车联网（C-V2X）在密集城市环境中面临严峻挑战：快速变化的信道条件和建筑物遮挡经常导致车辆与基础设施之间的直接链路质量下降。为了恢复覆盖，多跳中继是一种有效手段。然而，中继链路的激活受到无线电资源、容量和路由多重约束，这使得中继选择成为一个NP难优化问题。传统上，该问题通过混合整数线性规划（MILP）求解，但随着网络规模的扩大，MILP的运行时间急剧增加，难以满足NR-V2X规定的严格低延迟要求。
针对这一困境，本文提出了一种边缘感知的学习优化框架。研究人员将每个V2X快照建模为有向图：节点特征代表车辆状态和交通需求，边缘特征则捕获无线链路的容量信息。他们利用离线MILP求解器生成最优中继配置，作为监督信号来训练一个带有边缘特征的图同构网络（GINE）。训练后的GINE能够通过单次前向传播完成边缘级的中继激活决策，且推理延迟严格控制在5毫秒以内。
为了进一步桥接学习和精确优化，研究者还提出了混合GINE剪枝MILP（GP-MILP）策略。该策略利用GINE的预测结果来缩小MILP的搜索空间，从而在保持最优解质量的同时大幅降低求解时间。实验基于OSM-SUMO-GEMV$^2$流程生成的大规模数据集进行。结果显示，GINE在链路级别的准确率达到0.9589，F1分数为0.9544，与MILP决策高度一致。在端到端连接增益方面，相比单跳MILP基线，GINE在配置4个RSU时提升高达9.2%，在配置2个RSU时提升12%。更重要的是，在超过98%的测试图实例中，GP-MILP的求解时间低于30毫秒，且目标函数值与纯MILP相同。这使得MILP级别的优化得以在NR-V2X严格的延迟预算内实现，为车联网实时中继选择提供了可行的解决方案。