基于图卷积网络的大规模车载网络时空建模
信号处理
2021-03-16 v1 人工智能
摘要
互联车载网络的有效部署取决于在空间和时域上维持期望的性能。本文提出一种称为SMART的基于图的框架，用于建模并跟踪大地理区域内车到基础设施（V2I）通信时延的时空统计特性。SMART首先将车载网络的时空性能表述为一个图，其中每个顶点对应于由一组具有相似V2I时延统计特征邻近位置点组成的子区域，每条边表示两个相连顶点的时延统计之间的空间相关性。受完整时空时延性能可由有限数量的顶点和边关系重构这一观察的启发，我们开发了一种基于图重构的方法，使用集成深度Q网络算法的图卷积网络来捕获大规模车载网络时延性能特征图的时空统计。基于某商用LTE网络为期五个月的时延测量研究进行了大量仿真。结果表明，所提方法可显著提升大规模车载网络时延性能建模与重构的准确率和效率。
引用
@article{arxiv.2103.07636,
title = {Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks},
author = {Juntong Liu and Yong Xiao and Yingyu Li and Guangming Shiyz and Walid Saad and H. Vincent Poor},
journal= {arXiv preprint arXiv:2103.07636},
year = {2021}
}
备注
6 pages, 5 figures, conference paper