随着社会经济的不断发展和物联网技术的高速发展,车载应用与服务日渐丰富,同时用户对数据速率以及服务质量的要求不断提高,容易产生大量数据和回传时延低下等一系列问题,影响车联网的服务质量。作为传统云计算技术的一种补充与演进,边缘计算技术通过在靠近联网车辆的网络边缘部署资源,在极大减少云计算负载和和数据处理时延的同时,为车联网的应用提供了更好的支持。然而,车联网边缘计算技术仍然面临着一些挑战,边缘资源的配置过少或过多容易造成边缘资源利用率低的问题,同时不同边缘服务器的负载不平问题使得联网车辆对边缘资源请求的成功率低下,因此设计高效的边缘资源分配与选择算法,有助于提高整体车联网边缘计算系统的服务质量（Quality of Service,Qo S）。针对边缘资源配置成本高与边缘资源利用率低的不权衡问题,本文提出了一种最小数量边缘资源配置的预测优化框架。首先,根据车辆轨迹的特点采用基于卡尔曼滤波的细粒度模型和基于马尔可夫链的粗粒度模型对车辆轨迹进行预测,创建车队分布向量和预测转移矩阵。然后,搭建概率分布模型分析一个小区一个时间段内的联网车辆出入流的情况,在不高于用户预定义阻塞率的前提下为每个小区划分最小数量的边缘资源。最后,为提高联网车辆对边缘资源的请求卸载的成功率,在已归纳出车流量的特点上结合车流量预测模型对最优边缘资源配置算法进行改进。实验证明,本文所提的方案在权衡边缘资源配置成本和利用率方面优于其他边缘资源配置方法。其次针对车联网边缘系统中不同边缘服务器之间的负载不平衡的问题,本文使用排队论提出任务在小云节点、边缘服务器和移动车载终端的排队计算模型和联网车辆边缘资源请求的分配模型。首先,基于最优分配问题中多变量的耦合问题,本文将该问题拆分为任务分配优化和任务重定向两个子过程。其次,用排队论和成本递增方法在联网车辆节点、边缘服务器和小云服务区之间分配联网车辆产生的任务需求。然后,采用迭代法和运输规划模型近似求解不同小区之间的重定向流,同时计算最小数量的云服务器用来处理剩余未处理的任务卸载请求。最后,提出联网车辆对边缘节点的动态选择算法,确定卸载的边缘服务器的序号或者把任务上传到小云节点中。仿真实验证明,本文所提的基于车辆轨迹预测的边缘资源分配与选择方法在尽可能减少资源配置成本的同时保证Qo S服务质量。