Vehicular crowdsensing is anticipated to become a key catalyst for data-driven optimization in the Intelligent Transportation System (ITS) domain. Yet, the expected growth in massive Machine-type Communication (mMTC) caused by vehicle-to-cloud transmissions will confront the cellular network infrastructure with great capacity-related challenges. A cognitive way for achieving relief without introducing additional physical infrastructure is the application of opportunistic data transfer for delay-tolerant applications. Hereby, the clients schedule their data transmissions in a channel-aware manner in order to avoid retransmissions and interference with other cell users. In this paper, we introduce a novel approach for this type of resourceaware data transfer which brings together supervised learning for network quality prediction with reinforcement learningbased decision making. The performance evaluation is carried out using data-driven network simulation and real world experiments in the public cellular networks of multiple Mobile Network Operators (MNOs) in different scenarios. The proposed transmission scheme significantly outperforms state-of-the-art probabilistic approaches in most scenarios and achieves data rate improvements of up to 181% in uplink and up to 270% in downlink transmission direction in comparison to conventional periodic data transfer.

中文翻译：

---

一种有效的机会主义车辆到云端数据传输的强化学习方法

预计车辆人群感知将成为智能交通系统 (ITS) 领域数据驱动优化的关键催化剂。然而，由车辆到云传输引起的大规模机器类型通信 (mMTC) 的预期增长将使蜂窝网络基础设施面临与容量相关的巨大挑战。在不引入额外物理基础设施的情况下实现救济的一种认知方式是将机会数据传输应用于延迟容忍应用程序。因此，客户端以信道感知方式调度他们的数据传输以避免重传和与其他小区用户的干扰。在本文中，我们为这种类型的资源感知数据传输引入了一种新方法，它将网络质量预测的监督学习与基于强化学习的决策结合起来。性能评估是在多个移动网络运营商 (MNO) 的公共蜂窝网络中在不同场景下使用数据驱动的网络模拟和真实世界实验进行的。与传统的周期性数据传输相比，所提出的传输方案在大多数情况下显着优于最先进的概率方法，并且在上行链路传输方向上实现了高达 181% 的数据速率提升，在下行链路传输方向上实现了高达 270% 的数据速率提升。性能评估是在多个移动网络运营商 (MNO) 的公共蜂窝网络中在不同场景下使用数据驱动的网络模拟和真实世界实验进行的。与传统的周期性数据传输相比，所提出的传输方案在大多数情况下显着优于最先进的概率方法，并且在上行链路传输方向上实现了高达 181% 的数据速率提升，在下行链路传输方向上实现了高达 270% 的数据速率提升。性能评估是在多个移动网络运营商 (MNO) 的公共蜂窝网络中在不同场景下使用数据驱动的网络模拟和真实世界实验进行的。与传统的周期性数据传输相比，所提出的传输方案在大多数情况下显着优于最先进的概率方法，并且在上行链路传输方向上实现了高达 181% 的数据速率提升，在下行链路传输方向上实现了高达 270% 的数据速率提升。