0　引言

车联网在智能交通系统[1]中应用广泛，例如，在车联网中通过路边单元实时发送交通数据给地面车辆，从而提高城市交通的安全性[2]。然而，在智能交通系统中实时共享高质量实况交通数据仍是一项有待商榷的问题，当有紧急事故发生时车辆无法了解情况可能会造成更加严重的后果。为此，本文提出了车联网中基于单频网络(Single Frequency Network, SFN)技术[3]的交通信息传输方案。

SFN技术可以同时同频地将数据发送给车辆，有节省频谱资源、信号覆盖范围广等优点，近年来SFN技术发展得如火如荼，为车联网中数据传输提供了契机。目前关于SFN多播资源分配的文献，大多是考虑的静态用户。在文献[4]中，作者提出了基于功率的非正交复用技术，采用SFN技术将数据多播给中心单元用户，实现了地面移动宽带和电视广播系统的融合，从而提高频谱利用率；在文献[5]中，作者对静态用户进行分组，提出一种能够找到接近最优解的算法，从而提高了系统效用；在文献[6]中，作者对静态用户分组，并考虑了视频版本不同对用户观看视频体验的影响，提出了联合优化SFN集群形成、用户分组、视频资源分配和比特率选择的方案，以实现最大化用户的体验质量(Quality of Experience, QoE)；在文献[7]中，作者设计了360°视频直播场景，提出了VRCast方案，从而提高了用户接收视频的质量，并实现了用户之间的公平性。但上述文献中都是基于用户的瞬时状态，没有考虑用户的移动性，不适用于车联网场景当中，无法准确评估不同时隙车辆的移动位置。

随着5G技术的愈发成熟和即将到来的6G时代，自动驾驶、车辆通信[8]等新兴技术高速发展，研究人员对车辆的移动性[9]进行了深入研究，将可以实现快速、高效、合理地进行数据传输，提高接收数据成功率。目前已有文献将重点放在根据车辆移动性进行资源分配。在文献[10]中，作者提出了联合优化任务卸载决策、功率和带宽分配的方案，在降低信噪比(Signal to Noise Ratio, SNR)中断概率的前提下，最小化系统总能耗；在文献[11]中，作者提出了基于多智能体深度强化学习的资源分配框架，在降低SNR中断概率的前提下，通过联合优化信道分配和功率控制，来提高用户服务质量(Quality of Service, QoS)[12]。上述文献虽然考虑了车辆的移动性，但并未在SFN场景中考虑在有干扰基站的情况下产生信干噪比(Signal-to-Interference plus Noise Ratio, SINR)中断概率的问题。本文针对车联网中基于SFN技术的交通信息传输场景，提出了资源分配方案来降低SINR中断概率，最小化SFN中每个路边单元(Road Side Unit, RSU)的传输功率。

综上所述，本文主要贡献有：(1) 采用了SFN技术将数据同时同频发送给车辆，同时考虑车辆移动性，传统的系统模型中只考虑静态用户，本文模型在构建MDP时，考虑了车辆实时移动位置坐标、行驶速度等，基于动态的信道信息来优化RSU的功率分配；(2) 传统的SFN传输方案中并没有考虑干扰基站对传输功率的影响，本文在SFN场景中考虑在有干扰基站的情况下产生SINR中断概率的问题；(3)采用基于好奇心驱动的 DQN(C-DQN)资源优化算法来求解，与其他强化学习算法相比，该算法收敛速度更快，收敛值更高。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005718

作者信息：

王璐

（山西大学 物理电子工程学院，山西 太原 030006）