近年来,随着汽车工业和通信技术的突飞猛进,智能交通系统（Intelligent Transportation System,ITS）和车辆自组网（Vehicular Ad-hoc Networks,VANET）受到了越来越多的关注。但传统的分布式架构由于其有限的视野,减缓了 VANET的发展。于是一个全新的网络范例-软件定义车辆网络（Software-Defined Vehicular Network,SDVN）的独特功能大大增强车辆网络的通信性能。但是现有的SDVN中的路由方案大多将网络视为一系列静态图。静态图中的路由计算有效率低下,成功率不稳定等现象,其主要原因可能是时间信息的缺失。本文希望通过时间图与预测去挖掘车辆网络中的时间信息。因此,本文提出了三种基于时间图的SDVN路由算法。它们在算法架构上是大致相同的,其都将车辆网络视为时间图,图中作为边的每个数据传输都有其特定的时间信息。第一种是基于时间信息的自适应路由算法（Temporal-information-based Adaptive Routing Algorithm,TibAR）,首先分别使用了距离与历史路由信息,构建了马尔可夫模型（Markov Model,MM）来用于表示并预测整个车辆网络。之后使用了双向预测算法,高效且准确地将未来可能发生的路由进行了预测,构建了未来路由时间图,最后使用了时间图最短路算法,以获得最优路由路径。之后又对预测模型与对应的预测算法做了创新,首先将隐马尔可夫模型（Hidden Markov Model,HMM）来代替MM,将路口设为隐状态,路由周围的车辆设为显状态,使用动态规划和贪婪策略构建代表当前车辆网络的HMM。再分别计算出最优与次优路口路径,连接后进行观测,将路口辐射到车辆,全连接并更新时间信息后构建出未来路由时间图。最后再使用时间图最短路算法计算最优路由路径。最后,在第三个路由算法:基于图卷积神经网络的贪婪路由算法（Novel GCN-based Greedy Routing Algorithm,NGGRA）中,首先对路由架构做出了创新,控制器通过从数据平面收集的信息,训练出一个决策模型并分发给数据平面,车辆通过该模型自行计算并决定路由路径。其中的决策模型将节点重要性融入到图卷积网络（Graph Convolutional Network,GCN）,提出了基于节点重要性的图卷积网络（Node-importance-based Graph Convolutional Network,Ni GCN）。最后提出了基于该网络的分布式贪婪路由算法。基于现实城市数据,进行了大量仿真实验以验证三种时间图路由算法的优越性。实验结果表明,与其他先进工作相比,三种路由算法在计算效率、送达率、传输时延和路由质量上,均有很大的提升。