车联网信息物理融合系统在智能交通的发展上起到了重要作用,它通过计算、通信和控制三大领域的技术,影响和改变着交通环境。随着车联网数据的日益增长,以及大数据技术的不断发展,使得大数据在车联网信息物理融合系统的应用越来越重要。大数据中潜在的价值对提高车联网智能化、改善用户出行体验等方面有很大帮助。然而,爆发式增加的数据量使得车联网在数据的处理和存储方面面临着挑战。本文为满足大数据背景下车联网信息物理融合系统的特性和需求,如大数据的规模性(Volume)、多样性(Variety)、高速性(Velocity)和真实性(Veracity),车联网信息物理融合系统的复杂性、实时性和时空性等,分析了大数据特性,提出基于云计算的车联网信息物理融合系统体系结构。针对车联网大数据的存储需求和特性,提出了实时数据模型和基于云计算平台的大数据存储模型；针对车联网大数据的数据处理,分析基于MapReduce的大数据批量处理模型,同时考虑到车联网大数据的实时性需求,提出了基于Storm的车联网大数据实时处理模型和基于Hadoop的车联网大数据并行处理模型。通过研究成体系系统理论(System of Systems,简称SoS)和体系结构分析与设计语言(Architecture Analysis & Design Language,简称AADL),结合大数据、车联网和信息物理融合系统(Cyber-Physical System,简称CPS)的特点,提出一种基于SoS和AADL的大数据驱动的车联网CPS的建模方法：通过该方法在车联网CPS建模的具体应用,利用AADL组件建立了车联网车辆单元系统、车载数据处理系统、路边单元系统、控制中心系统等主要系统的硬件和软件模型；利用Modelica建模语言建立车联网CPS物理模型和描述车联网CPS的物理行为,并对物理模型和行为进行仿真；通过自定义属性扩展的AADL描述了车联网CPS的数据模型,以及通过附件扩展的AADL描述车联网CPS的非功能特性,包括数据流、非功能子程序、面向方面建模,并生成了相应代码；通过系统端对端的流延迟性分析和可调度性仿真测试,分析了系统的实时性和可调度性,证明了方法能在系统设计初期检测系统潜在的问题并及时做出修正,对大数据驱动的车联网信息物理融合系统分析与设计具有效性和高效性。