汽车网联化是指依托于现代通信和网络技术,实现汽车与外界信息共享。近年来,随着5G通信技术以及互联网技术的迅猛发展,汽车网联化已逐渐成为研究热点方向之一,也是智能网联汽车的重要发展技术路径。将部分复杂的计算任务转移至云端执行,是解决当前自动化汽车处理器算力不足的问题的可靠方案。本文针对速度在线预测过程中所涉及的三大关键问题,展开的主要研究内容如下:（1）针对速度工况聚类的问题,提出一种根据历史速度曲线的变化趋势进行速度工况分类的思路。分析了多种时间序列相似性度量方法,其中重点研究欧氏距离和DTW（dynamic time warping）距离相似性度量方法的异同。基于欧氏距离度量,分别建立了基于特征聚类的模糊C聚类模型和基于形状聚类的K-Means模型。继而,将DTW距离引入到聚类算法中,建立采用DTW距离度量的基于形状聚类的K-Means模型。随后,讨论了聚类模型的影响因素,以此为基础,深入探究输入的历史速度序列长度和聚类个数分别对以上建立的三个模型的聚类结果的影响。结果表明,当聚类个数取较小值时,各个聚类模型的聚类结果更合理,而本文提出的采用DTW距离度量的基于形状聚类的K-Means模型具有更好的分类性能。（2）针对速度序列预测的问题,重点研究了一维卷积神经网络Conv1D（one-dimensional convolutional neural network）的卷积过程,并将其引入到速度预测领域中。结合一维卷积神经网络可捕获局部特征与长短时记忆网络LSTM（long short-term memory）可学习时序信息的优点,分别提出了Conv1D-LSTM速度预测模型和多步速度预测变体模型。并以Conv1D-LSTM模型为研究对象,讨论预测速度序列长度对其预测性能的影响。基于最优聚类模型,建立多工况速度预测模型,并与多个预测模型进行了性能对比。结果表明,速度工况分类对预测模型性能的提高有着积极的作用,其中,本文的多工况速度预测模型具有最优的性能。（3）针对速度在线预测的实时性问题,基于MQTT协议设计了Rocket MQ微消息中心,在此基础上搭建了一个可提供实时速度预测服务的、完整的云平台。为提高用户体验的同时保证数据传输的安全性,结合JWT（JSON web token）技术和SSL（secure sockets layer）加密技术完成了用户单点登录模块。接着,依托于ONNX框架技术对速度预测模型进行转储,并将该通用模型嵌入到云平台的应用服务中。功能测试结果表明,从消息发布到接收到预测结果,整个速度预测服务耗时约130毫秒,说明该云平台的架构设计合理且高效,具有一定的实用性。