一种结合优化感知注意力的自适应多级图表示方法，用于提升5G V2X网络中单元关联的稳定性

《Scientific Reports》：Adaptive multi-level graph representation with optimization-aware attention for robust cell association in 5G V2X networks

　　

摘要

在第五代（5G）车联网系统中，由于拓扑结构变化迅速、部署环境多样且对延迟要求严格，高效的蜂窝单元关联仍然是一个重要挑战。传统的基于学习的方法往往依赖浅层表示或独立的优化策略，这限制了它们在密集且高度动态的环境中的适应能力。为了解决这些问题，本研究提出了一种多级图表示框架，该框架能够在分层空间结构中模拟车辆与基站之间的交互。所提出的方法结合了上下文节点嵌入与注意力驱动的图学习技术，以捕捉移动模式、信号特征以及网络负载的相关性。此外，还引入了训练阶段的优化机制来调整注意力参数，从而在不增加推理复杂度的情况下提升收敛性能。该框架通过真实的车辆移动数据集进行了测试，与现有的深度学习和基于图的方法相比，在单元关联稳定性、切换可靠性以及整体网络性能方面均展现出显著提升。实验结果显示，其准确率为94.17%，F1分数为93.93%，表明在动态条件下决策的稳健性得到了增强。尽管验证是在城市数据集上进行的，但所提出的架构为下一代智能交通系统中的自适应蜂窝单元选择提供了可扩展的基础。