面向高移动性车联网场景的V2X卸载决策算法

摘要

针对V2X场景中计算资源不足、任务卸载不合理导致的高时延和能耗问题，提出一种在车辆与其他通信设备(vehicle-to-everything, V2X)场景中多节点协同并行计算的分布式卸载策略。设计了一个云-边-端-车的4层卸载架构，结合长短期记忆(long short-term memory, LSTM)网络与卡尔曼滤波构建车辆位置预测模型，为任务车辆提供可卸载的协同节点，使用改进的Q-learning算法实现资源的最优分配。通过对比多种卸载方案的数据表明，所提算法任务卸载的时延与能耗的加权和降低了约11.4%。

关键词

车联网 / 边缘计算卸载 / 位置预测 / 长短期记忆(LSTM)网络 / 卡尔曼滤波 / 强化学习