随着人民生活水平的不断提高,城市的交通问题也日趋严重,因此能够对城市中的交通拥堵状况进行快速、准确的识别,对解决交通问题具有非常重要的意义,本文提出了一种基于网格模型的对城市交通拥堵进行识别的研究方法。近年来大数据技术的产生与发展,对于海量数据的收集、分析以及运用的技术方法层出不穷,加之机器学习技术的发展变化,运用大数据技术与机器学习技术相结合进而处理分析海量浮动车轨迹数据,研究出基于网格模型的城市交通拥堵识别系统成为可能。现有的拥堵识别的研究中,大多数方法在进行拥堵识别之前,都需要将数据匹配到矢量地图上。本论文使用了一种基于网格模型的识别交通拥堵的方法,在这种方法中,既不需要研究数据与道路匹配的算法,也不需要依赖精确度较高的数字地图,只需要对浮动车GPS数据进行处理和分析,即将数据匹配到构建好的网格模型上进行计算分析,从而完成交通拥堵识别。这样的识别方式,简化了计算步骤,提高了交通拥堵识别的效率。在对本系统进行设计开发时,在浮动车数据的分析存储和处理方面,为了支持海量交通数据的存储和运用,采用了当下流行的大数据技术;在数据处理分析方面,采用Spark分布式计算引擎,分别对交通数据进行实时计算和离线计算;在网格模型构建路网方面,运用DBSCAN聚类算法对网格边界上的交通数据进行聚类分析,从而构建出路网;使用PCA算法计算得到最终判断交通拥堵的指数数据。在系统的整体设计上,采用Spring MVC与vue.js的组合框架,实现前后端的分离,后端负责进行数据分析和处理,前端结合百度地图API以及其他可视化技术,将后端分析处理后得到的结果数据展示到前端页面,从而完成城市交通拥堵识别。接着,对系统进行了测试,包括功能测试以及非功能测试,最后,对本论文进行了总结和展望。本文目前使用的数据为全北京市内的浮动车一个月期间的GPS轨迹数据,通过前文所描述的技术方案,对北京市交通拥堵状况进行有效计算,并将其示在系统页面中,从而使用户能够快速的了解某一区域的交通拥堵状况,在对该区域进行交通规划时将拥堵状况作为参考,这对交通管理有很大的帮助。