作为智能交通的重要载体,车载网已经引起世界汽车行业的高度关注和学术界的广泛研究。车辆与车辆、车辆与路侧单元、车辆与基础设施之间的通信,使驾驶者能够获得视线范围之外的驾驶信息,如其他车辆的状态信息和实时路况等信息,同时,位于车辆上与车辆有相同移动规律的乘客通过个人移动设备接入网络获取网络提供的服务。随着车载网及其应用的迅速发展,大规模车辆终端及乘客移动设备接入网络,产生的流量对网络基础设施带来巨大压力,也对车载网和H2H (Human to Human)应用的性能造成一定影响,因此分析车载网中的流量,建立车载网的流量模型有非常重要的意义。目前关于车载网流量模型的研究还比较少,并且存在一定的局限性。在车载网流量的定义方面,只考虑车辆的流量或者只考虑乘客的流量;在车载网的流量分析方面,未考虑车辆的移动性;在网络结构方面,忽略车载网中通信场景的多样性;在流量模型的方面,当前针对车载网流量模型非常少。因此,考虑到车载网网络环境及用户环境的复杂性,目前车载网数据流量建模还存在较大的挑战。本文基于所收集到的车载网数据流量进行建模,该流量包含V2V、V2R中的多种通信场景,包含车辆应用和用户应用产生所有流量。本文提出了 一种基于双层隐马尔科夫模型((Two Level Hierarchical Hidden Markov model), TL-HHMM)的车载网流量建模的方法,它使用时间序列的分割、K-Means聚类等方法对原始数据进行处理,并利用Baum-Welch方法对流量进行学习,从而建立起车载网流量模型。该建模方法考虑了车载网流量大尺度的周期性和阶梯性、小尺度的波动性和层次性。实验结果表明该模型能够有效捕获车载网流量大、小尺度上的特点,对车载网流量能够较好地建模,而且可以较准确地描述流量的自相似性。本方法建模的结果可以作为评估车载网流量对网络基础设施的影响和对H2H (Human to Human)流量影响的基础,同时也可为提高网络性能、改善车载网QoS、提高带宽利用率等提供帮助。