城市交通拥堵已经成为我国城市发展的瓶颈,严重影响到了人们的日常生活质量和幸福水平。为了改善和提高城市交通服务水平,世界主要发达国家都在发展智能交通系统。作为智能交通数据采集方式,浮动车技术为智能交通系统提供基础数据。地图匹配(Map Matching)是浮动车技术的重要组成部分,能够有效地将浮动车的GPS数据转换成道路交通信息。本文的研究主题就是海量浮动车数据的地图匹配技术。相比于实时浮动车GPS数据,海量浮动车历史数据往往具有数据量级大、采样间隔不稳定的特点。随着浮动车数据量级的增加,单机的运算已经无法满足对GB或者以上浮动车数据的快速地图匹配。云计算是应海量数据处理的需求发展起来的新兴综合性应用,云计算的支撑技术(如:分布式文件系统、Map Reduee技术、No SQL数据库等)在海量数据的处理方面具有常规技术难以匹及的优势。将浮动车数据处理带入云计算环境中,可以利用这些技术降低海量数据处理的难度、节约成本、提高处理效率。本文主要在算法和平台两方面对浮动车数据地图匹配进行优化:1.在平台方面,选取开源分布式架构Hadoop作为系统集群代替了传统单机系统,通过Hadoop分布式文件系统(Hadoop Distributed File System)实现了对海量浮动车数据的分布式存储,运用Map Reduce编程模型进行了海量浮动车数据的并行地图匹配。2.在地图匹配算法方面,本文采用了四叉树路段筛选算法,相比于普通的网格路段筛选算法,四叉树结构更好地解决了路网网格中道路密度分布不均衡的问题,优化了候选匹配路段。在Hadoop平台进行海量浮动车数据地图匹配实验中,本文的算法在正确率和运行速度两方面均有较好的表现,尤其是运行速度较单机有较大提高。因此,本文不仅具有理论上的创新意义,也具有较高的实际应用价值。