基于多属性拍卖的车辆元宇宙孪生迁移资源分配：一种基于GPT的深度强化学习方法

车辆元宇宙旨在通过联网车辆和路边基础设施（如路侧单元RSU）提供沉浸式安全体验，以增强现代汽车工业。为了实现与虚拟空间的无缝同步，车辆孪生（VT）被构建为物理实体的数字表示。然而，资源密集型的VT更新和车辆的高机动性需要大量的计算、通信和存储资源，尤其是在覆盖范围有限的RSU之间进行迁移时。为解决这些问题，我们提出了一种属性感知的拍卖机制，通过考虑价格和非货币属性（如位置和声誉）来优化VT迁移过程中的资源分配。在该机制中，我们提出了一种用于多属性资源市场中车辆用户和元宇宙服务提供商的两阶段匹配方法。首先，资源属性匹配算法获得资源属性的完美匹配，即买家和卖家可以参与双重荷兰式拍卖（DDA）。然后，我们使用基于生成式预训练Transformer（GPT）的深度强化学习（DRL）算法训练一个DDA拍卖师，以在拍卖过程中高效调整拍卖时钟。我们在不同设置下，将社会福利和拍卖信息交换成本的性能与现有最先进的基线进行了比较。仿真结果表明，我们提出的基于GPT的DRL拍卖方案性能优于其他方案。