在密集城市环境中，可靠且低延迟的NR-V2X通信对于智能出行至关重要。然而，有限的路边单元（RSU）密度、频繁的非视距条件以及高度动态的车辆拓扑常常导致许多连接和自动驾驶车辆（CAVs）无法维持稳定的单跳连接。虽然多跳中继辅助通信可以扩展基础设施覆盖范围，但在实际流量、容量和连接性约束下实时选择中继链路仍然具有挑战性。混合整数线性规划（MILP）可以提供最佳的多跳中继决策，但其计算复杂度随着网络密度急剧上升，限制了实时应用。为了解决这个问题，我们提出了一种基于图神经网络（GNN）的学习优化（L2O）框架，用于实时NR-V2X中继选择。将车辆通信状态建模为属性图，其中CAV和RSU作为节点，候选无线链路则附加了传播感知特征。离线MILP预言机提供最优监督，而边缘感知图同构网络（GINE）则以接近常数的推理延迟来近似预言机决策。在由集成SUMO-GEMV2仿真管道生成的大规模城市数据集上的实验表明，所提出的方法在连接性方面与MILP预言机相当，同时将执行时间缩短了几个数量级。该框架通过利用现有的车辆资产，支持可扩展的、实时的NR-V2X操作，能够以成本效益提升城市V2X连接性。