多路访问边缘计算(Multi-access Edge Computing,MEC)技术能够降低以云服务器为中心的车联网场景的传输成本并提供更快速的交互响应。但是,采集数据的路边单元(RoadSide Unit,RSU)侦测器和MEC服务器之间的数据量并未减少,而MEC服务器资源空间有限,RSU上传的大量现场数据可能会限制MEC网络的进一步发展。因此,本文在交通数据的采集的过程中通过直接降低采样频率完成对交通数据的压缩,减少车联网场景下的边缘计算网络中从侦测器到MEC服务器之间这“最后一公里”的传输数据。压缩感知(Compressed Sensing,CS)技术提出,对于有一定内部结构的数据,即使采样频率低于采样定理的要求也可以重建完整的数据集。通过在普通压缩感知模型中添加邻近节点信息的约束影响的方法,本文提出了两种基于压缩感知重建交通数据的模型SIMM1和SIMM2,它们分别在重建模型的目标函数中使用不同的邻居数据正则化方法,从而提高普通压缩感知重建模型的准确度并让模型更加适应高数据缺失的场景。但是CS技术通过矩阵分解重建完整数据的方法存在对数据特征只使用线性建模的局限性,为了增加模型的非线性程度,本文提出了基于神经网络重建交通数据的模型框架NRTD,在NRTD框架中实例化广义矩阵分解的过程,并联合多层感知器的潜在特征,提高模型对交通流数据变化曲线的拟合度。在实验部分使用高速公路中RSU侦测器节点网络收集的交通流数据。对RSU侦测器节点分类,根据分类结果制定部分侦测器低采样频率工作模式,过滤数据中冗余信息。减少了从RSU到MEC服务器之间的数据量。在重建数据的实验中,设置不同的缺失率和缺失场景进行参数优化和模型比较实验,实验结果表明提出的方法在不同的条件下都可以优于改进前的普通压缩感知重建模型。