随着国民经济的高速发展,道路上机动车保有量不断地增长,使道路交通的压力剧增导致了交通拥堵,进而增加了出行成本同时也造成了环境污染等诸多问题,使社会的运行成本增长。射频识别(Radio Frequency Identification,RFID)由于其具有识别准确性高不被天气等因素干扰、识别速度快、包含信息更全面等优点,广泛应用于交通领域,形成了汽车电子标识,为解决城市道路交通问题提供了一种新手段。在机动车上安装汽车电子标识标签,在采集点的道路上方安装汽车电子标识识读设备,对采集交通数据对数据进行处理,分析车辆的行为,检测伴随车辆,识别道路交通拥堵和预测交通流。本文以深圳市汽车电子标识数据为基础,设计了面向汽车电子标识的数据分析系统,借助交通流参数分析了城市道路的出行特征,通过一段时间内的汽车电子标识数据分析车辆的伴随行为检测、交通拥堵识别和短时交通流预测。为道路交通管理部门提供合理化建议,缓解城市道路交通问题。本文的主要工作内容如下:(1)伴随车辆检测。伴随车辆是交通领域的概念,指在一定时间内某些车辆一起通过识读站点的数量达到某一阈值,伴随车辆检测主要针对可能存在的协同作案的车辆。本文的伴随车辆检测主要通过各个采集点获取的汽车电子标识,通过使用基于Spark平台的FP-growth(Frequent Pattern growth)的伴随车辆检测算法,利用键值对的方式处理汽车电子标识数据,可提高伴随车辆检测的效率。(2)交通拥堵识别。在汽车电子标识数据基础上,选取交通量和速度作为主要的交通流参数,分析了道路交通的运行状态。通过模糊理论使用FCM(Fuzzy C-means)算法,针对不同道路实际交通拥堵状态,对不同样本数据聚类中心的差异,使用均值移动的方法确定初始聚类中心,同时分析了模糊指数和聚类数目的取值,以获取最佳聚类效果,得到路段状态的识别结果,并对路段拥堵状态判别结果进行了分析,使用模型评价指标,验证了算法的准确性和并行化后提高了效率。(3)短时交通流预测。针对交通流数据具有时序性,周期性等特点,建立基于ARIMA(Autoregressive Integrated Moving Average)的短时交通流预测模型。在对短时交通流预测中使用时间序列的ARIMA算法能够取得较好的效果,但ARIMA模型只能分析数据线性性质,对于不稳定峰值波动会出现一定误差。由于实际交通流的复杂性,只用ARIMA模型难以取得很好的预测效果,本文提出了ARIMA-GARCH(Autoregressive Integrated Moving Average Generalized autoregressive conditional heteroskedasticity)模型,用于短时交通流预测,解决了交通流的非线性特征,准确率达到94%,并利用Spark平台提高了执行效率。在以上模型研究的基础上,基于Spark平台并结合kafka消息中间件,设计和实现了一个基于汽车电子标识的数据分析系统,对汽车电子标识数据进行存储,处理和分析;给出了系统的概要设计和系统的架构、数据库设计,以及数据管理模块、伴随车辆检测模块、交通拥堵判别模块、短时交通流预测模块的详细设计与实现。