دانلود رایگان مقالات اسپرینگر - springerدانلود رایگان مقالات ژورنالی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات سال 2018دانلود رایگان مقاله ISI شبکه های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI کلان داده یا بیگ دیتا به زبان انگلیسیدانلود رایگان مقاله ISI مدیریت سیستم های اطلاعات به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی فناوری اطلاعات به زبان انگلیسی سال 2022 و 2023سال انتشار

مقاله انگلیسی رایگان در مورد تحلیل ویژگی های شبکه وسیله نقلیه به کمک کلان داده و طراحی مدل های تحرک – اسپرینگر ۲۰۱۸

 

مشخصات مقاله
ترجمه عنوان مقاله تجزیه و تحلیل ویژگی های شبکه وسیله نقلیه به کمک کلان داده و طراحی مدل های تحرک
عنوان انگلیسی مقاله Big Data Aided Vehicular Network Feature Analysis and Mobility Models Design
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۹ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه اسپرینگر
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journal List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۲٫۸۵۰ در سال ۲۰۱۸
شاخص H_index ۷۹ در سال ۲۰۱۹
شاخص SJR ۰٫۴۲۶ در سال ۲۰۱۸
شناسه ISSN ۱۵۷۲-۸۱۵۳
شاخص Quartile (چارک) Q2 در سال ۲۰۱۸
رشته های مرتبط مهندسی فناوری اطلاعات
گرایش های مرتبط شبکه های کامپیوتری، مدیریت سیستم های اطلاعاتی
نوع ارائه مقاله
ژورنال
مجله  شبکه های موبایل و برنامه های کاربردی – Mobile Networks and Applications
دانشگاه Department of Electronic Engineering, Tsinghua University, China Transport Telecommunications and Information Center, Beijing, 100084, China
کلمات کلیدی کلان داده، شبکه وسیله نقلیه، شبکه پیچیده، مدل های تحرک
کلمات کلیدی انگلیسی Big data، Vehicular network، Complex network، Mobility models
شناسه دیجیتال – doi
https://doi.org/10.1007/s11036-017-0981-z
کد محصول E11262
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

۱- Introduction

۲- State-of-the-art

۳- Complex Network Feature Verification

۴- System Model

۵- Scheme Comparison

۶- Conclusion

References

 

بخشی از متن مقاله:

Abstract

Vehicular networks play a pivotal role in intelligent transportation system (ITS) and smart city (SC) construction, especially with the coming of 5G. Mobility models are crucial parts of vehicular network, especially for routing policy evaluation as well as traffic flow management. The big data aided vehicle mobility analysis and design attract researchers a lot with the acceleration of big data technology. Besides, complex network theory reveals the intrinsic temporal and spatial characteristics, considering the dynamic feature of vehicular network. In the following content, a big GPS dataset in Beijing, and its complex features verification are introduced. Some novel vehicle and location collaborative mobility schemes are proposed relying on the GPS dataset. We evaluate their performance in terms of complex features, such as duration distribution, interval time distribution and temporal and spatial characteristics. This paper elaborates upon mobility design and graph analysis of vehicular networks.

Introduction

Nowadays, large population and heavy traffic in urban areas lead to traffic congestion and automobile exhaust, reducing people’s travel experience by a large scale [1]. To address these issue, many schemes have been proposed, and vehicular networks are one of them [2]. Furthermore, vehicular networks also play a pivotal role in intelligent transportation system (ITS) and smart city (SC) construction [3], which means a lot in terms of traffic flow management [4], urban planing [5], location based recommendation service [6], etc. The arrival of 5G era provide vast potential for future development for vehicular network. In other words, there will be a greater bandwidth, higher carrier frequency, extreme base station and device densities [7, 8]. Therefore, how to design and optimize vehicular networks has been concerned by many scholars and researchers. Mobility models are of great importance to vehicular network with the consideration that vehicular network is dynamic [9]. Actually, mobility models determine its spatial and temporal characteristics of the network topology. Hence, a practical mobility model is important for assessing relevant algorithms and systems, especially for routing policy evaluation as well as traffic flow management [10]. An inappropriate mobility model may even lead to erroneous conclusions [11]. In fact, we give the way of combining the two classical mobility model construction methods. The classic mobility model is based on math, such as RWP. Pure data driven approach does not have a certain of universality. Our method aims to combine the two methods.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا