Computación de red vehicular ad-hoc ubicua utilizando red neuronal profunda con agentes de murciélagos basados en IoT para gestión del tráfico
Autores: Kannan, Srihari; Dhiman, Gaurav; Natarajan, Yuvaraj; Sharma, Ashutosh; Mohanty, Sachi Nandan; Soni, Mukesh; Easwaran, Udayakumar; Ghorbani, Hamidreza; Asheralieva, Alia; Gheisari, Mehdi
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Computación de red vehicular ad-hoc ubicua utilizando red neuronal profunda con agentes de murciélagos basados en IoT para gestión del tráfico
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Redes neuronales profundas
Algoritmos de murciélago
Redes vehiculares ad hoc
Internet de las cosas
Congestión de tráfico
Latencia
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 40
Citaciones: Sin citaciones
En este trabajo, las Redes Neuronales Profundas (DNN) con Algoritmos de Murciélagos (BA) ofrecen una forma dinámica de control de tráfico en Redes Adhoc Vehiculares (VANETs). La primera se utiliza para dirigir vehículos a través de rutas altamente congestionadas para mejorar la eficiencia, con una latencia media más baja. La segunda se combina con el Internet de las Cosas (IoT) y se desplaza a través de las VANETs para analizar el estado de congestión del tráfico entre los nodos de la red. El análisis experimental prueba la efectividad de DNN-IoT-BA en varios algoritmos de aprendizaje automático o profundo en VANETs. DNN-IoT-BA se valida a través de varios métricas de red, como la tasa de entrega de paquetes, la latencia y la tasa de error de paquetes. Los resultados de la simulación muestran que el método propuesto proporciona un menor consumo de energía y latencia que los métodos convencionales para soportar condiciones de tráfico en tiempo real.
Descripción
En este trabajo, las Redes Neuronales Profundas (DNN) con Algoritmos de Murciélagos (BA) ofrecen una forma dinámica de control de tráfico en Redes Adhoc Vehiculares (VANETs). La primera se utiliza para dirigir vehículos a través de rutas altamente congestionadas para mejorar la eficiencia, con una latencia media más baja. La segunda se combina con el Internet de las Cosas (IoT) y se desplaza a través de las VANETs para analizar el estado de congestión del tráfico entre los nodos de la red. El análisis experimental prueba la efectividad de DNN-IoT-BA en varios algoritmos de aprendizaje automático o profundo en VANETs. DNN-IoT-BA se valida a través de varios métricas de red, como la tasa de entrega de paquetes, la latencia y la tasa de error de paquetes. Los resultados de la simulación muestran que el método propuesto proporciona un menor consumo de energía y latencia que los métodos convencionales para soportar condiciones de tráfico en tiempo real.