在许多智能交通应用中,安装了GPS设备的车辆(简称浮动车)产生了大量的轨迹数据,分析和挖掘这些数据是当今交通及计算机等领域的一个研究热点,如计算交通路网状态、检测交通异常和城市动态分析等。由于GPS存在定位误差,车辆的GPS轨迹通常无法和路网数据直接关联,所以在对车辆轨迹数据进行分析挖掘前,精确地把车辆的行车轨迹匹配到路网上,即地图匹配,是一个必不可少的步骤。浮动车只要在运行过程中,GPS设备就会每30秒~1分钟左右向服务器传送经纬坐标等相关数据,从而形成了GPS流数据。对GPS流数据进行地图匹配,不仅要考虑GPS和路网间的偏差,还涉及到较为稀疏的GPS点对车辆轨迹恢复造成的多义性;与此同时,更要满足实时匹配的计算要求。因此,本研究提出一种分布式地图匹配方法,可以高效准确地处理海量浮动车流数据。该方法基于隐马尔科夫模型,可同时顾及到采集的GPS经纬坐标与路网之间的偏差、前后匹配点的可达性以及车辆的行车速度等多种因素,以提高匹配精度和降低路径恢复的多义性。实验采用了Jstorm分布式系统作为设计并行处理流数据地图匹配算法的基本框架,以提高计算效率。论文的主要工作包括:1)提出了地图匹配算法加速策略。为了应对大规模浮动车数据,以及提高匹配算法的实时性能,本文详细介绍了网格索引和最短路径列表加速策略,其中网格索引主要用于确定候选路段,最短路径列表则用于可达性的分析过程中;2)改进了原有的隐马尔科夫地图匹配算法。首先概述了基于隐马尔科夫的地图匹配算法,阐述了算法的改进和该算法用于实时数据流的实现方法,最后探讨了地图匹配过程的异常以及相应的处理方法;3)分布式地图匹配系统设计。处理海量的浮动车数据,仅依赖单个计算节点的性能已不足以满足实时的需求,本文介绍了Jstorm分布式框架,在此框架之下,本文设计了基于spout/bolt编程模型的浮动车地图匹配算法。在上述基础之上,本文设计了两组实验,分别用于验证地图匹配的正确性和基于Jstorm框架下的地图匹配算法效率。实验中涉及到两组数据,分别是文献[1]公开的用于验证地图匹配算法正确性的浮动车数据和深圳市2015年1月1日至1月7日7天的浮动车数据。实验结果表明:本文算法的1F-Score为95.8%以上,计算效率能够满足大规模浮动车流数据实时处理的需要。