随着5G时代的降临,车辆与道路基础设施作为人类生存与发展中极为重要的一环,正在步入信息化和智能化的新时代。车联网的高速发展为自动驾驶以及智能交通系统提供通信硬件支持,同时车载应用与服务日渐丰富,用户对数据速率以及服务质量的要求呈指数增长,使得车载终端的有限硬件资源成为了瓶颈。将5G网络关键技术之一的移动边缘云计算(Mobile Edge Computing,MEC)引入到车联网中,能有效解决车载终端计算以及存储资源短缺的问题,并且同时满足了车辆高速移动性和安全性带来的高可靠低时延要求。在引入移动边缘云计算的车联网中,如何对计算任务的高效卸载进行调度是一个值得研究的课题。本文首先建立了单向一维道路模型,包括路边单元(Roadside Unit,RSU)以及MEC服务器的部署和车辆的分布模型。一方面,本文从时延方面考虑,当车速过快或者任务量较大时,卸载到MEC服务器的计算任务完成时,车辆已经驶离该MEC服务器所连接的RSU的覆盖区域,计算结果需要经过时延波动较大的回程链路回传,不满足高可靠低时延的要求,同时MEC负载较高时,需消耗大量等待时间。基于该情景,本文引入M/M/1排队模型,设计了一种基于MEC负载状态的预测性卸载策略:为了降低计算结果回传经过回程链路的时延,采用车车(Vehicle to Vehicle,V2V)通信上传计算数据以及下载计算结果;为了降低MEC服务器高负载时计算任务的等待时间,根据MEC服务器的负载状态进行选择性卸载。本文选用不同类型的计算任务,以车辆密度和车辆速度作为参数,将该策略与已有策略进行实验仿真并对比分析,证明了该卸载策略的优越性。另一方面,能耗也是车辆卸载计算任务时考虑的一个关键因素,本文从车辆角度出发,定义时延偏好因子以及能耗偏好因子,综合时延和能耗,得到本地执行以及卸载到MEC服务器的代价函数。针对这两种情况,本文参考凸优化理论,分别给出了计算本地最佳CPU计算频率以及最佳发射功率的计算方法,进而得到两种方式的最低代价,因此车辆可以据此做出最佳选择。