近年来,汽车保有量的迅猛增加导致城市市区、郊区甚至乡镇地区的交通恶化,造成交通拥堵、交通事故等问题。智能交通系统的提出可以很大程度上解决此类问题。作为此系统中传输消息的关键,路由算法的使用显得尤为重要。与传统的MANET所使用的路由表机制不同,VANET中节点具有高速移动的特性,导致拓扑频繁变换,很容易产生路由表失效,路由效率低。因此,直接引用MANET路由算法无法满足VANET需求。基于地理位置的路由算法因无需建立和维护路由表,仅通过地理位置信息就可以完成通信,某种程度上解决了路由资源浪费的问题。目前,基于地理位置的路由算法中大多仅采用距离、速度、方向等独立的特征值来提高路由效率,基于专家经验来设定每种特征值在路由选择中的权重。但是,基于地理位置的路由算法中,选择中继节点受众多特征所影响,不仅限于以上所提,且当特征值种类增多时,很难人为的设定其权重值。于是,本文提出通过仿真模拟提取节点特征值生成节点特征值数据集,其中特征值包括到目的节点距离、速度、加速度、方向向量。在计算相对距离后,将邻居节点的特征值结合当前节点、目的节点的特征值生成最终用于机器学习的训练集集合。最后,采用机器学习将多特征拟合成新的路由度量即驾驶习惯,来改进原始的基于地理位置的路由算法。本文用拟合的新的路由度量来改进经典的基于地理位置路由算法GPSR算法。通过实验对比,在丢包率平均时延方面都较原始的GPSR算法有所提升,证明了多特征对基于地理位置路由算法改进的优越性。