近年来,我国汽车产业以惊人速度发展,加之“十二五”期间物联网产业的大力推进,车联网成为我国未来智能交通发展的重要支柱和发展方向。车联网核心技术突破与应用,将有效缓解汽车产业发展面临严峻的资源、环境制约,提高资源使用效率。车载自组网(VANET)作为车联网的基础,移动模型、路由协议,以及路径决策与推荐模型成为其核心技术。首先,VANET具有节点移动速度快、移动受道路约束等特点,车辆移动模型是车联网的核心与基础。本文提出一种基于动态路径规划的混合移动模型,该模型将时间依赖、空间依赖与地理限制紧密组合:1)地图模型以路段和交叉口为基础,较好地模拟交通环境;2)利用车载自组网车间通信,实现车辆的运动控制,通过与邻居节点车辆通信,获取路况和地图信息,使路径决策更为准确;3)设计基于Dijkstra的动态路径规划算法,实现路径推荐。本文在通畅、拥挤、堵塞等多种交通场景下,从微观特性和宏观特性两方面对提出的移动模型进行量化研究,实验表明:与车流交通移动模型FTM和基于图的移动模型GBMM以及基于智能驾驶员模型的IDM_IM和IDM_LC相比,该移动模型在连接保持时间、链路稳定性,以及协议性能等方面均有所提升;与随机转弯和最短路径模型相比,该模型使车辆节点更加快速、高效地抵达目的地。其次,作为未来智能交通基础设施的VANET,通过车与车、车与路边节点通信构成统一无线通信网络,传递辅助驾驶、事故避免等实时性业务,这对于安全驾驶至关重要。路由协议是影响VANET车联网实时性的关键。首先,对AODV、DSDV和DSR三种经典路由协议在车联网环境下的性能进行量化研究,分析发现:分组传输率低、高归一化路由负载,以及高平均端到端延迟是影响VANET路由协议实时性的重要因素。有鉴于此,以容迟网络的存储-携带-转发机制为基础,提出基于容迟网络的按需路由协议DT-AODV,并将VANET建模为有向多图模型来模拟连接时变性。实验表明,与基于容迟网络的PRAODV和PRAODV-M协议相比,提出的DT-AODV路由协议其分组传输率和平均端到端延迟等指标性能更佳,更适合于VANET。再次,通过对VANET海量数据的挖掘实现路径决策与优化,成为近年国际竞相研究的热点与发展趋势,其中行程时间短时预测模型(Short-Term Forecasting Model)成为未来VANET的一项重要服务。与长时预测模型不同,实时性、可靠性与高精度构成短时预测模型的基本要素。首先,以真实海量出租车GPS历史数据为背景,按照地理区域和密度进行聚类,获得更加准确的区域内相应时间段的车辆运行速度;其次,提出基于人工神经网的短时车辆行程时间预测模型,该模型将车辆速度倒数作为路径权值来衡量路段的拥挤状况,并设计改进的A-Dijkstra算法实现路径推荐。实验表明,短时预测模型成功实现当前时间当前地点交通状况的预测,与历史平均时间和SVR支持向量的回归模型相比,该模型相对误差更小,预测更加准确。最后,针对出租车打车难问题,提出基于VANET的乘客打车概率与打车等候时间短时预测模型。通过对出租车GPS历史轨迹海量数据的挖掘,结合城市道路网络,提出乘客打车概率短时预测模型PTM和候车时间短时预测模型PTWTM。短时预测模型采用最大似然估计,将车辆到达率近似为分段线性函数,实现打车概率与打车等待时间的预测。实验表明,提出的短时预测模型在10秒钟内完成时间门阀为10分钟内的打车概率和打车等待时间的预测;在工作日和周末两种情况下与计算机学会人工统计的真实数据相比,预测模型不同时段的打车概率准确率大于90%,等待时间准确率接近85%。