朱鸿恣论文:Exploiting Temporal Dependency for Opportunistic Forwarding in Urban Vehicular Networks的心得
2017-04-25 21:17
387 查看
本文讲述关于contact(接触)的概念的细节。
车载设备是一个通信节点,RSU是固定节点,两者共同构成一个通信拓扑网络。为了成功地将数据从一辆车传送到另一辆车,发送信息车辆需要地理上“遇到”其他车辆(即彼此在通信范围内)数据中继。所以就有一个存储——携带——转发的模型。
这种形式的传输非常依赖车辆的机动性:接触发生频率以及发生持续时间。ICT是端到端延迟的主要构成部分。
通过研究ICT的分布发现除了服从指数尾分布外如果一辆车与另一两车相遇,那么在接下来的时间里两辆车相遇的概率很高。利用这种特性就可以用马尔可夫链[/u]来对未来的情况进行预测(此为在ZOOM中对文章的贡献1).然后,设计一个利用ICT的时间依赖性设计一个机会转发算法,该算法估计相邻车辆目的地之间的延迟,这是基于之前的ICT。如果某两车估值小,那么就转发。该算法(ZOOM就是这种算法)的目的有两个:1、减少端到端延迟
2、减少网络传输的开销。
车载设备是一个通信节点,RSU是固定节点,两者共同构成一个通信拓扑网络。为了成功地将数据从一辆车传送到另一辆车,发送信息车辆需要地理上“遇到”其他车辆(即彼此在通信范围内)数据中继。所以就有一个存储——携带——转发的模型。
这种形式的传输非常依赖车辆的机动性:接触发生频率以及发生持续时间。ICT是端到端延迟的主要构成部分。
通过研究ICT的分布发现除了服从指数尾分布外如果一辆车与另一两车相遇,那么在接下来的时间里两辆车相遇的概率很高。利用这种特性就可以用马尔可夫链[/u]来对未来的情况进行预测(此为在ZOOM中对文章的贡献1).然后,设计一个利用ICT的时间依赖性设计一个机会转发算法,该算法估计相邻车辆目的地之间的延迟,这是基于之前的ICT。如果某两车估值小,那么就转发。该算法(ZOOM就是这种算法)的目的有两个:1、减少端到端延迟
2、减少网络传输的开销。
相关文章推荐
- 朱鸿恣论文翻译:Exploiting Temporal Dependency for Opportunistic Forwarding in Urban Vehicular Networks
- CV论文笔记(三)Convolutional-De-Convolutional Networks for Precise Temporal Action Localization in Untrimm
- 【CV论文阅读】Two stream convolutional Networks for action recognition in Vedios
- 论文笔记 Ensemble of Deep Convolutional Neural Networks for Learning to Detect Retinal Vessels in Fundus
- 论文笔记-Two-Stream Convolutional Networks for Action Recognition in Videos
- 论文笔记 | BoxSup: Exploiting Bounding Boxes to Supervise Convolutional Networks for Semantic Segmentati
- SPPNet论文翻译-空间金字塔池化Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- 深度学习论文笔记-Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- 【论文阅读笔记】Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- [深度学习论文笔记][Video Classification] Two-Stream Convolutional Networks for Action Recognition in Videos
- 【论文学习】Two-Stream Convolutional Networks for Action Recognition in Videos
- 双流网络行为识别-Spatiotemporal Residual Networks for Video Action Recognition-论文阅读
- [论文阅读笔记]Two-Stream Convolutional Networks for Action Recognition in Videos
- 论文笔记|Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- RCNN学习笔记(1):《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》论文笔记
- 车辆计数“FCN-rLSTM: Deep Spatio-Temporal Neural Networks for Vehicle Counting in City Cameras”
- 车辆计数--FCN-rLSTM: Deep Spatio-Temporal Neural Networks for Vehicle Counting in City Cameras
- 【论文笔记】Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition
- SPPNet论文翻译-空间金字塔池化Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- 深度学习论文笔记:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition