Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Vehicle-to-Everything (V2X) Datasets for Machine Learning-Based Predictive Quality of Service

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F23%3APU149308" target="_blank" >RIV/00216305:26220/23:PU149308 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://ieeexplore.ieee.org/abstract/document/10268872" target="_blank" >https://ieeexplore.ieee.org/abstract/document/10268872</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/MCOM.004.2200723" target="_blank" >10.1109/MCOM.004.2200723</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Vehicle-to-Everything (V2X) Datasets for Machine Learning-Based Predictive Quality of Service

  • Popis výsledku v původním jazyce

    We present two datasets for Machine Learning (ML)-based Predictive Quality of Service (PQoS) comprising Vehicle-to-Infrastructure (V2I) and Vehicle-to-Vehicle (V2V) radio channel measurements. As V2V and V2I are both indispensable elements for providing connectivity in Intelligent Transport Systems (ITS), we argue that a combination of the two datasets enables the study of Vehicle-to-Everything (V2X) connectivity in its entire complexity. We describe in detail our methodologies for performing V2V and V2I measurement campaigns, and we provide illustrative examples on the use of the collected data. Specifically, we showcase the application of approximate Bayesian Methods using the two presented datasets to portray illustrative use cases of uncertainty-aware Quality of Service and Channel State Information forecasting. Finally, we discuss novel exploratory research direction building upon our work. The V2I and V2V datasets are available on IEEE Dataport, and the code utilized in our numerical experiments is publicly accessible via CodeOcean.

  • Název v anglickém jazyce

    Vehicle-to-Everything (V2X) Datasets for Machine Learning-Based Predictive Quality of Service

  • Popis výsledku anglicky

    We present two datasets for Machine Learning (ML)-based Predictive Quality of Service (PQoS) comprising Vehicle-to-Infrastructure (V2I) and Vehicle-to-Vehicle (V2V) radio channel measurements. As V2V and V2I are both indispensable elements for providing connectivity in Intelligent Transport Systems (ITS), we argue that a combination of the two datasets enables the study of Vehicle-to-Everything (V2X) connectivity in its entire complexity. We describe in detail our methodologies for performing V2V and V2I measurement campaigns, and we provide illustrative examples on the use of the collected data. Specifically, we showcase the application of approximate Bayesian Methods using the two presented datasets to portray illustrative use cases of uncertainty-aware Quality of Service and Channel State Information forecasting. Finally, we discuss novel exploratory research direction building upon our work. The V2I and V2V datasets are available on IEEE Dataport, and the code utilized in our numerical experiments is publicly accessible via CodeOcean.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20200 - Electrical engineering, Electronic engineering, Information engineering

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    IEEE COMMUNICATIONS MAGAZINE

  • ISSN

    0163-6804

  • e-ISSN

    1558-1896

  • Svazek periodika

    61

  • Číslo periodika v rámci svazku

    9

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    7

  • Strana od-do

    106-112

  • Kód UT WoS článku

    001080991100009

  • EID výsledku v databázi Scopus