交通压力已经成为每个城市发展到一定程度必然面临的难题,缓解交通压力需要科学有效的交通管理措施。采取何种方式获取交通路网中的信息和数据,实现对城市路网的交通状态的实时监测,并将路网中海量的实时交通信息与庞大的历史数据库相结合,选取合适的交通参数,建立有效的数学模型,及时准确地分析出道路交通状态的变化,进而预测未来时段的交通情况,为交通信息服务、交通控制与诱导提供帮助,是智能交通系统的关键内容。本文选用出行率高、路网覆盖率高的出租车GPS数据作为优质的浮动车时空轨迹数据实时反映城市路网的交通状况,利用基于Hadoop平台的大数据技术管理和处理庞大的交通状态信息,解决了传统方式在海量数据处理方面的难题,具有高效率、高准确性和高时效性的优点,这对及时分析交通状态并作出预测十分重要。同时,由于不同道路之间的差异所导致的复杂情况,仅以交通流量或行程时间等参数来描述道路的交通状况显得并不合适。为了更有效、准确、及时地分析和预测道路交通状态,本文选用路段速度作为更加合理的交通状态参数。此外,本文分析了路网划分后路段速度的时间序列,利用四分位数的特性优化算法,提高了路段速度模型的合理性和准确性,并通过真实历史数据验证四分位法的有效性。结果表明该方法既体现出了路段速度的变化趋势,同时削弱了极端值和异常值的影响,能够展现出合理的交通状态变化过程,并且其计算简便,为大规模数据处理有效地节省了计算资源。对计算结果的曲线拟合也证明了四分位法处理路段速度的可靠性。然后利用基于同比历史数据加权均值和修正值的数学模型,在划分路段上对未来的路段交通速度进行预测。结果表明该预测模型可以有效地预测出交通状态的变化趋势,路段速度的预测结果十分接近真实值。通过预测带来的结果,能够有效地帮助交通诱导服务和交通管理决策。