Modèle d’Apprentissage par Renforcement pour le Routage des Données dans l’Internet des Véhicules

Abstract

Cette thèse propose une approche innovante pour optimiser le routage dans les réseaux Internet of Vehicles (IoV) en intégrant l’apprentissage par renforcement, et plus précisément le Q-learning, afin d’améliorer la stabilité des connexions entre les véhicules. L’objectif principal est de réduire les handovers inutiles qui affectent négati vement la Qualité de Service (QoS) dans des environnements dynamiques. Après une étude approfondie des architectures IoV et des limitations des protocoles existants, une amélioration du protocole DSRC/C-V2X est introduite. Le modèle développé anticipe intelligemment les décisions de handover en fonction des conditions du réseau, minimi sant ainsi les basculements fréquents de protocole. Les performances du système ont été évaluées à travers des simulations réalistes. Les résultats montrent une précision de 97,50%, un rappel de 97,55%, et un F1-score de 97,23%, indiquant une grande fiabilité du modèle. La stabilité du processus d’apprentissage est confirmée par une perte de 0,0250 et une récompense cumulée de 160255340. Enfin, les tests démontrent une ré duction significative des handovers inutiles (732 au total, dont 355 sont des ping-pong handovers), une latence moyenne de 6,34 ms, et un PDR moyen de 0,922, surpassant les méthodes traditionnelles basées sur des seuils fixes. Ces résultats soulignent l’efficacité de l’approche proposée pour améliorer la QoS dans les réseaux IoV