随着诱导理论和相关技术的进步,高速公路的信息化程度与日俱增。信息化建设带来的大量数据传输需求,使得传输网络不堪重负,同时数据的远距离传输会带来较高的时延,难以满足像车联网、实时预警等一些对时延要求较高的业务需求,传统的集中式处理模式弊端愈发明显。将边缘计算技术应用到交通诱导当中,将大量的数据处理任务下沉至边缘节点,通过边缘节点与云端的协调配合,实现更少的带宽占用,更低的服务延迟,更高的可靠性。本文致力于基于边缘计算的交通诱导系统设计与实现关键技术研究。以边缘节点和云中心之间的任务分配为核心,重点研究了在边缘计算场景下,交通诱导所需信息的采集过程、道路交通数据的融合方式、道路路阻计算、路径诱导的实现以及诱导信息的发布等问题。使用AI算法对摄像头采集的视频进行分析,得到交通流信息和交通事件信息,采用雷达测量道路交通流,使用联合卡尔曼滤波器对现场设备采集的交通流信息进行融合。在路径诱导实现方面,考虑了实时交通流和交通事件的影响,对启发式BPR路阻函数进行了改进,在此基础上使用Dijkstra算法计算出最优行驶路径。论文首先对基于边缘计算的交通诱导系统的研究背景和意义、当前研究现状进行分析,指出当前研究存在的不足。然后围绕系统管理员、道路使用者、边缘节点、云中心四种角色分别进行系统需求分析,在此基础上完成系统的结构和功能总体设计。接下来对交通诱导所需信息采集功能进行了实现,对不同采集方式获取的道路交通数据通过联合卡尔曼滤波算法进行数据融合,验证了融合效果。基于本系统的特性进行了路阻函数的设计,根据路阻信息动态更新交通系统的拓扑结构,通过Dijkstra计算最优路径,从车外诱导信息发布和车内诱导两个方面进行交通诱导。最后对系统进行了实际部署,从系统功能和系统性能两个方面进行了系统测试。