View article

As redes veiculares (VANETs) possibilitam aplicações inteligentes em cenários de mobilidade urbana. No entanto, o tempo de comunicação (tempo de vida do enlace—TVE) entre os nós é geralmente curto devido ao dinamismo dos cenários móveis veiculares, o que pode afetar aplicações e processos em VANETs, como o offloading computacional. Assim, é fundamental obter uma boa estimativa do TVE entre os veículos para melhorar a decisão de quando e para qual dispositivo fazer offloading. Este trabalho investiga diferentes algoritmos de aprendizado de máquina (do inglês, Machine Learning-ML) para avaliar a viabilidade de prever o TVE em cenários Rodoviários e Urbanos. Vários modelos de ML foram treinados e os resultados mostram que as técnicas de ML baseadas em SVR (Support Vector Regression) são efetivas, chegando a reduzir a taxa de perda de tarefas em 5% no processo de offloading computacional.