王 维

(四川师范大学 信息网络服务中心，成都 610066)

1 引 言

5G的高速、低时延特点推助了车间通信(Vehicle-to Vehicle，V2V)的应用[1].除了对数据传输时延以及可靠性具有苛刻的要求外，V2V的安全应用对车辆的状态更新信息的新鲜度具有一定要求.信息年龄(Age of Information，AoI)是评估信息新鲜度的有效指标.依据美国罗格斯大学的Kaul等[2]对信息年龄(Age of Information，AoI)的定义：对于任意系统，任意时刻的AoI表示目的端接收的最新更新信息自产生后所经过的时间[3].

考虑到V2V的安全应用，从AoI角度实现通信的可靠性是十分必要的.事实上，如果AoI能够预先地可靠地估计，就可提前分配传输功率[4]和资源块(Resource Block，RB)，进而保证通信的可靠性.因此，可将AoI超过预定阈值的概率定义为通信的可靠性.

然而，为了准确地估计未来的AoI，需要掌握网络动态知识，即无线信道、车间干扰以及拓扑变化等信息.最近，研究人员开始关注车载网络的AoI的优化问题[5-7].

由于车载网络动态变化，预先获取网络动态信息存在较大的挑战.基于在线集中式策略实时学习网络动态信息和分配资源是一个可行的办法[8].文献[9]采用了模型预测控制(Model Predictive Control，MPC)策略.在确保系统性能优化的同时，掌握动态系统的信息.然而，MPC需预先得到动态系统的准确数据模型，这在车载网络中无法满足.

基于高斯过程回归(Gaussian Process Regression，GPR)是掌握动态系统信息的有效方法.GPR灵活，且对过度拟合[8]具有健壮性.与高斯混合模型(Gaussian Mixture Model，GMM)不同，GPR是非参数化的贝叶斯学习方法，其不受函数形式的约束[10].

为此，提出基于GPR的动态……