1.一种基于状态预测的动态资源分配策略，其特征在于，包括以下步骤：

S1、将系统的服务时间T划分为离散的时间间隙，车辆节点在每个时间间隙请求服务器资源；

S2、采集系统在当前时间间隙t的状态数据，将采集数据带入资源分配模型中，将资源分配模型作为目标函数，使用拉格朗日乘子算法和KKT条件对目标函数进行求解，得到最优解，根据计算出来的最优解为车辆节点分配资源；

S3、资源分配后，车辆节点将计算任务卸载到分配的边缘节点，计算边缘节点的剩余资源量，并将边缘节点的剩余资源量按照从大到小的顺序进行排序(c1,c2,...,cN)，其中，N表示边缘节点的数量；利用线性回归算法预测下一个时间间隙内边缘服务器集群的资源请求总量Z；

S4、将当前时间间隙前k个边缘节点的剩余资源量之和与下一个时间间隙内边缘服务器集群的资源请求总量Z进行比较，若满足条件 则将前k个边缘节点均设置为打开状态，剩余的N-k个边缘节点保持关闭状态，其中k≤N；

S5、令t＝t+1，执行步骤S2-S5，进行下一时间间隙t＝t+1的资源分配计算和时间间隙t＝t+2时刻的边缘节点状态预测和状态更新，直到服务时间间隙达到系统的服务时间T。

2.根据权利要求1所述的一种基于状态预测的动态资源分配策略，其特征在于，资源分配模型包括：

其中 νi表示车辆节点i的传输速率，B表示系统带宽，

表示信道增益，d表示车辆节点到边缘服务器的距离，k为衰落因子， 表示车辆节点到边缘节点的传输功率，Ni表示车辆节点i在传输时的信道噪声，E表示系统的总功耗，D表示节点的任务数量，f表示节点进行计算的CPU频率，e表示边缘节点执行的任务数量，l表示本地执行的任务数量，fe表示边缘节点进行计算的CPU频率，fl表示车辆节点进行计算的CPU频率，M表示车辆节点数量，X已被证明是一个具有经验分布的随机变量，Dlocal表示在本地节点进行计算的总任务数据量，kl表示本地节点与芯片结构相关的系数， 表示边缘节点的空闲功率， 表示车辆节点到边缘节点的传输功率(假设发送功率和接收功率相同)，Dedge表示卸载到边缘节点的总任务数据量， 表示车辆节点i的计算任务r对应的数据量，且i∈M,r∈R；ke表示边缘节点与芯片结构相关的系数；

资源分配模型的限制条件为：

其中，τ表示每个时间间隙的时间周期，Dlocal表示在本地节点进行计算的总任务据数量，Dedge表示卸载到边缘节点的总任务数据量，νi表示车辆节点i的传输速率，Ri表示车辆节点i的任务总数量，M表示车辆节点的数量。

3.根据权利要求1所述的一种基于状态预测的动态资源分配策略，其特征在于，利用线性回归算法预测下一个时间间隙内边缘服务器集群的资源请求总量Z包括：边缘节点在t-1时刻根据当前状态计算出t时刻的预测值，计算公式包括：其中， 表示t时刻边缘服务器集群的资源使用量预测值，Xt-1表示t-1时刻输入的数据量，向量 为最佳回归系数。

4.根据权利要求1所述的一种基于状态预测的动态资源分配策略，其特征在于，在当前时间间隙t对车辆节点进行边缘节点资源分配时，优先为车辆节点分配剩余资源量大的边缘节点。