现在是一个信息数据爆炸的时代，随着各种移动终端以及互联网、车联网和智慧城市的发展，人们生活中的海量数据信息被记录下来。数据的迅猛增长，从数据的维度为人们提供了新的方式去解读世界，但与此同时海量数据的存储和处理也为人们带来了新的技术挑战。顺应时代需求而产生的大数据处理技术成了当今的热门技术，它不仅可以存储数百TB数据、甚至可以存储数百PB数据，同时它有hadoop的离线式计算框架、storm的流式计算框架以及spark基于内存的计算框架等不同计算框架可以满足不同需求的数据分析。大数据，取意于大量数据，其典型的特征包括：海量的数据规模(Volume)、快速的数据流转和动态的数据体系(Velocity)、多样的数据类型(Variety)和巨大的数据价值(Value)。而随着汽车数量的快速增长，每天都有海量的汽车行车位置数据被记录。如何充分利用这些海量位置数据，寻找汽车行车位置数据隐藏的规律，为缓解交通压力、方便城市交通生活提供数据支持，成为了大数据领域的一个重要研究方向。
　　本文首先对大数据处理的相关技术进行了研究，分析了hadoop分布式的文件存储系统HDFS、分布式的计算框架MapReduce、新一代的资源管理器Yarn，以及可以存储海量数据的分布式数据仓库Hive，封装了各种机器学习方法的mahout技术等。然后通过对大数据技术的研究和学习，搭建了一个具有5个机器节点的hadoop集群，对海量的行车位置数据信息进行数据分析。在部署的hadoop集群环境中，利用hive数据仓库对海量位置数据进行存储，并利用MapReduce以及hive的sql语言实现了对海量位置数据的清洗；通过分析工作日车辆的位置数据，得到车主家和公司的位置，并利用mahout机器学习的kmeans聚类算法分析可全程拼车的路线；然后利用改进的豪斯多夫距离得到可以拼车的车主路线，并利用基于匹配度的聚类为乘客推荐合适的途中拼车的路线。