近年来,随着社会经济的快速发展和生活节奏日益加快,人们对出行的要求也越来越高。然而由交通需求量和汽车保有量的增加而产生的一系列负面问题给人们的出行带来极大的不便,在一定程度上制约着出行效率的提升。作为智能交通的重要组成部分,车载自组织网因其在路径规划的优势而对提升出行效率发挥着重要作用。目前对路径规划的研究主要从微观和宏观两个层面展开:宏观方面是从城市的整体道路拓扑结构出发,为车辆选择最佳路线;微观方面则是细化到分组数据消息在路段内的传输,为数据包选择出最佳路由。本文以提高交通出行效率为研究目的,分别从微观和宏观两个角度出发,以分组数据和车辆为研究对象,提出了基于分组和车辆的路径选择依据的研究方案。论文的主要研究内容如下:(1)在车载自组织网络中,交通车流状态极大的影响着道路中数据的传输性能。为了使数据在不同车流密度下都能够快速地到达目的节点,节点在做路径规划时,需要选择一条分组传递时延最短的路径。为了找到这样一条最优的路径,本文选取时延作为路由度量指标,根据道路车流密度,提出了一种基于分析模型的数据传输时延估计方法,该模型详细分析了给定路段在网络连通和非连通状态下数据传输时延的计算过程。根据所建立的分析模型,在只需得知道路车辆密度的前提下,即可估计出数据包在道路内的传输时延。实验结果表明,在城市场景中,该时延分析模型在不同的交通状况下都具有较高的准确性。(2)在路网运行过程中,实时有效的交通状态预测,可以帮助出行车辆更好地进行路径选择,快速到达目的地。为提升车辆出行效率,本文把具有时间间隔长、存在误差特性的GPS数据应用于城市交通状态预测中,提出了一种基于GPS数据的交通状态预测方法。首先对GPS实时数据进行预处理和地图匹配,把车辆正确地定位到路网上,同时对候选路段数据进行有效地过滤和补遗。然后将模糊理论与马尔可夫过程相结合,建立模糊马尔可夫预测模型,模糊划分时间序列转移状态,为了进一步提高模型预测精度,采用连续三步平均法对模型进行改进,并建立等维序列。最后选取速度和流量作为模型输入参数,并运用模糊推理的规则将输出参数转化为拥挤水平指数,实现交通状态判别预测。通过实验验证,得到本文提出的模型具有建模简单、预测精度高的优点,适合短时交通状态的预测。