随着中国城市化规模的逐步扩大以及城市居民收入的不断增加,私家车数量也在不断的增加,伴随着也带来了一系列的交通问题。为了便于城市交通的管理,智能交通系统应运而生,其通过引入现代化技术并结合各城市的具体需求,实现对交通信息的实时收集和处理,了解当前的交通环境并作出相应的调控。这对于保障城市交通高效运行和可持续发展具有重要的意义。数据存储与检索是智能交通系统的核心之一。在实际公安局点应用中,道路监控每天会产生海量的数据,仅浙江省一天产生的过车数据便有几亿,并且数据到达具有随机性。传统的关系型数据库由于其严格的表结构约束,无法实现海量数据的存取操作。并且当一张数据表的数据量达到一定级别时,索引本身就过于巨大。因此数据库的检索功能根本无法满足数据检索的需求,并且极易造成系统的瘫痪。本文对以上问题进行深入研究,设计了千亿级智能交通大数据存储与检索系统。系统采用分布式集群方案,以分布式框架Hadoop为基础将系统集群设计为主从架构。集群使用Zookeeper进行一致性管理,使用Yarn进行资源管理和分配。为保证系统集群的稳定性,通过虚拟IP和Zookeeper实现了负载均衡和高可用性机制,用于处理高并发连接和单点故障问题,并保证对外地址的一致性。针对海量数据存储和检索这个难点,引入搜索引擎Solr和非关系型数据库HBase实现数据存储和检索方案。针对高并发数据容易引起Solr不稳定,设计了Kafka和Spark Streaming高并发实时数据缓存和消费策略。针对海量数据检索延迟高,设计了自称为Solr分Core算法和时间紧缩算法,实现了千亿数据秒级检索,并设计了翻页缓存功能提升客户端翻页体验。最后,本文对系统进行测试,测试结果表明系统工作稳定,能高效存储海量多种类型数据。当数据库中存储一千亿条过车记录时,对此TB级别数据进行各种条件的检索均能在1s内响应。