随着大数据时代的到来，交通控制系统步入数据驱动阶段，该阶段中，交通数据不再简单地提供信息查询功能，而且还生成交通控制策略，因此，交通数据及其计算方法对于交通控制来说越来越重要。近年来，随着电子交通卡口设备在城市交通控制系统的广泛应用，交通卡口数据成为城市交通控制的重要驱动源之一。但是，由于该类数据规模较大，并且信息覆盖范围较广，传统串行算法很难满足交通控制策略优化对数据处理效率和算法计算效率的要求。本论文针对基于交通卡口数据的交通流计算并行算法、基于结构并行MRBP(MapReduce Back Propagation)算法的交通流预测方法、基于多种群并行进化MRPGA(MapReduce Parallel Genetic Algorithm)算法的交通控制优化方法和基于卡口数据驱动的交通控制仿真验证原型系统实现这四部分内容展开研究，其主要研究内容总结如下:　　1)基于卡口数据的交通流计算并行算法研究　　传统的串行算法在处理交通卡口数据时，效率偏低，很难满足交通控制策略优化对数据处理效率要求，为此，本论文提出了基于MapReduce编程模型的OD(Origin Destination)矩阵计算并行算法MR-CODM(MapReduce-based Computation of OD Matrix)和路段行车时间计算并行算法MR-CRTT(MapReduce-based Computation of Road Travel Time)。其中，MR-CODM并行算法负责从卡口数据中提取出车辆行车路线，为交通控制策略优化提供了交通流仿真验证环境。MR-CRTT并行算法从卡口数据中提取出路段行车时间，为交通控制策略优化提供驱动数据。同时，将这两个并行算法应用到本论文试验城市的实际卡口数据处理中，确定了当前数据规模下算法最优运行参数，计算出了试验城市的车辆OD矩阵和路段行车时间。实验结果表明，本论文提出的MR-CODM并行算法和MR-CRTT并行算法可以提高交通流计算效率。　　2)基于结构并行MRBP算法的交通流预测方法研究　　由于经典MRBP算法缺乏细粒度结构并行机制，在解决大规模城市路网交通流预测问题时效率偏低，不能很好满足交通控制策略优化对交通流预测计算效率的要求。为此，本论文提出了一个结构并行MRBP算法SP-MRBP(Structure Parallelism MRBP)，该算法通过细粒度结构并行机制有效提高了大规模城市路网交通流预测问题的计算效率。据作者所知，这是首次将细粒度结构并行机制引入经典MRBP算法;同时，本论文推导出了SP-MRBP算法与经典MRBP算法的计算时间解析表达式和这两种算法的计算时间差及SP-MRBP算法最优并行结构数;最后，将提出的SP-MRBP算法应用到本论文试验城市的交通流预测问题中，实验结果表明，较之经典MRBP算法，本论文提出的SP-MRBP算法具有较高计算效率。　　3)基于多种群并行进化MRPGA算法的交通控制优化方法研究　　针对经典MRPGA算法在解决大规模交通控制优化问题时性能不足的问题，提出了一个多种群并行进化MRPGA算法MPE-MRPGA(Multi-population Parallel Evolutionary MRPGA)，该算法通过多种群并行进化机制来提高了经典MRPGA算法的收敛精度和速度。同时，还将遗传算法的选择、交叉和变异算子从MapReduce模型的Reduce阶段提前至Map阶段，大幅减少了Reduce阶段的计算量，解决了经典MRPGA算法Reduce阶段的性能瓶颈问题。同时，将提出的MPE-MRPGA算法应用在本论文试验城市路网最优路径规划问题上，并通过一系列实验确定了算法最优运行参数。实验结果表明，MPE-MRPGA算法不仅具有较好的收敛精度，还具有较高的计算效率。　　4)基于卡口数据驱动的交通控制仿真验证原型系统实现　　针对传统的串行数据驱动方法效率偏低，难以满足基于交通卡口数据驱动的交通控制仿真验证效率要求的问题，提出了一个并行数据驱动方法，该方法利用本论文提出的MR-CRTT算法、SP-MRBP算法和MPE-MRPGA算法实现了基于交通卡口数据的交通控制并行驱动功能;另外，基于此方法，设计并实现了一个交通控制仿真验证原型系统，该系统不仅实现了并行数据驱动功能，还利用MR-CODM并行算法从试验城市的实际交通卡口数据中提取出车辆OD矩阵作为验证交通流;最后，通过一个实际交通控制场景验证了该系统的有效性。　　本论文研究成果能够提高基于交通卡口数据的交通控制策略优化的数据处理效率及算法计算效率，为智能交通控制策略优化提供了一个较为高效的计算环境。