最近几十年，汽车逐步成为人们重要的出行交通工具，汽车数量的增多对交通管理、环境污染、安全驾驶等都提出了新的挑战。在交通管理层面上，需要车联网实时发布交通道路信息，及时对车辆进行疏导，防止交通拥挤。在环境污染发面，需要实时对信号灯和周边车辆信息感知，减少停车次数，减少能源消耗。在安全驾驶方面，则对车辆间低时延高可靠地传递车辆属性信息提出更高要求。　　为了满足车联网更高的通信性能要求，必须充分对车流量建模，根据建模结果对车联网间的通信研究。精准的车流量建模对分析车联网架构设计、场景设计、性能分析有重要作用。为此，工业界和学术界做了大量的研究与改进，但仍有一些因素没有充分考虑，如:地区的差异性，车辆的链接状态等。　　本文创新性地把地区差异性和车辆连接状态考虑在车流量建模和车联网时延研究内，结合上海市实际车流量数据展开建模，利用建模结果，采用自回归模型和神经网络模型对车流量预测，最后得到时延表达式。本文的主要贡献如下:　　本文收集上海市2012年间2个不同时期的5条高架的车流量数据，在小尺度范围内，给出车流量平均一天内的统计结果，并结合当下对于WLAN和WAVE共存的问题进行分析，该问题的提出对于提高频谱利用率有重要作用。实验数据表明上海外环在白天平均每1.5分钟就需要切换一次信道，因此白天并不适和WLAN与WAVE共存场景的使用。　　根据时间角度的车流量建模，通过自回归模型与神经网络模型对车流量预测，并给出预测结果。研究结果表明，本文所用的两个模型对相关的实验所需数据均能有效地进行跟踪，也能有效地进行预测;但是在不同时段的前提下，两个模型对数据预测准确性是不相同的。　　结合车流量建模与车流量预测，充分考虑车辆的连接状态和非连接状态，得到高速公路多跳通信场景下的时延表达式。该表达式运用排队论和连接概率对时延分析，最终得出车联网多跳与跳数、车辆覆盖半径、传输包大小等息息相关。该研究对减少时延提高车联网的可靠性通信具有指导作用。