最短路径查询是图领域中研究的一个重要课题,用于计算一个顶点到其他顶点的最短路径,应用非常的广泛。主要特点是由起始顶点出发,向外逐层遍历,扩展到目标终点结束。经典最短路径查询通常是定义在静态图中,发展至今已有很多成熟高效的求解算法。然而在当今许多现实应用中,图模型往往具有时间特性,例如时间序列图。经典最短路径查询算法在面对此类图模型时遇到了很大的挑战,往往不能给出满足查询条件的最优解决方案。本文研究分析时间序列图中的路径查询问题,针对其时间特性,提出了最优路径查询算法。同时考虑到大数据环境下图的规模将日益扩大,因此对算法进行了扩展,提出了一种基于Hadoop的分布式查询算法。首先,本文对时间序列图的概念及特性进行了描述,同时基于时间代价和费用代价的考虑,定义了五种“最优”路径:最早到达路径、最晚出发路径、最少用时路径、最少中转路径、最小费用路径,并且提出了时间序列图的入边表示法。其次,针对经典最短路径查询算法的不足,本文提出了一种基于时间序列图的最优路径查询算法。算法采用基于条件约束的中途顶点尽早淘汰策略,使用反向搜索的方式,由目标顶点向出发顶点反向逐级推进,有效的提高了查询效率。同时,考虑到随着信息技术的发展,图的规模将日益扩大,集中式的解决方案不能满足大规模时间序列图的查询需求。因此,本文针对大数据环境下大规模时间序列图的查询,对最优路径查询算法进行了扩展,采用MapReduce编程模型,提出了一种基于Hadoop的分布式计算方法。最后分别在集中式和分布式环境中进行了实验。实验结果表明,本文提出的两种最优路径查询方法均具有较高的执行效率和准确性。