交通状态感知与诱导技术是智能交通领域最活跃的研究方向之一,特别是随着云计算技术的发展,推动着交通状态感知与诱导技术的进步。基于云计算的交通状态感知与诱导技术的主要目的就是快速高效寻找交通状态信息中的内在规律,为智能交通系统的设计提供技术支持,有利于优化交通路网,缓解交通拥堵,减少污染。当前基于云计算的交通状态感知与诱导技术研究的重点在于如何设计高效的并行算法模型,其主要有两方面的难题:一方面,由于交通状态信息的特殊性,使得现有数据处理模型无法直接在海量交通状态数据中高效实现;另一方面,由于信息需求者和管控的及时性对时间高度敏感,使得现有的计算模式无法满足实际应用的快速性需求。本文针对当下海量交通状态数据处理面临的问题,分别从大数据聚类算法、浮动车交通参数估计、交通状态信息估计以及大规模交通路网的最短路径诱导算法等方面展开研究。本文完成的主要科研工作总结如下:(1)基于云计算的改进K-means算法本文在研究云计算技术的基础上,设计了一种改进K-Means聚类算法(CK-Means),该算法由Canopy算法和K-means两种算法生成,主要解决在数据聚类过程中,容易引发局部陷阱迭代次数增长较快和耗时增加等问题。算例分析表明:CK-means算法与传统聚类算法相比,在聚类准确率、扩展率和加速比等方面都获得了良好的性能。(2)基于浮动车数据的交通参数估计交通流量、速度及行程时间是反映交通状态的重要参数,本文以海量浮动车数据为对象,设计了一种分布式计算框架来计算交通参数。该计算框架能为城市交通监控提供可扩展的、高性能的数据密集型计算服务。另外,设计了一种基于Bigtable的多维浮动车数据模型存储实现管理分布式海量浮动车数据,这个模型主要包括两个部分:浮动车数据域(FCD域)和道路域。(3)交通状态信息估计方法针对交通流量、密度和行程时间信息,分析了同一时间内三者之间的关联性。在前后相邻的两个不同时刻的状态关联性;同一时间t下,交通基础设施对三种交通状态之间关联性的影响并建立了一般问题解决模型;其次,针对三种交通状态关联性给出了基本图、链路队列模型以及基于基本图的交通基础设施状态,并在此基础上提出了基于期望优化的扩展卡尔曼滤波算法。实验结果表明:该算法在高速公路或城市主干道交通状态估计方面具有高快速性特征。(4)大规模路网最短路径诱导算法在云计算架构下,针对大规模路网最短路径求解问题提出了一种基于MapReduce并行计算模型的最短路径诱导方法。该诱导算法首先对大规模路网进行子区划分,然后计算GPS坐标并确定划分位置得到子图集合;其次,针对子图进行迭代循环求解;最后,通过合并各个子图最短路径得到最终全局最短路径。该算法分别从子图尺寸对计算结果的影响、子图尺寸对计算复杂度的影响、并行计算效率对直接计算的影响、集群计算节点数对算法的影响等多各方面展开了算例分析。算例结果表明:该大规模路网最短路径诱导算法在计算复杂度、计算效率、计算准确性等方面均取得了良好的性能。