移动边缘计算是在物联网背景下的一种分布式计算模式,可以将计算、存储以及小型云中心的处理能力转移到网络边缘。本文从移动边缘计算的架构、特性优势,对邻近性与位置获取进行阐述,对几种新兴的应用场景做了分析,进一步讨论了移动边缘计算在未来的发展以及可能遇到的挑战。本文以节点的移动性预测与计算卸载方法两方面开展研究,主要内容如下:设计了基于移动边缘计算的预测服务框架,利用岭回归优化回声状态网络,对移动节点出行目的地终点位置进行预测。采用公开数据集对模型进行训练与测试。通过与真实轨迹位置点的坐标比较,验证预测模型的优势。设计了以完全卸载为前提的计算卸载方案,基于强化学习中的Q学习算法,将多移动设备场景的计算延迟与能耗加权和,作为系统成本进行优化,并与其他基准进行对比分析。仿真结果表明方法在设备数量有限的情况下表现出更好的性能。针对多设备多输入系统的信道时变与任务随机性特点,尝试使设备自我学习卸载策略,设计了一种基于深度确定性梯度的动态卸载框架,将计算任务拆分以并行处理数据,降低本地计算与卸载执行的功耗与延迟,并引入贪婪算法进行对比实验。通过单设备与多设备场景下的比较,验证了方法的优势。本文针对节点的移动特性,设计了基于岭回归优化的回声网络预测模型,与真实轨迹的结果对比证明了本模型具有良好的性能。此外,针对计算卸载延迟与能耗优化,设计了基于Q学习与深度强化学习的动态卸载方法,以降低系统功耗与延迟的计算成本。