随着车联网数据的爆炸式增长以及车辆对服务请求的低延迟要求,边缘缓存技术成为了车联网研究的热点之一。目前,大多数的车联网边缘缓存研究只讨论了文件请求次数对缓存的影响,忽略了车联网环境的特殊性,这导致对车辆行驶较为重要但请求次数少的文件通常没有被缓存在有限的存储空间里。同时,大多数的缓存场景只分析了车辆每次只请求一个文件的情况,忽略了车辆同时请求多个文件的情况,这导致缓存模型的实际应用性不强。本文主要针对以上两个问题,研究车联网中基于边缘计算的主动缓存方案,研究内容如下:首先,考虑到车联网中可能存在对车辆行驶影响较大、但请求次数较少的文件,本文提出了一种基于文件价值的缓存方案,该缓存方案考虑了文件的请求次数和文件的优先级对缓存的综合影响,在考虑替换成本的基础上,将文件价值量最大化作为缓存主要目标,并通过深度Q学习算法实现缓存策略。仿真结果表明,相比于仅考虑文件请求次数的缓存策略和LRU（Least Recently Used）缓存策略,所提出的基于文件价值的缓存方案具有更高的命中价值量占比和更高的长期缓存效益,这是因为所提出的缓存方案可以将对车辆行驶更重要的文件尽可能地缓存在有限的缓存空间里。其次,考虑到移动车辆存在同时请求多个文件的情况,本文提出了基于马尔科夫转移概率的文件集请求形式的缓存方案,以最小化车辆的平均请求时延为优化目标,构建了优化目标的次模函数,并通过基于次模函数的贪心算法分析了缓存模型的性能。仿真结果表明,随着车辆请求文件集中文件数量的增多,所提出的缓存策略平均请求延迟在逐渐降低,且比随机缓存算法具有更低的时延。同时,在车辆转移概率变化的情况下,扩大车辆的请求文件集,可以使整个宏基站缓存区域内的车辆请求平均延迟时间更加稳定。