在智能交通领域中,存在着两类实时交通大数据:一种是车牌自动识别（Automatic Number Plate Recognition,ANPR）数据,一种是全球卫星定位（Global Positioning System,GPS）数据,基于此两类数据挖掘车辆的伴随关系一直是个热点话题。因为智能交通应用要求具有极高的实时性,而社交媒体的发展使得各种文本信息充斥在交通网络中,如何高效利用交通大数据及相关媒体信息,从中发现伴随车辆成为了一个难题。为了解决相关问题,针对ANPR数据,本文提出了一种基于轨迹语义相似的伴随车辆挖掘模型;针对GPS数据,本文构建了一种基于分布式流处理框架的伴随车辆挖掘模型。具体的工作如下:1.针对时空轨迹无法有效表征车辆意图的问题,本研究以轨迹语义为切入点,综合考虑了车辆轨迹的时空特征,语义特征,提出一种基于语义相似性的伴随车辆挖掘算法。首先,基于上下文对轨迹进行动态时间切片,融合轨迹时空特征和文本信息,提出一种轨迹语义矢量化表示方法。接着,提出一种基于“轨迹对”的双向GRU模型,通过实际轨迹和采样轨迹组成的轨迹对集合,构建正反向的子网络,更好的进行轨迹补偿。最后,考虑到Attention机制对局部特征的敏锐性,利用Attention对影响轨迹形状的关键节点进行加权表示,得到更加精确的轨迹表示,进而有效发现伴随车辆群组。2.针对从GPS交通大数据中挖掘伴随车辆具有的实时性要求,利用Spark Streaming分布式流处理框架,提出了一种从GPS数据中实时挖掘伴随车辆的模型。首先,本文改进了基于广度优先搜索的Apriori算法,结合了广度优先和深度优先的技术优势,增强了算法的计算性能,使之能高效挖掘大数据中的频繁项集。接着,将所提算法应用在Spark分布式集群上,使用Spark RDD存储数据,利用Spark Streaming框架,通过滑动窗口模拟流式数据,执行Spark Streaming提供的相关高级函数进行分布式并行挖掘处理,从GPS流数据中即时发现伴随车辆。实验结果表明,本文所提方法可更加有效的发现伴随车辆模式,提高了伴随车辆挖掘的准确率和即时性,表明所提模型在伴随车辆挖掘领域是有效的。