1、為了更好的管理城市道路交通系統(tǒng)，人們建立了智能交通系統(tǒng)。通過在城市道路上安裝各種檢測傳感器來采集交通信息、監(jiān)控道路狀態(tài)。然而隨著路網體系的復雜，城市汽車保有量的迅猛增加，智能交通系統(tǒng)采集了海量的低價值密度信息。如何在這些大規(guī)模低價值的數據中快速、準確的挖掘出解決城市道路問題的有用信息是現在研究者孜孜追求的目標。
　　在交通問題中交通擁堵的判別預測是重要的領域，此前判斷交通擁堵的方法是通過計算交通參數等數據判斷出的常規(guī)堵點，然后通過

2、規(guī)劃道路、控制交通燈來解決擁堵問題，未考慮數據客觀反映的道路狀態(tài)和警力實時指揮的問題。而且隨著數據的增加導致計算量的幾何式增長，耗費大量時間，喪失了交通預測的實時性。此外，交通小區(qū)的劃分是研究交通出行規(guī)律的中觀層面，合理的劃分有助于制定有效的交通管理措施。在基于杭州交通系統(tǒng)的實際數據，主要包括微波檢測數據、浮動車GPS數據、視頻監(jiān)控數據、路網數據等，結合Hadoop平臺對海量數據處理的優(yōu)勢，對交通數據的挖掘應用做以下創(chuàng)新性研究:

3、　　1.本文首次提出并解決了交通異常堵點的概念和分布式檢測算法，他對有限的警力的實時優(yōu)化投放起著重要的指導作用，它與交通狀態(tài)分級判別有著本質的不同。通過引入歷史擁堵概率，首次定義了“異?！钡母拍詈头植际接嬎隳Ｐ停M一步，通過“累積異?！毙嵘龑崟r預警的準確性。提出的算法具有“自學習”性，具體體現在歷史擁堵概率持續(xù)更新環(huán)節(jié)，即使通過交通組織和道路基礎設施發(fā)生變化，方法適用性也不會受較大影響。
　　2.提出一種基于海量交通數據的快