🚗 SeminarpQoSand_V2X

English | Deutsch

English 🇬🇧

📖 Project Description

This project explores predictive Quality of Service (pQoS) for Autonomous Systems, focusing on Vehicle-to-Everything (V2X) communication. The goal is to analyze and predict network performance to enhance the reliability and safety of autonomous vehicles.

📥 Dataset

To access the dataset, you need to download the Berlin dataset packages from this link. This dataset provides the necessary V2X communication data for analysis and model training.

🏗️ Architecture

📁 Project Structure

Preprocess_v2x.ipynb/

Scripts for the initial processing of data, including data cleaning, implementing new features and creating V2X communication datasets for machine learning models.

pQoS_ML_PDR_and_*.ipynb/

Machine learning model implementations for predictive QoS evaluation, focusing on PDR and Throughput metrics.

🛠️ Installation Instructions

1. Clone the repository: bash git clone https://github.com/Debanil1986/Seminar_pQoS_and_V2X.git cd TestQoS

2. Create and activate a virtual environment: bash python3 -m venv venv source venv/bin/activate

📦 Dependencies

• Python >= 3.10, < 3.13
• pandas, numpy, pycaret
• matplotlib, scikit-learn

Deutsch 🇩🇪

📖 Projektbeschreibung

Dieses Projekt untersucht prädiktive Dienstqualität (pQoS) für autonome Systeme mit Fokus auf Vehicle-to-Everything (V2X) Kommunikation. Ziel ist es, die Netzwerkleistung zu analysieren und vorherzusagen, um die Zuverlässigkeit und Sicherheit autonomer Fahrzeuge zu verbessern.

📥 Datensatz

Um auf den Datensatz zuzugreifen, müssen Sie die Berliner Datensatzpakete von diesem link herunterladen. Dieser Datensatz enthält die notwendigen V2X-Kommunikationsdaten für die Analyse und das Modelltraining.

🏗️ Architektur

📁 Projektstruktur

Preprocess_v2x.ipynb/

Skripte zur Datenvorverarbeitung, einschließlich Datenbereinigung, Implementierung neuer Features und Erstellung von V2X-Kommunikationsdatensätzen für Machine-Learning-Modelle.

pQoS_ML_PDR_and_*.ipynb/

Machine-Learning-Modellimplementierungen für prädiktive QoS-Auswertung, mit Fokus auf PDR- und Durchsatz-Metriken.

🛠️ Installationsanleitung

1. Repository klonen: bash git clone https://github.com/Debanil1986/Seminar_pQoS_and_V2X.git cd TestQoS

2. Virtuelle Umgebung erstellen und aktivieren: bash python3 -m venv venv source venv/bin/activate

📦 Abhängigkeiten

• Python >= 3.10, < 3.13
• pandas, numpy, pycaret
• matplotlib, scikit-learn

📜 Code of Conduct

We are committed to providing a welcoming and inclusive environment. All participants must:

• Be respectful and inclusive
• Exercise consideration in speech and actions
• Refrain from discriminatory behavior
• Report issues to project maintainers
• Follow professional standards

🚫 Unacceptable Behavior

• Harassment or discrimination
• Harmful language or imagery
• Personal or political attacks
• Public or private harassment
• Other unethical conduct

Violations may result in temporary or permanent restrictions.

📜 Verhaltenskodex

Wir setzen uns für eine einladende und integrative Umgebung ein. Alle Teilnehmer müssen:

• Respektvoll und inklusiv sein
• Rücksichtsvoll in Wort und Tat sein
• Diskriminierendes Verhalten unterlassen
• Probleme an Projektbetreuer melden
• Professionelle Standards einhalten

🚫 Inakzeptables Verhalten

• Belästigung oder Diskriminierung
• Verletzende Sprache oder Bilder
• Persönliche oder politische Angriffe
• Öffentliche oder private Belästigung
• Anderes unethisches Verhalten

📚 Detailed Code of Conduct

For our complete Code of Conduct, please see CODEOFCONDUCT.md

📚 Ausführlicher Verhaltenskodex

Für unseren vollständigen Verhaltenskodex, siehe CODEOFCONDUCT.md