针对多接入边缘计算（MEC）服务器高可靠、低时延和大数据量的数据传输要求，基于无冲突接入、优先级架构和弹性服务技术，提出一种适用于车辆边缘计算场景下的媒体访问控制（MAC）调度策略。所提策略由车联网（IoV）路侧单元（RSU）集中协调信道接入权，优先确保车载网络中车载通信单元（OBU）与MEC服务器之间的链路传输质量，以及时传输车辆到网络（V2N）业务数据；同时，对本地OBU之间的业务采取弹性服务方式，增强密集车辆接入时应急消息传输的可靠性。首先，构建调度策略的排队分析模型；其次，根据各时刻系统状态变量的无后效性特点建立嵌入式马尔可夫链，并通过概率母函数的分析方法对系统进行理论分析，得到MEC服务器通信单元和OBU的平均排队队长、平均等待时延和RSU查询周期等关键指标的精确解析表达式。计算机仿真实验结果表明，统计分析结果与理论计算结果一致，所提调度策略在高负载情况下能够提高IoV的稳定性和灵活性。

针对支持向量机（SVM）在交通流量预测中存在波动性且预测精度低的问题，提出了采用模糊信息粒化（FIG）和改进鲸鱼优化算法（IWOA）的SVM模型来预测交通流量的变化趋势和动态区间。首先，对数据处理采用FIG方法进行处理，从而得到交通流量变化区间的上界（Up）、下界（Low）和趋势值（R）；其次，在鲸鱼优化算法（WOA）的种群初始化中采用动态对立学习来增加种群多样性，并引入了非线性收敛因子和自适应权重来增强算法的全局搜索及局部寻优能力，然后建立了IWOA模型，并分析了IWOA的复杂度；最后，以预测交通流量的均方误差（MSE）为目标函数，在IWOA迭代过程中不断优化SVM的超参数，建立了基于FIG-IWOA-SVM的交通流量区间预测模型。在国内和国外交通流量数据集上进行测试的结果表明，在国外交通流量预测上，与基于遗传算法优化的支持向量机（GA-SVM）、基于粒子群优化算法优化的支持向量机（PSO-SVM）和基于鲸鱼优化算法的支持向量机（WOA-SVM）相比，IWOA-SVM模型的平均绝对误差（MAE）分别降低了89.5%、81.5%和1.5%；而FIG-IWOA-SVM模型在交通流量动态区间和趋势预测上与FIG-GA-SVM、FIG-PSO-SVM和FIG-WOA-SVM等模型相比预测精度更高且预测范围更平稳。实验结果表明，在不增加算法复杂度的前提下，FIG-IWOA-SVM模型能够合理地预测交通流量的变化趋势和变化区间，为后续的交通规划和流量控制提供依据。