简介： 本发明公开了一种VANET中基于时变线性的加速强化学习边缘缓存方法，首先，构建动态的时变线性预测模型，通过考虑每个文件的动态老化，并根据历史内容请求来预测未来的内容请求；然后，构建文件缓存替换函数，并对该函数进行调整；最后，优化缓存策略函数，通过合成假设样本来增加每个时隙的样本数，以达到Q函数的快速收敛，并相应地替换缓存的内容，最大化总的缓存效益。本发明具有更高的缓存命中率和长期效益；通过线性时变预测模型，可以对车辆请求进行实时预测，同时实时的替换边缘服务器中的缓存文件，保证缓存文件的有效性。