移动边缘计算技术(Mobile Edge Computing,MEC)为联网车辆等移动终端提供了具有IT服务和云计算能力的边缘网络环境,具有低时延、本地感知等诸多优势,是5G网络的核心技术之一。车联网领域依托MEC技术构建全新的产业链,通过本地化的应用部署模式,在极短时间内完成行驶数据的获取和传输,能够为“智能交通”作出巨大贡献。基于MEC技术的车联网应用能够为现有的车联网环境带来巨大变革,受到行业和学术界的广泛关注。然而,基于MEC技术的车联网应用在移动性管理方面存在巨大挑战。MEC技术带来极大便利的同时,对部署于边缘网络中的应用提出了移动性要求,即车联网应用在不同MEC服务器之间的迁移。车联网的应用场景使得移动性管理复杂化,主要体现在:联网车辆的高速移动性意味着更频繁的应用迁移,产生的迁移时延严重影响了车辆用户体验;车联网应用涉及人身安全、驾驶体验和互联网服务等多方面,现有的应用迁移策略无法满足其多样化的性能需求。针对频繁迁移产生大量迁移时延的问题,本文提出了基于车辆轨迹预测的应用预迁移方法。通过预测联网车辆未来的行驶轨迹,基于预测结果和虚拟机在线迁移技术,在联网车辆到达目标区域之前完成车联网应用的预部署,以降低车联网应用迁移产生的停机时间。该方法采用了基于极限学习机的车辆轨迹预测方法,能够快速求解预测结果。仿真结果表明,本文所提轨迹预测方法对联网车辆未来行驶方向预测的准确率可达93%,极大地降低了应用的停机时间和服务时延。针对车联网应用多样化的性能需求,本文提出了一种多应用迁移策略,该策略根据车联网应用动态地分配计算和网络资源。本文首先通过动态规划算法求解迁移策略,同时分析了轨迹预测带来的负面影响,并提出了负面影响的规避算法。然后整合各项性能指标,定义了车联网应用优先级。最后结合所提规避算法,提出了一种基于优先队列的多应用迁移算法。仿真结果表明,所提算法在服务稳定性、规避负面影响和满足各应用性能需求等方面表现优越。