随着国民生活水平的日益提高,汽车消费也逐渐呈现快速增长趋势,如何在城市环境下对于汽车进行综合管理、建设城市智能交通系统是亟需解决的课题。地图匹配技术(Map Matching)作为智能交通系统的核心技术,能够有效降低定位误差,通过确定车辆的最佳道路匹配位置来获取直观的地图匹配结果,从而为智能交通系统提供服务。针对传统地图匹配算法无法在车辆定位准确率和服务计算效率上达到平衡的问题,提出了一种改进地图匹配算法ICMM(Improved C-Measure Map Matching)。一方面,在传统C-Measure度量方式基础上设计了多种因素及权重机制,包括位置点与线路的距离、历史轨迹与线路的平均距离、位置点行进方向与候选道路的方向偏差、连续位置点走向与候选线路片段方向偏差等四种因素以及相关权重系数设计。实验结果证实该方法可以有效地提升地图匹配算法的定位准确率,同时也保证了算法复杂度不会明显提升。另一方面,在算法实现过程中,采用了新的候选线路片段选择机制来减少候选线路范围,并采用水平适应性模糊逻辑网络(Horizontal Adaptive Fuzzy Network,HAFN)实现参数动态求解,与传统算法相比,可以提高车辆运行的稳定性,同时也保证计算效率没有明显降低。针对基于串行执行的传统地图匹配算法无法满足规模庞大的数据处理要求,提出了一种并行化的设计思想,并采用Spark技术进行实现,采用Kudu进行数据存储。首先将改进地图匹配算法ICMM在Spark框架上进行并行化设计,适应大规模数据处理需求。其次在并行化过程中,采用希尔伯特空间填充曲线进行空间索引建立,最后进行数据分区计算,从而均衡不同节点的计算能力,提升算法的计算效率。