由于车辆动态节点的高速移动性和网络拓扑结构的持续动态性,车联网中的数据传输充满挑战。在传统路由协议中,V2V(vehicle-to-vehicle)多跳通信通常会导致较高的网络延时和较低的投递率,并且通信链路的搜索与中断重建会增加网络开销。城市交通运行过程中将会不断产生大量的交通数据,这对车联网中数据传输的进一步研究具有重要的参考价值。本文提出一种适用于车联网城市场景下的数据传输方案,该方案充分利用这些大量的交通数据来提升数据传输质量DTQ(Data Transmission Quality)。通过基于模糊规则的数据传输方法实现对V2V通信的优化,基于单车的短时车速预测使得数据传输链路更加稳定,并且在专门设计的机器学习系统的帮助下实现对车辆的动态预测。本文的主要研究内容包括:(1)设计了基于模糊规则的车联网数据传输机制。该方法通过综合考虑车速、行驶方向、跳数、接入时间等因素,来优化转发节点选择,从而优化车和车、车和路边单元之间的无线传输,提升数据的传输质量。其中根据模糊综合评价法来对路径进行评估,由层次分析法来设定指标权重向量。该方法使得选择的数据传输路径更加稳定,减少链路中断重建带来的损失,不仅保证了快速高效的消息分发,而且减轻了广播风暴。(2)提出了基于加权KNN的短时车速预测方法。不同于普通的基于路段的车速预测方法,该方法采用基于单车的预测方法,通过预测车辆在下一时刻的车速,使得选择的转发链路更加可靠。为了提高预测精度,降低计算成本,提高预测效率,该方法综合考虑有限的时间和空间影响因素。本文选取起主要作用的四个变量:速度、加速度、车辆通信范围内的车辆数以及该车辆数的梯度进行动态车速预测。(3)设计了一种基于辅助决策的路边单元机器学习系统。该机器学习系统基于KNN算法设计而成,内嵌在每一个路边单元内,用于向处于通信盲区的目的车辆传输数据。通过路侧单元与车辆之间的配合收集实时交通信息并上传到机器学习系统,机器学习系统基于历史交通数据实时分析处理接收到的最新数据,最终向数据传输系统提供动态路由决策。该方法首先预测目的车辆在十字路口的转向,然后预测接下来将要进入的路侧单元,最终实现对目的车辆的粗略定位。最后,对本文所提出的数据传输方案进行仿真验证,通过设置不同的仿真参数,来模拟在不同的交通情况下的数据传输效果。结果表明,与对比方案相比,在不同的车密度条件下,本文所设计的方案能够明显地提高数据投递率,保证消息的及时传递,并且减少控制开销。