近年来,随着第五代移动通信技术（The Fifth Generation,5G）与车联网业务的蓬勃发展,车辆通信技术繁多,新型车联网接入方式呈现异构特点（专用短程通信、蜂窝通信、毫米波通信等）;业务流量出现指数式增长,车联网业务呈现多样化特性（车协同驾驶、自动驾驶、安全告警信息投递等）。然而,作为5G垂直服务的重要领域,现有车联网研究大多仅从通信业务角度为车联网分配网络资源,没有从车联网改善交通出行的角度优化网络配置。目前的车联网架构也忽略了以交通出行为主的业务特性,因此难以应对具有交通出行需求的业务场景。在新兴的5G车联网场景中,车联网技术不单单是保证车联网业务需求,同时也要服务于交通出行的各项性能指标,例如:行车安全、交通吞吐率、车流稳定性等。梳理清楚车联网资源（通信与计算资源）对各项交通指标的作用关系、以及各个交通指标间的相互制约关系对车联网资源优化至关重要。然而,受限于车载计算能力的约束,以及云计算平台的长距离回传限制,传统云计算模式无法满足交通出行严苛的时延需求。对此,边缘计算技术将计算资源部署在最贴近交通业务产生的地方,采用多样化接入方式选择最适合的通信技术去高效完成业务的计算卸载。这种新兴的计算模式为交通出行业务的实时性传输和多样化计算服务提供了技术支撑。此外,时变的业务需求、高动态的路网环境等车联网固有问题,也为交通出行业务的资源管理带来了极大的挑战。针对上述挑战,本文提出了雾化车联网架构,能够在网络边缘侧提供更加智能化的接入决策。针对车联网与交通协同优化所面临的问题,本文致力于结合人工智能技术,通过研究异构接入选择、交通性能指标优化和基于网络切片的资源部署等方案,来满足车联网场景中的高动态交通业务要求。本文主要分为以下四个部分:1)车联网资源辅助下的交通性能分析;2)基于边缘计算的5G异构车联网接入选择研究;3)面向车队出行的动态资源管理策略;4)面向交通性能的网络切片资源管理。第一部分研究了车辆出行安全、交通吞吐率、以及车流稳定性三者同车联网资源的定量关系。根据车辆跟随模型,本文首先得出了行车安全同车联网资源的定量关系。在此基础上,揭示了V2X通信范围对交通吞吐率的影响。本文通过车流动力学模型分析了车联网资源对车流稳定性的影响。每一项交通指标均对应着一定资源需求。为了满足差异化高动态的交通业务需求,本文设计了一个雾化车联网架构,利用差异化的车队、基站等资源分层次地服务于差异化的高动态业务。第二部分为了减少卸载失败概率与车联网资源开销,同时满足业务服务时延需求,本文将异构车联网场景中计算卸载问题建模为车联网通信技术选择问题。由于不同的通信技术组合将带来差异化的传输失败概率与计算中断概率,因此,本文首先根据随机网络演算得出在不同通信方式下的卸载时延上界和对应的卸载失败概率。在此基础上,本文提出了一种基于联邦学习的智能卸载方案,用以最小化业务卸载失败（通信传输失败和计算中断）,同时降低通信与计算资源成本。仿真结果表明,与已有算法对比,本文提出的联邦学习策略能更好地降低系统的业务卸载失败与资源开销。同时,仿真得出将C-V2V通信技术应用于交通业务,相较于其他车-车通信技术可以获得最佳交通吞吐率。第三部分研究了面向车队出行的动态资源管理策略。由于车队的组建能够有效降低道路上的平均车间间距,提升交通通行效率,同时在高业务负载的车联网环境中,资源丰富的车辆可以聚合呈车队的形式,提供车辆边缘计算资源以减轻边缘基础设施的沉重业务负担。因此,车队的组建将为交通系统将带来很多益处。本文提出了低复杂度的公平候选组队策略,用以将多个车辆组建为车队。由于车队自身的不稳定特性又使得传统的业务卸载难以有效完成。为解决车队成员高动态的问题,本文基于网络演算理论确定出车队中V2V竞争信道下的卸载时延上界,将该上界作为业务卸载的参考指标。据此,本文提出了基于多臂树方案的车队边缘计算策略。与已有的算法相比,所提出的卸载策略不仅提高了车联网业务接收率,而且降低了系统开销和卸载时延,同时兼具低复杂度的特性。第四部分研究了面向交通性能的网络切片资源管理。首先,为了得到当前最佳交通性能所需的通信与计算资源,本文采用ADMM算法对多个路段进行安全距离调整,在满足行车安全的同时兼顾交通吞吐率与车流稳定性以获得最佳交通性能。为了实现切片资源与高动态业务需求的匹配,本文创新性的引入交叉熵来度量网络切片资源分布与动态业务需求之间的不匹配程度。该度量可用于基于交叉熵的MCTS-RAVE算法来指导面向网络切片的资源调度。仿真实验表明,车联雾与网络切片之间的高度连接可使车联网业务吞吐量和处理时延方面有了明显的提高。