في عالم متسارع نحو التحول الرقمي، تبرز اتصالات NR-V2X كعنصر أساسي في تعزيز التنقل الذكي في المدن ذات الكثافة العالية. ومع ذلك، يواجه التواصل بين المركبات المتصلة (CAVs) تحديات عديدة، مثل الكثافة المحدودة لوحدات الطريق (RSU) والتضاريس المعقدة التي تعيق رؤية المركبات.

لمواجهة هذه التحديات، تم تطوير إطار عمل مبتكر يعتمد على تعلم تحسين (Learning-to-Optimize) باستخدام شبكات عصبية رسومية (Graph Neural Networks). يهدف هذا النظام لتمكين اختيار Relay متعدد القفزات في الوقت الحقيقي، مما يزيد من استقرار الاتصال بين المركبات.

يعتمد هذا النظام على نمذجة حالات التواصل داخل الشبكة بشكل رسوم بيانية، حيث تمثل المركبات المتصلة ووحدات الطرق كعقد، بينما تمثل الروابط الإذاعية المحتملة كحواف غنية بالميزات المعرفية. يضمن استخدام برنامج يساعد في اتخاذ قرارات مثلى (Mixed-Integer Linear Programming) بشكل مسبق توفير إشراف دقيق، بينما يتم تقدير هذه القرارات على نحو فعال بواسطة شبكة تمييز رسومية.

تظهر التجارب التي أُجريت على مجموعات بيانات حضرية واسعة النطاق أن هذا الابتكار يحقق مستوى اتصال مشابه لتلك الحلول التقليدية مع تقليل أوقات التنفيذ بشكل كبير. هذا الإطار يعمل على دعم تشغيل NR-V2X بشكل فعال من حيث التكلفة، مما يُعزّز من عمليات الاتصال في المدن الذكية ويعزز من استخدام الأصول المتاحة في بيئات التنقل الحديثة.