随着国内汽车保有量的逐渐提升,越来越多的交通问题逐渐显现出来,例如交通阻塞,交通事故频发、汽车尾气排放等,业界公认能够解决当前问题的技术为智能交通,它是伴随着5G、物联网和无人驾驶技术的兴起而被提出的,通过提升的网络传输速率和稳定的传感器功能,使得越来越多的数据变成解决问题的核心,通过历史数据获取隐藏的规律进行交通避障、路径规划、路由优化等。本文利用交通传感器采集到的交通数据,提出了一种基于深度学习的交通流预测模型,通过分析交通流中的时间和空间特征,使用LSTM和空域GCN结合的深度学习算法提取时空特征,训练模型进行高精确度的交通流预测。在此基础上,本文提出了一种基于交通预测的车联网路由协议,通过预测数据建立仿真环境,对数据包通过某路段的时延进行分析从而建立全局时延模型,使用蚁群算法求解得到较优传输路径。使用预测数据能够使路由路径适应未来时刻的交通流变化,提升传输性能。本文具体研究内容如下所示:(1)本文提出了一种基于深度学习算法提取交通流时空特性的区域交通流预测算法,通过LSTM模型提取交通流时间特性,使用空域GCN算法提取交通流空间特性,根据交通流的周期性进行数据预处理,将周内周期性和周末周期性划分开训练不同的模型,最终融合成为LG+模型。在现有交通数据集洛杉矶高速公路环形数据集中进行验证,进行了15分钟预测、30分钟预测、45分钟预测和1小时预测,最终在确定性系数和可释性方差上均取得了较好的性能,能够进行精确的区域预测。(2)基于上文得到的未来不同时刻的交通流预测数据,针对当前路由协议中存在的不能对交通状态变化自适应的问题,本文提出了一种基于交通预测的车联网路由协议。通过将预测交通流数据代入时延模型得到未来时刻数据包通过某路段的时延,从而得到当前以及未来短时期内数据包通过区域内各个路段的时延,将问题转化为无向图最小代价问题,使用蚁群算法得到时延最小的传输路径。(3)本文采用了OMNe T++、SUMO、Veins搭建仿真场景,使用真实交通数据进行仿真环境的构建,据本文所知,这是第一次使用真实数据集进行网络仿真,考虑到无线信号损耗的情况,在仿真平台上进行仿真,证明该路由协议在稀疏场景下能够明显降低端到端时延,提升分组投递率。