现有的边缘计算卸载研究重点在于如何缩短执行延迟和能耗,而在车联网环境中的高速动态的特殊性,则需要单独考虑。在高速流动的车流情况下,会随着时间产生大量数据,其较早的信息会影响对现在的决策产生影响导致现在的决策不符合当前情况,产生对当前情况的判断失真。考虑到随时间变化的因素,我们提出了一种基于长短期记忆神经网络训练的模型进行卸载决策其中包括：模型训练、特征处理、调参优化三个部分。所述方法通过对车载计算任务的时间序列特征进行数据分析,得到3维训练数据集,使用长短期记忆神经网络对信息的进行筛查和部分遗忘,通过输入门、输出门和遗忘门三个门的限制对各部分信息进行处理。最终进行分类得到可能所属类别的概率进行卸载决策。