[论文笔记]Trajectory Data Driven V2V/V2I Mode Switching and Bandwidth Allocation for Vehicle Networks

车辆的高机动性给车辆网络中高效可靠的通信带来挑战，其中的关键是如何实时处理大量的信道反馈信息以及如何更好地进行资源分配。本文提出一种利用轨迹数据的资源分配方法，其特点为减少CSI信息的反馈量并使V2VI协同工作。使用DNN和轨迹数据对V2V/I的模式进行训练。

概要：

本文主要研究车车通信中，是直接V2V，还是用BS做中继进行V2I更好点。带宽分配需要知道V2VI各自的链路数，而选用V2V传递还是V2I传递是根据信道状态确定的，这就要用到CSI（信道状态信息），但是CSI太详细导致开销过大，不详细导致对高时变信道的掌握不准确。这里将CSI的一个难以估计的内容省去，把一些和信道信息相关的数据扔到DNN中，提取特征，用来弥补省去的那个CSI内容。

本文以最大化BS覆盖范围内所有UE的V2V和V2I的联合的传输速率为优化目标，通过将信道容量分配给不同链路实现之。

CODE;B

---

结论

通过V2VI的智能切换和带宽分配，有效提升了车辆网络性能。与现有工作不同，每辆车的通信方式可以由BS自适应的调整。通过对车辆轨迹数据的学习可大大降低CSI信息的开销。

介绍

ITS系统的发展让车辆通信获得了更多关注，如何管理V2VI链路并分配资源就是其中的关键问题。

因为车辆网络快速事变，获得及时且精确的CSI（信道状态信息）变得很困难，因此在考虑资源分配的时候，CSI反馈机制应该着重考虑。

现有的资源分配方法根据CSI反馈的种类可分为：周期性CSI、无CSI、全CSI三种。其中基于周期性CSI的研究最多，但是其缺点为当网络快速时变时，CSI数据将不准确；无CSI的方法通常要结合定位信息进行，其缺点为频谱利用率不高并且不能适应时变信道；全CSI的方法的且电视开销太大了。

此外，现有的研究很多都没有将V2VI协同考虑在内，因此这里的目标为在减少CSI反馈的前提下，通过资源管理和V2VI切换的手段提高频谱效率。本文的主要贡献如下：

• 基于信道状态和道路网络结构，通过从车辆的位置信息中回复部分不可用的CSI有效降低了CSI反馈的开销
• 使用轨迹数据确定V2VI的协同方式，在部分CSI信息的情况下进行资源分配

系统模型和问题陈述

系统模型

用K表示一个BS覆盖范围内的所有通信对，k号Tx(发射端)和k号Rs（接收端）就组成了k号通信对，需要注意的是这里通信的对象是两个车。每个Tx可选择通过V2V或V2I与RX通信，BS了解车辆的通信请求并确定使用V还是I进行通信。在V2I模式中，BS作为中继节点，首先从Tx解码接收到的数据，再将其转发到相应的Rx。使用b_k作flag表示所选择的模式，b_k=1表示使用V2I模式，=0则为V2V模式。

对于V2I模式，若BS的所有上行资源都被k号通信对使用，则Tx到BS的上行比特率为

其中B_u表示BS的上行频带带宽，p表示Tx的发射功率，h表示信道增益，\sigma表示BS的噪声功率。

类似地，BS与Rx的下行比特率为：

此外，用x_k和y_k表示分配给k号通信对的下行和上行的占比，相关的限制条件如下所示：

V2I的有效比特率为

对于V2V模式，假设所有接收端采用单用户检测，并且将交联干扰视作背景噪声。这里注意在V2I中没考虑交联干扰，因为假设V2V链路采用与BS正交的资源，且仅以一个BS覆盖范围内的链路作研究对象。k号V2V通信对的传输速率为：

 （5）

问题陈述

对数效用可以在公平和效率之间取得平衡，是资源管理中被广泛采用的指标。这里使用对数函数来量化k号通信对的效用：

将所有通信对的效用最大化表述成如下优化问题：

通过求解(7)，可以得到一种V2VI切换和带宽分配的方法。但是，由于以下两个原因，求解该问题非常有挑战性：1.首先是需要四组信道反馈信息，如和，通常情况下，交互V2V信道信息是无法直接得到的，因为在Tx i和Rx k之间并没有通信的链路。即使所有上述信息都讷讷感得到，那么开销也非常大。2.式(7)是非凸的，因此解起来也比较费时间。

问题的解法（智能V2VI切换和带宽分配方法）

许多ITS中，车辆用户会定期报告他们的轨迹数据，由于车辆的无线信道条件是由道路的几何特征进行统计结构化的，因此我们采用基于车辆轨迹数据的机器学习方法解决(7)。这里使用基于DNN的部分CSI反馈的方法，流程如图1所示，包括离线训练和在线决策两个阶段。

最优带宽分配

这部分在固定(7)中的flag b的前提下进行。此时V2V链路的总效用为常数。用K'表示V2I模式的通信对，其数量为。此时(7)被简化为如下带宽分配的问题：

其中，目标函数中的常数部分在这里进行了省略。

通过KKT条件可以解决问题(8)，这里给出了解：

其中的由下式决定：

但是(10)式在|K'|大时很难获得闭合解，然后，由于(10)的左边是一个的单调减函数，因此可以使用一个简单但有效的对分发计算。此时再结合(4)式，可以通过得到y_k。

通过上述过程，可以在确定通信对V2VI模式的前提下，为每个V2I链路分配最优带宽资源。

 离线训练数据生成

车辆轨迹数据中包含时间和空间信息，因此我们可以通过获取网络拓扑结构的snapshots来估计相应的无线信道状态。具体来说，在离线训练阶段，假设和今收到大尺度衰落的影响，而大尺度衰落是由于发射机和接收机之间的距离造成的。通常情况下，通信在邻车之间发生，对每个轨迹snapshot，首先将相邻车辆分到通信对中，然后根据他们的地理位置估计CSI。

基于CSI，确定V2VI模式和带宽分配。其中带宽分配在上一节得到解决，这里可以通过便利b的所有可能性，知道得到最优的V2IV模式和带宽分配。虽然上述方法不能实时运行，但是因为训练数据是离线生成的，因此可以预先进行训练，并不影响算法的有效性。

基于(7)的最优解，本文建立了一个带label的训练数据集，具体来说，本文通过移除呼V2V信道状态减少反馈的开销。因此，作为数据集的特征而被收集，并用字母X表示。相对应的V2VI模式用label，用Y表示。从snapshots收集足够多的样本后，用训练集训练DNN。

DNN结构设计和离线训练

直观地，对于部分信道反馈造成的信息损失，使用与信道密切相关的道路网络特征进行补偿。根据特征X，观察到他们的均值反映了车与车、车与BS之间的平均距离，他们的方差反映了车辆的分布特征。此外，通信对的数量表明了潜在通信链路的密度。因此将以上10个要素作为训练特征（包括X也算特征），涉及DNN模型。如图2所示，由一个输入层、五个隐藏层、一个输出层组成，输出层分别表示选择V2I还是V2V模式，基于上节定义的训练集D，使用交叉熵损失对DNN进行训练，使用MBGD（批量梯度下降）进行更新。此方法确定V2V/I模式可减少信道反馈的开销，缩短决策时间，此外对NN的训练不占用决策的时间，训练好的模型还可多次使用

在线决策

此时已经有了训练好的NN，将所考虑的区域内的部分SCI和BS得到的车辆通信请求的数量送给NN。实时获得车辆通信对的V2V/I模式，需要注意的是着里的CSI是车辆测得的而训练时得到的CSI是从轨迹数据中估算出来的。轨迹数据不适用于在线决策的原因是，轨迹数据的报告周期比无线资源分配周期长。确定V2VI模式后，使用前述的带宽分配方案即可。

通过移除呼V2V信道反馈，实时反馈信息的总数从|K|(|K|+2)减少到3|K|。对于本文方法的复杂性的分析如下：若采用图2的DNN模型，其复杂度为，相比之下若采用全通道反馈的穷举法，复杂度为M*2|K|。

性能评估

仿真设置

 在上海选取了一个800*800m的区域，内含四条主要街道。使用交通部门提供的真实GPS数据来获取车辆轨迹数据。基站位于区域中心，其他信道参数如下

参量	数值
V2V可用带宽	10MHz
V2I下行可用带宽	20MHz
V2I上行可用带宽	20MHz
发射功率	23dBm
噪声功率	-114dBm

性能评估

设置了两个对照组：1.利用全CSI的穷举法得到的上街；2.Baseline：采用类似文献[1~4]的上行频谱共享机制，即V2V链路共享V2I链路的上行频谱，但车辆用户的V2VI模式可以自适应的改变。

图3显示了随时间的平均效用（在每辆车上平均）的变化，可见本文提出方法优于baseline，在大多数情况下与上限差距较小。

图4显示了总用户效用随车辆通信对数量的变化，随着车辆对的增加，本文方法的总效用为最佳性能的96.23%，而baseline只有90.65%。