蜂窝车用无线通信技术（Cellular-Vehicle to Everything,C-V2X）是实现智慧交通和智能驾驶的关键推动力,其在使能一系列智能应用的同时也对信息新鲜度提出了高要求。近年提出的信息年龄（Age-of-Information,Ao I）是衡量信息新鲜度的一个重要指标,与数据流的传输间隔以及数据包的传输时延密切相关。相比于过去长期使用的数据包传输时延,信息年龄更关注在整个信息流的更新过程中,信息是否始终维持较高的新鲜度,对于需要实时更新状态信息的车联网应用具有非常重要的意义。多接入边缘计算（Multi-access Edge Computing,MEC）是降低端到端数据包传输时延、增强网络对C-V2X支撑能力的一个重要手段,在一定程度上缓解了基于蜂窝通信接口的车用无线通信时延较高的问题。尽管MEC架构能降低车联网业务传输时延,然而,由于数据流传输间隔对Ao I影响的双面性、无线信道时延的随机性、以及行驶场景的复杂性问题,在MEC支持的C-V2X系统中,保障车辆上传至MEC平台的信息具有较低的信息年龄仍非常具有挑战性。本文根据信息年龄定义和对校内5G基站开展的实测数据分析了信息年龄的关键影响因素,并提出了一种基于联邦强化学习的主动优化方法来优化车辆在行驶过程中的信息年龄置信度。具体来说,首先,本文进行了为期一个月的实地测量活动,记录了车辆在行驶过程中与部署于5G基站接入机房的边缘节点服务器之间的通信延时,并根据测量结果分析了实际场景中可能影响信息年龄的因素。其次,针对车联网需要高度可靠信息的场景,本文提出了信息年龄置信度这一指标,以更好的衡量车辆上传至MEC平台信息的可靠性。接着,本文以提高车辆在行驶过程中的信息年龄置信度为目标,基于部分可观察马尔可夫决策过程建立了问题求解模型,并提出一种基于联邦强化学习的优化算法对问题进行求解。最后,我们在python环境下搭建了MEC支持的车联网场景以测试算法性能,仿真结果显示:相比于贪婪策略与独立强化学习的方式,本文提出的算法分别能带来25.2%和16.5%的性能提升。