随着我国的城市化规模扩大及人口数量增多,居民的物资需求也越来越多,但目前城市道路的交通拥堵造成了物流时耗长、消费者体验差等现象,现代物流的高速发展已经对城市交通系统提出越来越高的要求,可见解决城市交通问题的必然性和紧迫性。基于此,考虑到交通流量的主要来源是居民出行,对于居民出行特性的分析结果可以反映一个地区的基本交通状况。本文以北京市28000辆浮动车一个月采集的轨迹数据为对象,通过对居民出行行为特性的挖掘,分析了北京市城市交通的时空分布特性及其在现代物流中的应用,具体内容包含:(1)Hadoop生态系统相关技术研究,研究了分布式文件系统的架构和Spark数据处理的原理,搭建了包含3个节点的分布式集群,提高了数据处理的效率;(2)浮动车轨迹数据的预处理,提出了数据滤波和概率统计结合的重复数据清洗方法,引入改进的Douglas-Peucker算法有效的识别浮动车漂移数据;并提出了一套完整的浮动车轨迹数据预处理框架;(3)道路交通时间特性分析及其可视化和应用分析,实现了交通出行量、高峰时段等特性的统计分析,对比了节假日、工作日和周末的差异并结合可视化将其生动直观的呈现出来,同时分析了其在现代物流中的应用;(4)城市交通空间热点区域分布研究,通过比较多种聚类算法,利用DBSCAN算法发现城市交通的热点区域;对比分析了不同时段热点的数量、地域分布、热度大小及其应用;并结合地图从语义层面上验证了聚类结果的正确性。论文研究成果不仅加深了我们对于交通路网的理解;还从运输管理层面解释了不同地区和时段的交通需求,为现代物流的智能决策提供了一定的参考;也为解决城市拥堵提供了新的视角,对交通规划和现代物流发展有着重要的意义。