传统的车联网数据获取是基于重要路口和断面的地磁线圈、摄像机等交通监测手段,这种方式感知覆盖范围有限、实时性受限,而基于移动群智感知的数据获取方式移动性强,感知的覆盖范围更广,车辆行驶规律性强。目前对于车联网移动群智感知的数据获取的研究不足,缺乏合理的节点选择机制。本文首先设计出了一种合理的服务节点选择方法,然后将选择出的服务节点应用到路由决策中,设计出了一种有效的数据转发机制,从这两方面入手来实现车辆网节点的优化。首先,本文提出一种基于高斯分析的马尔科夫位置预测方法,用来计算参与感知的车辆到达目标区域的概率。本文提出的基于高斯分析的马尔科夫位置预测算法,根据高斯混合模型来拟合在一整段连续的时间下,在各个位置间的转移概率,找到最有可能的位置转移时间点,最终可以把找到的这些时间点当作是马尔科夫模型的状态转移点,建立马尔科夫模型来计算车辆到达某一位置的概率。其次,本文设计一种基于遗传算法选取最优车辆服务节点集的方法,结合上面提出的基于高斯分析的马尔科夫位置预测算法较为准确地预测出的服务车辆到达目标区域的概率和路网结构计算出的服务车辆到目标区域的绝对距离。该方法能够以相对快的速度找到满足条件的车辆服务节点,利用选出的车辆节点完成感知服务,不仅可以提高感知服务质量,并且有效地节约了资源。最后,本文提出一种基于地理位置的机会网络路由协议,将上面选择出的服务节点应用到路由决策中。车辆节点之间的数据传送可设计一种机会网络中的数据转发机制,可以更好的适应城市、动态的车联网环境,提高投递率,减少网络拥塞的可能,减少网络开销。