Jan, 2024

城市车辆网络中多目标最优路侧单元部署

PDF
TL;DR提出了两个多目标优化算法以解决城市车辆网络中路侧单元 (RSU) 部署的难题，结果表明这些方法在高密度和低密度城市场景中均表现出更好的性能，从而大大提高了车辆网络的效率。
transportation efficiencysafetycommunication servicesroadside unit (rsu) deploymentmulti-objective optimization algorithms
发现论文，激发创造
  • 可重构智能表面增强车联网通信：联合用户调度和被动波束成形

    本文提出了一种通过利用可重构智能表面技术与车联网集成来增强车辆通信的方法，旨在解决车联网中出现的连接性问题。该方法采用离散型可重构智能表面作为中继，在交通中断区域提供无线传输。深度强化学习与块坐标下降算法用于解决资源调度和相位位移矩阵的问题，并实验验证了该方法的优越性。

    Jan, 2021

  • 车联网中的非正交年龄最优信息传播：一个基于元多目标强化学习的方法

    本文研究了在车辆网络中如何通过最小化信息时代和发送功率消耗来提供及时更新，采用非正交多模式信息传播方法，利用混合深度 Q 网络和深度确定性策略梯度模型解决多目标优化问题，并提出了一个两阶段元多目标强化学习解决方案来估计 Pareto 前沿。

    Feb, 2024

  • 车联网中基于时延优化的信息动态单播 - 多播调度

    该论文研究了如何通过使用深度强化学习等方法，优化决策，减少信息年龄和传输功率，实现在路边单元（RSU）向车辆提供物理过程的及时更新的车辆网络中，并通过仿真结果展示了 AoI 和功耗之间的有趣的权衡关系。

    Sep, 2022

  • FedRSU: 基于路边单位的场景流估计的联合学习

    FedRSU 是一种创新的联邦学习框架，用于自监督场景流估计，它能够整合大量的 Roadside unit 数据，并在 ITS 中显著提高模型性能和联邦学习场景下的综合基准。

    Jan, 2024

  • 智能汽车网络中基于信息时代的无线资源管理：一种主动的深度强化学习视角

    本文研究了在曼哈顿网格车辆间通信网络中，基于信息年龄感知的无线电资源管理问题，通过马尔可夫决策过程的方法，使用长短时记忆模型和深度强化学习技术提出了一种去中心化的策略，实现每个车辆用户设备 - 对之间的最优消耗和信息更新。实证分析表明，所提出的算法能够显著地提高性能。

    Aug, 2019

  • 基于强化学习的智能交通系统的无线资源管理和路径规划以实现环境可持续性

    通过基于 C-V2X 通信的路径规划，利用较低 AoI 值的 V2I 信息来减少道路估计误差，提高路径规划性能。

    May, 2024

  • 信息采集车辆路径问题：应对紧急风暴响应的随机优化

    本文提出了一种具有信息收集和信念建模能力的随机车辆路径问题的解决方案，该方案可以使用电话来创建有关停电的信仰，并使用实用车辆作为收集其他信息的机制。并使用蒙特卡罗树搜索 (MCTS) 来生成实际策略。实验结果表明，该策略比标准行业启发式方法更快地恢复了电网。

    May, 2016

  • 基于道路网络的大规模实时拼车服务和服务保障

    本文介绍了在道路网络上提供实时拼车服务，并保证等待时间和服务时限的大规模实时拼车问题。作者提出了分支限界算法和整数规划算法，并且提出了一种更适应动态请求的动态调度算法，从而在上海出租车数据集上进行实验，并证明了此算法比其他算法响应时间更快。

    Feb, 2013

  • 拼车中人类满意度作为最终目标

    研究表明，当寻求最佳的车辆乘客分配和路线确定时，用户满意度应该是主要目标之一，因此发展了一种实用算法来提高用户满意度，并优于具有更简单满意度模型的最优化分配算法。

    Jul, 2018

  • 多目标优化在交通网络设计问题中的作用

    通过基于遗传算法的多目标和单目标方法，以及公共交通系统中自动收费数据为基础，设计一种能够动态适应城市交通变化、减少线路数量和改善乘客通勤体验的交通网络设计问题优化方案。

    Jan, 2022