1.一种基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，包括以下步骤：步骤101：构建基于MEC的任务卸载匹配框架；

步骤102：等效请求车辆与服务节点的连通性为中断概率；

步骤103：请求车辆的移动性预测；

步骤104：服务节点内容缓存策略。

2.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，所述步骤101构建基于MEC的任务卸载匹配框架包括：考虑在车联网环境下，车辆可以通过蜂窝网络与邻接车辆与移动边缘服务器(MEC)进行通信，L个请求车辆按泊松分布在道路上，表示为V＝{v1,v2L,vL}，由于提供服务的车辆和MEC具有相同的通信性质，统一定义为服务节点，表示为S＝{s1,s2L,sM}，每个服务节点si都具有有限的计算资源、无线资源以及缓存空间，可以为请求车辆进行任务计算和任务缓存；

在此卸载框架下，每个服务节点都配备了一个蜂窝网络接口和一个IEEE802.11p网络接口，车辆可以发送它们的信息，包括使用GPS定位的位置、速度、方向和可感知的邻近车辆的ID以及距离等到达服务节点的上下文数据库，在短时间内将车辆运动看作线性运动模型；

请求任务类型各异，任务可以由车辆利用自身资源进行本地计算，也可以以V2I形式通过路边单元(RSU)卸载到MEC服务器计算，或者以V2V形式卸载到周边车辆进行计算；

请求车辆vi与服务节点sj之间的信噪比定义为：

其中，Pi表示请求车辆vi的发射功率；Hij表示vi与sj之间的信道增益，Hij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ2；L(d)为路径损耗函数，d为请求车辆vi与服务节点sj之间的距离；N0为噪声功率；

假设分配给每对V2X车辆bij个子载波用于传输，那么传输速率可以表示为：rij＝bijlog(1+γij)。

3.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，所述步骤102等效请求车辆与服务节点连通性为中断概率，其内容包括：请求车辆周期性检查周围服务节点距离、ID等信息；

定义中断概率为请求车辆vi与服务节点sj之间的接收信噪比λij低于设定信噪比阈值λij(Q)，请求车辆vi与服务节点sj之间的信噪比定义为：λij＝Pi+Hij-N0

其中，Pi表示请求车辆vi的发射功率；Hij表示vi与sj之间的信道增益，Hij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ2；L(d)为路径损耗函数，d表示请求车辆vi与服务节点sj之间的距离；N0为噪声功率；

因此，请求车辆vi与服务节点sj之间的接收信噪比λij的概率密度函数表示为：因此，请求车辆vi与服务节点sj之间的中断概率为：

由此可以看出，当请求车辆与服务节点间距离越近，其接收信噪比越高，车辆与服务节点之间的连通性越好，稳定性越高。

4.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，基于用户移动性，采用卡尔曼滤波算法对用户移动性进行预测，其内容包括：基于状态空间模型，在时间k上执行预测步骤，以预测时间k+1的状态，然后，在k+1时刻，使用观察值执行过滤步骤，卡尔曼滤波是一种最优化自回归数据处理算法，适用于线性离散和有限维的系统，它以最小均方误差为估计的准则，根据带有噪声的观测数据与前一时刻的系统状态，对系统当前的状态进行最优估计，过程为“状态预测---根据观测值修正预测量---更新状态值”的循环递推过程，以此得到最优值；

根据卡尔曼滤波算法，主要分为以下四个步骤：

1)系统状态向量与观测值向量

设Xk表示k时刻系统的状态向量，Zk表示k时刻对系统的观测向量,如果系统的状态量的变化可以表示成线性方程的形式，则该方程成为系统的状态转移方程以及观测方程为：Xk+1＝AXk+BUk+1+Wk+1

Zk+1＝HXk+1+Vk+1

式中：A是状态转移矩阵，B是控制矩阵，Uk+1是控制向量，Wk是转移过程的噪声，H是观测矩阵，Vk+1是观测噪声；

其中， xk、yk为车辆k时刻的坐标， 分别为车辆在k时刻x轴与y轴的速度分量，状态转移矩阵

噪声假设服从高斯分布，即：

Wk～N(0,Q) Vk～N(0,R)

式中：Q和R分别是Wk与Vk的协方差矩阵；

2)现在状态预测

利用系统的过程模型，来预测下一状态的系统，假设现在的系统状态是k+1，根据系统的模型，可以基于系统的上一状态而预测出现在状态：Xk+1|k＝AXk|k+BUk+1

Pk+1|k＝APk+1|kAT+Q

其中，Xk+1|k表示根据上一状态预测的结果，Xk|k表示上一状态的最优结果，Pk+1|k表示对应于Xk+1|k的协方差；

3)现在状态的最优估值

已得现在状态的预测结果，然后再收集现在状态的测量值，结合预测值和测量值，可以得到现在状态k+1时刻的最优化估算值Xk+1|k+1：Xk+1|k+1＝Xk+1|k+Gk+1(Zk+1-HXk+1|k)其中，Gk+1为卡尔曼增益，

为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新K+1状态下Xk+1|k+1的协方差Pk+1|k+1：Pk+1|k+1＝[I-Gk+1H]Pk+1|k

其中，I为单位矩阵。

5.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，所述步骤104服务节点内容缓存策略包括：任务缓存是指在边缘云中完成任务应用程序及其相关数据的缓存，任务缓存的过程如下：移动设备首先请求需要卸载的计算任务，如果任务是在边缘节点上进行缓存，那么边缘节点就会通知移动设备，任务存在于边缘节点上，因此，移动设备不需要将计算任务转移到边缘节点上，若存在多个边缘节点同时缓存有此任务，则请求车辆通过卡尔曼滤波算法进行最优服务节点选择，最后，当边缘节点完成任务处理时，它将结果传输到移动设备上，通过这种方式，当缓存被缓存时，用户不需要将相同的任务卸载到边缘节点中，因此，移动设备的能量消耗和任务卸载的延迟可以通过任务缓存来降低，若边缘节点上没有此请求内容的缓存，则请求车辆进行任务卸载决策，在服务节点第一次回传任务给请求车辆之前进行缓存决策；

假设有N个车辆{v1,v2,…,vN}选择将任务通过服务节点sj进行计算，其中请求车辆vi的任务表示为Wi＝{di,din,ci}，di表示任务Wi的大小，din表示任务Wi的输入数据大小，ci表示存储任务Wi所需要的存储空间，一个请求车辆只能讲其任务卸载到一个服务节点进行计算，一个服务节点可以并行计算多个请求车辆的任务，服务节点sj的总存储空间为Cj，其计算能力为qi，用ui表示服务节点sj缓存车辆vi的任务Wi＝{di,din,ci}时，所能获得的利益：服务节点sj在计算完请求车辆vi的计算任务Wi＝{di,din,ci}之后，在将其计算结果返回给请求车辆之前，进行缓存决策，考虑服务节点自身利益最大化，资源节约有效化以及计算时延最小化，选择合适车辆的任务进行缓存，得到最优缓存决策；

用xij∈{0,1}表示缓存决策，决定服务节点sj是否将第i个车辆vi的请求任务wi放入缓存空间，首先判断第一个到达的请求车辆内容是否缓存，若决定缓存，即x1j＝1，如果决定不缓存，则x1j＝0，将缓存问题定义为背包问题，这里使用动态规划法来判断对于第i个车辆的任务是否进行缓存，思路如下：阶段：在前i辆请求车辆中，选取若干辆车的请求任务进行缓存；

状态：在前i辆请求车辆中，选取若干辆车将任务缓存到所剩容量为Cj的服务节点，使服务节点效益最大；

决策：第i辆请求车辆的任务是否进行缓存，可以写出动态转移方程：Fj(i,j,c)＝max{Fj(i,j-1,c),Fj(i,j-1,c-ci)+ui}