面向即将到来的 5G 网络中作为移动传感器的汽车的高效机器类通信：基于多度量上下文感知

即将到来的基于 5G 的通信网络将面临与海量部署的静态和移动物联网（IoT）系统相关的传输传感器数据量的巨大增长。作为移动传感器的汽车将成为基于云的应用（如预测性维护和动态交通预测）的重要数据源。由于可用通信资源的限制，预计机器类通信（MTC）的增长将与人对人（H2H）通信产生严重干扰。因此，亟需更高效的传输方法。在本文中，我们提出了一种用于车辆传感器数据高效传输的概率方案，该方案利用有利的信道条件，并在预期传输高度消耗资源时避免传输。所提方案的多种变体在全面的真实世界实验中得到了评估。通过基于机器学习对多个上下文度量进行组合，与常规周期性传输相比，所提方案能够为具有软截止期要求的传感器应用实现高达 164% 的平均数据速率提升。