基于图神经网络和深度强化学习的 V2X 通信资源分配
机器学习
2025-06-17 v2 网络与互联网体系结构
摘要
在快速演变的车联网（IoV）技术领域，细胞车辆到万物（C-V2X）通信因其在覆盖范围、延迟和吞吐量方面的优越性能而引起了广泛关注。C-V2X中的资源分配对于确保安全信息传输以及满足车辆到车辆（V2V）通信中严格的超低延迟和高可靠性要求至关重要。本文提出一种方法，将图神经网络（GNN）与深度强化学习（DRL）集成以解决这一挑战。通过将通信链路构建为节点并采用图采样和聚合（GraphSAGE）模型适应图结构的变化，该模型旨在确保 V2V 通信的高成功率，同时最小化对车辆到基础设施（V2I）链路的干扰，从而确保 V2V 链路信息的成功传输并维持 V2I 链路的高传输速率。该方法保留了 GNN 的全局特征学习能力，支持分布式网络部署，允许车辆基于局部观察从图网络中提取包含结构信息的低维特征，并作出独立的资源分配决策。仿真结果表明，引入 GNN 虽增加了一定的计算负担，但有效提升了智能体的决策质量，显示出对其他方法的优势。这一研究不仅为 V2V 和 V2I 通信提供了高效的资源分配策略，也为实际 IoV 环境中的资源管理铺平了一条新的技术道路。
引用
@article{arxiv.2407.06518,
title = {Graph Neural Networks and Deep Reinforcement Learning Based Resource Allocation for V2X Communications},
author = {Maoxin Ji and Qiong Wu and Pingyi Fan and Nan Cheng and Wen Chen and Jiangzhou Wang and Khaled B. Letaief},
journal= {arXiv preprint arXiv:2407.06518},
year = {2025}
}
备注
15 pages, 11 figures. This paper has been accepted by IEEE Internet of Things Journal. The source code has been released at: https://github.com/qiongwu86/GNN-and-DRL-Based-Resource-Allocation-for-V2X-Communications