Caracterização e análise de sensibilidade dos modelos de mobilidade veicular utilizando quantificadores de teoria da informação.

Abstract

Novas propostas de aplicações e protocolos para redes veiculares surgem todos os dias. É crucial avaliar, testar e validar estas propostas em larga escala antes de implantá-las no mundo real. Simulação ´e o método preferido pelos pesquisadores para avaliar suas propostas por permitir avaliações em larga escala e com baixo custo. É conhecido que, em simuladores para redes veiculares, modelos de mobilidade realistas são um requisito para produzir avaliações confiáveis. Porém, os modelos de mobilidade atuais são baseados em modelos aleatórios, normalmente o Random Waypoint, e eles não representam a mobilidade veicular real quando consideramos a variação de velocidade como elemento a ser avaliado. Neste trabalho apresentamos a caracterização global, por dia da semana e por hora do dia, do comportamento veicular utilizando informações de velocidades coletadas em diferentes cenários reais. Para realizar esta caracterização utilizamos a metodologia de Bandt-Pompe aplicada às séries temporais produzidas a partir das velocidades dos veículos. Em seguida, o histograma de probabilidade é atribuído aos seguintes quantificadores de Teoria da Informação: Entropia de Shannon, Complexidade Estatística e Medida de Informação de Fisher. Os resultados mostram que as velocidades veiculares possuem comportamento similar ao ruído colorido com espectro de potência f−k para k ≥ 0. Adicionalmente, utilizando a mesma metodologia, verificamos a fidelidade dos modelos de mobilidade usados nos principais simuladores de redes veiculares. A avaliação revelou que o modelo de Krauss é o modelo que mais se aproxima do comportamento veicular observado nos cenários reais. Em seguida, fizemos a análise de sensibilidade dos parâmetros do modelo de Krauss com o objetivo de identificar os parâmetros que mais influenciam para produzir comportamento correlacionado com o ruído colorido. Observamos que o parâmetro sigma, que utiliza o ruído branco (ruído branco, f−k para k = 0) para modelar o comportamento do motorista, é o que mais influencia no comportamento veicular. Assim, o parâmetro sigma precisa ser modificado para utilizar o ruído colorido f−k para k variando entre 0 < k ≤ 3.