近年来,云计算已经在计算机很多领域普及,云计算即通过网络来提供计算,存储等功能。随着互联网的发展,越来越多的需求是向移动云计算(Mobile Cloud Computing,MCC)转变,即可以在移动的环境中应用云计算。但是,MCC使用也有局限性,例如移动设备中的资源受限,网络带宽和延迟不能满足要求,以及安全问题等,这就需要将集中式云计算向移动边缘计算(Mobile Edge Computing,MEC)转变,将移动计算、网络控制和存储功能推送到网络边缘。由于靠近用户终端侧,MEC具有较低的网络时延、较高带宽的特点,很适合可直接访问实时网络信息的服务环境,比如车联网场景是MEC的较热门的应用场景。然而,基于MEC的车联网在移动性管理方面有着巨大的挑战,主要体现在:高速移动车辆意味着应用频繁的迁移,造成的服务高时延严重影响用户体验;虚拟机(Virtual Machine,VM)迁移涉及服务器选择,迁移时间优化等方面,而当前VM迁移算法的较高迁移时间无法满足当前需求。较频繁的服务迁移会造成很高的服务时延,为确保服务器能够对车辆提供稳定的服务,提高用户体验,本文将数据挖掘算法引入移动预测方案。根据车辆移动的历史轨迹来预测未来可能到达的位置,提出了一种基于数据挖掘算法的新型移动预测方案。基于预测的位置结果和服务器切换技术,在车辆到达目的区域之前完成服务器部署,减少车辆位置改变所引起的负面作用,从而实现服务器的无缝切换。仿真结果表明,本文提出的车辆位置预测方案对车辆的位置预测准确率可达89.88%,实现服务器的短时延切换,保证车辆应用服务的连续性。针对VM迁移问题,本文设计了基于马尔科夫模型的VM选择算法,用于选择过载服务器以及待迁移的VM。由于网络资源是实时变化的,为了安排VM实时迁移,防止迁移过程中消耗大量网络资源导致迁移时间变长,本文提出一种基于RL强化学习的VM迁移算法,通过观察网络当前需求水平,在网络饱和或高峰期间找到最佳时间安排VM进行迁移,减少网络资源的消耗。仿真结果表明,本文提出的算法在整个VM迁移过程中可以达到较好的效果。