随着5G技术的广泛应用,以及边缘计算和车载应用的快速发展,车联网（Internet of Vehicles,Io V）已成为目前最具有前景的场景之一。但快速增长的车载应用为边缘网络带来了极大的压力,同时车辆的移动性加剧了边缘网络进行资源分配的复杂性,因此如何在车联网中进行实时、高效的资源分配是完善车联网应用环境的关键。本文针对此问题提出了解决方案——基于交通流量预测的边缘智能协调框架（Edge Intelligent Coordination Framework Based on Traffic Flow Prediction,EICFTFP）,该方案通过将人工智能算法部署在边缘节点中,利用边缘计算在车联网中进行资源预测和分配等一系列行为。首先,提出一种基于深度学习的交通流量预测算法,算法使用灰色关联度分析法分析车道间的相关性,选出与被预测车道相关性较强的其余车道的交通流数据作为输入,而后利用卷积-门控循环单元（Convolution-Gated Recurrent Unit,Conv-GRU）提取交通流的时空特征,实现快速、精准的预测交通流量。此外,探寻了车道上车流量预测与车辆资源请求预测、车辆移动性预测三者间的关系,提出通过预测各车道上的车流量,以实现对车辆的资源请求以及车辆的移动性的预测。通过对青岛真实交通流数据集进行大量对比实验的结果表明:本课题提出的预测模型与传统深度学习模型相比误差更小,收敛速度更快,可在较短时间内精准预测车流量。其次,利用车道间的相关性,提出关联车道模型迁移算法,对深度学习模型进行迁移部署,以减少训练深度学习模型的个数,降低资源消耗。实验表明,模型迁移算法可节省约60%～70%的模型训练个数,大幅降低资源消耗。随后,在预测的基础上,利用深度强化学习设计了一种自适应时间分批和匹配算法,该算法可动态调整边缘节点执行资源分配的频率,提高资源分配的成功率。经过实验仿真证明,相比边缘节点采用固定频率进行资源分配,自适应批处理和匹配算法最低可提升边缘节点约50%的收益。