分层强化缓存策略

将缓存与分发问题分解为车辆侧与RSU侧子问题，分别用DDPG与Double-DQN求解，并引入LSTM位置预测以应对车辆移动性。

Le, Zhang · 赖永炫 · 杨帆

Lecture Notes in Computer Science 2023

技术优势

状态空间可扩展

将联合优化分解为车辆侧和RSU侧子问题，避免维度灾难。

传输成本更低

在真实数据集上，所提方法传输成本优于其他基线方案。

收敛更快

与基线方案相比，收敛速度更快，更适合实际部署。

适应车辆移动

LSTM模块挖掘车辆移动模式，预测位置以应对移动性。

应用场景

• 车联网边缘缓存：用分层强化学习在车联网中做缓存决策，降低传输成本。
• 移动边缘计算：在MEC场景下优化内容缓存和分发，提升系统可扩展性。
• 车载内容分发：通过移动性预测提升车载内容分发效率，减少连接不稳定影响。