(QoS)管理に不可欠である。 3Dネットワークは、さまざまなレベルの異常検出を保証できる複数のルートを提供する。 本稿では,ネットワークトラフィックを半教師付き方式で分類するために,協調的特徴選択と特徴量削減学習手法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T20:18:07Z)
• 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)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
  本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。 本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-30T10:05:35Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。