車聯網（C-V2X）在密集城市環境中面臨嚴峻挑戰：快速變化的信道條件和建築物遮擋經常導致車輛與基礎設施之間的直接鏈路質量下降。為了恢復覆蓋，多跳中繼是一種有效手段。然而，中繼鏈路的激活受到無線電資源、容量和路由多重約束，這使得中繼選擇成為一個NP難優化問題。傳統上，該問題通過混合整數線性規劃（MILP）求解，但隨着網絡規模的擴大，MILP的運行時間急劇增加，難以滿足NR-V2X規定的嚴格低延遲要求。
針對這一困境，本文提出了一種邊緣感知的學習優化框架。研究人員將每個V2X快照建模為有向圖：節點特徵代表車輛狀態和交通需求，邊緣特徵則捕獲無線鏈路的容量信息。他們利用離線MILP求解器生成最優中繼配置，作為監督信號來訓練一個帶有邊緣特徵的圖同構網絡（GINE）。訓練後的GINE能夠通過單次前向傳播完成邊緣級的中繼激活決策，且推理延遲嚴格控制在5毫秒以內。
為了進一步橋接學習和精確優化，研究者還提出了混合GINE剪枝MILP（GP-MILP）策略。該策略利用GINE的預測結果來縮小MILP的搜索空間，從而在保持最優解質量的同時大幅降低求解時間。實驗基於OSM-SUMO-GEMV$^2$流程生成的大規模數據集進行。結果顯示，GINE在鏈路級別的準確率達到0.9589，F1分數為0.9544，與MILP決策高度一致。在端到端連接增益方面，相比單跳MILP基線，GINE在配置4個RSU時提升高達9.2%，在配置2個RSU時提升12%。更重要的是，在超過98%的測試圖實例中，GP-MILP的求解時間低於30毫秒，且目標函數值與純MILP相同。這使得MILP級別的優化得以在NR-V2X嚴格的延遲預算內實現，為車聯網實時中繼選擇提供了可行的解決方案。