Há uma demanda crescente para a distribuição de grandes quantidades de informações digitais para veículos em movimento. Contudo, as redes celulares amplamente utilizadas atualmente não são suficientes devido à largura de banda limitada em ambientes de veículos densos. Recentemente, Redes veiculares ad hoc (VANETs) têm atraído grande interesse para melhorar as comunicações entre veículos usando tecnologias sem fio sem infraestrutura. IEEE 802.11p é o padrão padrão para fornecer comunicações de veículo a veículo (V2V) em VANETs.

Contudo, existem dois obstáculos técnicos principais para a integração de LTE com IEEE 802.11p. Primeiro, a seleção de nós de gateway deve levar em consideração o desempenho geral da rede do LTE e também do V2V. Segundo, a criação de rotas de um veículo para um gateway é um desafio devido à mobilidade do veículo e à variação da densidade do nó. A mobilidade do veículo e a qualidade do link sem fio entre veículos devem ser cuidadosamente considerados para a seleção de rotas. Para certas horas ou trechos de estrada, veículos são densamente implantados, e, portanto, o número de nós de envio simultâneos é enorme. Em IEEE 802.11p, o aumento no número de nós de envio leva à degradação do desempenho devido a um esquema de contenção baseado em recuo exponencial na camada MAC.

Para resolver esse problema, Celimuge Wu e colegas da University of Electro-Communications, Tóquio, propuseram uma abordagem de cluster de dois níveis, onde os nós principais do cluster no primeiro nível tentam reduzir as contenções da camada MAC para comunicações de veículo a veículo (V2V), e os nós principais do cluster no segundo nível são responsáveis ​​por fornecer uma funcionalidade de gateway entre V2V e LTE.

Um algoritmo baseado em lógica difusa é empregado no agrupamento de primeiro nível, e um algoritmo de Q-learning é usado no agrupamento de segundo nível para ajustar o número de nós de gateway. "Os resultados de simulação extensivos sob várias condições de rede mostram que o protocolo proposto pode alcançar uma melhoria de rendimento de 23% em cenários de alta densidade em comparação com as abordagens existentes, "diz Wu.