近年来,随着社会经济的飞速发展,机动车保有量迅速增加,城市交通拥堵问题日益显著。城市路网中的交通干道是城市交通运输的大动脉,承受着大部分的交通负荷,而干道交通信号协调优化控制是解决城市交通拥堵的重要方法之一。随着大数据时代的到来,如何利用海量的交通大数据和先进的分布式数据处理平台,为交通信号的优化控制提供数据和决策支持是一项重要和迫切的工作。论文对干道信号协调控制的基本原理和干道信号控制参数的计算方法进行了研究,对经典的最大绿波带控制模型进行了分析。针对高峰时段交通流分配不均衡的特点,对基于不同带宽需求的最大绿波带控制模型进行改进,选取车辆数最多(双向绿波带宽之和最大)为正效用目标,引入排队长度作为负效用目标,并依据排队长度解决双向不同带宽需求比例系数的标定问题。此外,论文借助LINGO软件对干道绿波协调控制模型进行优化求解。为确保干道信号协调优化控制模型输入数据的可靠性、准确性,提高了数据处理效率,论文还对基于浮动车GPS数据的交通流参数的估计方法进行了研究。当前,浮动车数据量急剧增长,浮动车数据已成为道路交通数据采集的重要来源,本文基于Hadoop平台对浮动车数据进行处理。其中,采用HDFS进行数据存储并在此基础上建立HIVE外部表方便查询和简单数据计算;制定数据清洗原则,去除采集到的冗余及错误数据;基于网格搜索的方法实现地图匹配,在此基础上计算排队长度和通过瞬时速度-时间积分方法计算平均行程速度。最后通过VISSIM仿真软件验证所提出模型的有效性,实验中数据来自沈阳市某日高峰时段1小时约7800万条出租车GPS数据及SCATS系统收集的地磁感应线圈流量数据。仿真结果表明,基于交通大数据的城市干道交通信号协调控制方法,在延误时间及停车次数上与经典模型及现有改进模型对比有一定减少,有助于提高干道交通运行效率。