随着无线通信技术的飞速发展,车联网(IoVs,Internet of Vehicles)的部署与应用成为可能。车联网中车辆终端高速移动的特点和各种智能应用的普及,使得车联网系统对时延的要求越来越高,因此具有低时延特点的基于移动边缘计算(MEC,Mobile Edge Computing)车联网系统应运而生。车辆终端在基于MEC的车联网环境下移动时,必将面临在不同的基站(BS,Base Station)或小区中切换的问题,因此切换技术作为车联网中资源管理的关键技术成为研究重点。本文围绕基于MEC的车联网环境下的切换问题,以最小化时延和减小乒乓效应为目标,分别提出了基于自适应反馈决策树的切换和基于集成学习的多属性切换两种决策算法,对车联网环境下切换问题进行了深入地探讨和研究,主要完成的工作如下:(1)首先对基于移动边缘计算的车联网系统进行了简单的介绍,介绍了该系统的架构、特点和资源管理关键技术。然后本学位论文对关键技术之一切换技术进行了详细的阐述,主要围绕着切换技术的理论和基本过程两方面进行阐述。(2)在基于MEC的车联网环境下,提出了一种基于自适应反馈决策树的切换(SAFH,Self-adaptive feedback handoff)算法,用于解决IoVs中切换的乒乓效应和时间延迟过大问题。该算法将决策树和反馈决策理论引入车辆终端的动态切换问题中,首先分析并给出MEC车联网架构下影响切换策略的主要属性及其概率分布,综合考虑了网络属性、基站的负载均衡、车辆终端的运动趋势以及业务需求来建立多属性决策树,基于决策树寻求较好的多属性判决切换策略;然后针对车辆终端状态的动态变化,通过反馈机制更新MEC服务器处的终端状态,并采用基于增量学习的自适应反馈方法动态修正决策树判决策略,从而实现车辆终端实时有效的切换。仿真结果表明:SAFH算法适用于移动性强、业务变化频繁的车辆终端切换决策。该算法能有效地降低乒乓效应,增加网络连接的有效时间。此外,与现有的切换算法相比,该算法的切换时延更低。(3)在基于MEC的车联网环境下,提出了一种基于集成学习的多属性切换决策算法(ELMAHE,Ensemble Learning based Multi-attribute handoff algorithm)。该算法首先提出车辆终端与基站之间链路持续时间的预测方法。在车辆终端切换至当前基站之后,基站所连的MEC服务器利用基于集成学习的预测方法预测出车辆终端与当前基站以及与所有候选基站之间的链路持续时间。得到链路持续时间之后,移动终端运用基于多属性决策的方法获得切换决策。车辆终端便根据切换决策结果向目标基站发出切换请求,从而降低时延,提高切换效率。仿真结果表明:该算法适用于车联网下高速运动的车辆终端,总体上提高了切换的准确性和有效性,降低了切换次数和切换时延,使得网络性能得到改善。(4)给出本学位论文研究工作的总结,并对下一阶段的研究工作进行展望。