随着传感器技术与无线通信技术的快速发展,现代汽车产业正朝着智能化的方向演进。越来越多的车辆开始装备车载电脑和其它电子设备,车载移动应用越来越丰富。然而,其中一些具有实时性需求的计算密集型应用,如增强现实、语音识别、自然语言处理等,面临着本地设备计算资源、存储资源受限等问题。在这种情况下,朵云作为一种低延迟的移动云计算技术,可以解决联网车辆终端设备资源不足的问题,从而引起了学界与产业界的广泛重视。朵云是部署在靠近用户位置的具有一定的自我管理能力的、去中心化的小型数据中心。在智能交通系统中,联网车辆用户通过高速局域网将车载移动应用中的计算密集型任务迁移到临近的朵云来弥补本地计算资源的不足。这种就近迁移的策略虽然缩短了任务传输过程的时间延迟,但也会带来一些问题。由于车辆的移动性以及交通流量空间分布的不均匀,朵云间的负载存在较大差异。具体而言,交通流量大的区域朵云更容易处于过载状态,而交通流量较小的区域朵云往往处于空闲状态。由于系统中朵云资源是有限的,朵云间的负载不均衡大大降低了朵云资源的整体利用率。针对上述问题,本文提出了一个基于交通流量预测的朵云负载均衡方案。该方案综合考虑了交通流量的动态变化特性、朵云间性能的差异以及朵云服务需求度的变化等因素,具体包括数据收集、交通流量预测、朵云负载均衡三个阶段。首先,智能交通系统实时收集各个区域的交通数据、朵云服务等数据。然后,本文提出了一个基于自回归积分滑动模型的交通流量预测方法,该方法可以利用第一步收集的交通数据及时准确地预测各个区域交通流量的动态变化。最后,在负载均衡阶段,该方案利用预测的交通流量与朵云服务需求度等信息来预测各朵云的任务到达率,并将互联的朵云建模为一个排队系统来判断各朵云是否过载。通过将系统中过载朵云的部分计算任务迁移到空闲朵云,实现朵云间的负载均衡。论文通过实验验证了所提出的交通流量预测方法与基于交通流量预测的朵云负载均衡方法的有效性。