随着检测技术的不断发展和交通决策者信息共享技术的逐步成熟,智能交通系统数据采集设备存储了海量的城市交通数据,如何分析海量的多源异构交通数据,研究影响其时空分布特征的因素,成为当今智能交通系统研究的重点。然而,传统的数据处理以及计算分析方法已不能满足庞大数据急速增加迫切需求,因此,需采用智能分析技术高效挖掘多源异构交通大数据的潜在价值,为城市交通的有序发展提供具有较高价值密度的数据信息,从而逐步提高我国城市交通管理水平。以分析某市多源异构交通大数据为例,在部署Hadoop大数据平台基础上,针对复杂、庞大的交通数据源,通过历史数据修复法以及时间序列分析分别补充了不同类型交通流数据的缺失值,并提出了采用词频统计方法和K-means聚类算法开展多源异构交通大数据智能分析技术研究。通过词频统计方法智能分析了交通流量周分布特征与空气质量等级之间的关系,道路事故和车辆违法数据的时空分布特征。以时间为聚类标签,通过Hadoop集群并行计算K-means聚类方法,智能分析了交通流量、道路事故以及车辆违法数据不同类别之间的相似和差异特征。最后,基于“HTML+CSS+Java Script+Echarts”可视化技术,设计并搭建了多源异构交通大数据可视化分析平台,实现了交通流量、道路事故及车辆违法相关综合数据的深度挖掘分析,为城市交通管理、政府决策和公众出行提供了数据可视化支撑平台。通过采用Hadoop大数据平台智能分析多源异构交通大数据,不仅可以明确城市交通大数据时空分布特征,而且可以深度挖掘多源异构交通大数据的潜在价值信息,为城市交通管理提供理论及技术支持,有效提升城市交通系统管理水平。图38幅;表14个;参51篇。