Un esquema de enrutamiento jerárquico basado en aprendizaje Q y lógica difusa en el sistema de transporte inteligente para ciudades inteligentes
Autores: Rahmani, Amir Masoud; Naqvi, Rizwan Ali; Yousefpoor, Efat; Yousefpoor, Mohammad Sadegh; Ahmed, Omed Hassan; Hosseinzadeh, Mehdi; Siddique, Kamran
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un esquema de enrutamiento jerárquico basado en aprendizaje Q y lógica difusa en el sistema de transporte inteligente para ciudades inteligentes
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Red vehicular ad hoc
Sistema de transporte inteligente
Algoritmo de enrutamiento
Técnicas de aprendizaje automático
Protocolo de enrutamiento jerárquico
Condiciones de tráfico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Una red vehicular ad hoc (VANET) es el principal elemento del sistema de transporte inteligente (ITS). El propósito del ITS es aumentar la seguridad vial y gestionar el movimiento de los vehículos. El ITS es conocido como uno de los principales componentes de las ciudades inteligentes. Como resultado, existen desafíos críticos como el enrutamiento en estas redes. Recientemente, muchos académicos han trabajado en este desafío en VANET. Han utilizado técnicas de aprendizaje automático para aprender de manera adaptativa e independiente el proceso de enrutamiento en las redes. En este documento, se propone un protocolo de enrutamiento jerárquico basado en Q-learning y lógica difusa (QFHR) para VANETs. Esta técnica de enrutamiento jerárquico consta de tres fases principales: identificación de las condiciones del tráfico, algoritmo de enrutamiento a nivel de intersección y algoritmo de enrutamiento a nivel de carretera. En la primera fase, cada unidad de borde de la carretera (RSU) almacena una tabla de tráfico, que incluye información sobre las condiciones de tráfico relacionadas con cuatro secciones de carretera conectadas a la intersección correspondiente. Luego, las RSUs utilizan un método de enrutamiento basado en Q-learning para descubrir el mejor camino entre diferentes intersecciones. Finalmente, los vehículos en cada sección de carretera utilizan una técnica de enrutamiento basada en lógica difusa para elegir el nodo de retransmisión más destacado. La simulación de QFHR se ha ejecutado en el simulador de red versión 2 (NS2) y sus resultados se han presentado en comparación con IRQ, IV2XQ, QGrid y GPSR en dos escenarios. El primer escenario analiza el resultado basado en la tasa de envío de paquetes (PSR). En este escenario, QFHR mejora la tasa de entrega de paquetes en un 2,74%, 6,67%, 22,35% y 29,98% y reduce la demora en un 16,19%, 22,82%, 34,15% y 59,51%, y disminuye el número de saltos en un 6,74%, 20,09%, 2,68% y 12,22% en comparación con IRQ, IV2XQ, QGrid y GPSR, respectivamente. Sin embargo, aumenta la sobrecarga en aproximadamente un 9,36% y un 11,34% en comparación con IRQ e IV2XQ, respectivamente. Además, el segundo escenario evalúa los resultados con respecto al radio de transmisión de la señal (STR). En este escenario, QFHR aumenta la PDR en un 3,45%, 8%, 23,29% y 26,17% y reduce la demora en un 19,86%, 34,26%, 44,09% y 68,39% y disminuye el número de saltos en un 14,13%, 32,58%, 7,71% y 21,39% en comparación con IRQ, IV2XQ, QGrid y GPSR, respectivamente. Sin embargo, tiene una sobrecarga mayor que IRQ (11,26%) e IV2XQ (25%).
Descripción
Una red vehicular ad hoc (VANET) es el principal elemento del sistema de transporte inteligente (ITS). El propósito del ITS es aumentar la seguridad vial y gestionar el movimiento de los vehículos. El ITS es conocido como uno de los principales componentes de las ciudades inteligentes. Como resultado, existen desafíos críticos como el enrutamiento en estas redes. Recientemente, muchos académicos han trabajado en este desafío en VANET. Han utilizado técnicas de aprendizaje automático para aprender de manera adaptativa e independiente el proceso de enrutamiento en las redes. En este documento, se propone un protocolo de enrutamiento jerárquico basado en Q-learning y lógica difusa (QFHR) para VANETs. Esta técnica de enrutamiento jerárquico consta de tres fases principales: identificación de las condiciones del tráfico, algoritmo de enrutamiento a nivel de intersección y algoritmo de enrutamiento a nivel de carretera. En la primera fase, cada unidad de borde de la carretera (RSU) almacena una tabla de tráfico, que incluye información sobre las condiciones de tráfico relacionadas con cuatro secciones de carretera conectadas a la intersección correspondiente. Luego, las RSUs utilizan un método de enrutamiento basado en Q-learning para descubrir el mejor camino entre diferentes intersecciones. Finalmente, los vehículos en cada sección de carretera utilizan una técnica de enrutamiento basada en lógica difusa para elegir el nodo de retransmisión más destacado. La simulación de QFHR se ha ejecutado en el simulador de red versión 2 (NS2) y sus resultados se han presentado en comparación con IRQ, IV2XQ, QGrid y GPSR en dos escenarios. El primer escenario analiza el resultado basado en la tasa de envío de paquetes (PSR). En este escenario, QFHR mejora la tasa de entrega de paquetes en un 2,74%, 6,67%, 22,35% y 29,98% y reduce la demora en un 16,19%, 22,82%, 34,15% y 59,51%, y disminuye el número de saltos en un 6,74%, 20,09%, 2,68% y 12,22% en comparación con IRQ, IV2XQ, QGrid y GPSR, respectivamente. Sin embargo, aumenta la sobrecarga en aproximadamente un 9,36% y un 11,34% en comparación con IRQ e IV2XQ, respectivamente. Además, el segundo escenario evalúa los resultados con respecto al radio de transmisión de la señal (STR). En este escenario, QFHR aumenta la PDR en un 3,45%, 8%, 23,29% y 26,17% y reduce la demora en un 19,86%, 34,26%, 44,09% y 68,39% y disminuye el número de saltos en un 14,13%, 32,58%, 7,71% y 21,39% en comparación con IRQ, IV2XQ, QGrid y GPSR, respectivamente. Sin embargo, tiene una sobrecarga mayor que IRQ (11,26%) e IV2XQ (25%).