随着全球经济化的飞速发展和城镇化建设的稳步推进,移动轨迹大数据的挖掘分析已成为学术界、工业界和政府部门高度关注的民生问题。本文搭建基于MapReduce并行处理框架的Hadoop分布式计算平台(大数据分析平台),实现移动轨迹大数据(出租车GPS数据)的高效挖掘与深度分析;分析乘客出行特征,实时掌控城市居民出行规律;分析出租车运行特性,动态感知交通状况;进而为城市交通管理与控制提供理论依据和决策参考。本文研究的主要内容及创新性成果如下:1.大数据分析平台搭建和数据预处理。首先,搭建基于MapReduce框架的Hadoop大数据分析平台,实现移动轨迹大数据的分布式存储与并行计算;其次,利用大规模出租车GPS数据实验验证大数据分析平台,为后续工作的测试、挖掘与分析提供保障;最后,分析出租车GPS数据特征,基于大数据分析平台实现出租车GPS数据的智能提取与并行预处理。2.乘客出行时空特征分析。首先,基于大数据分析平台提取乘客出行OD轨迹点,得到乘客出行各时段峰值分布;其次,结合峰值分布对城市整体区域进行中区划分,并根据工作日与休息日两种不同的分布趋势,对乘客出行特征进行分析;最后,利用大数据分析平台对乘客出行分布状态按照地图进行聚类分析。3.出租车运行特性分析。首先,利用大数据分析平台实现(HAR,CFIF,SF)三种海量小文件处理方法,弥补Hadoop大数据分析平台在处理海量小文件数据集时存在“读写速度慢,内存消耗高,处理效率低”的固有缺陷;其次,引入海量小文件处理策略(SF)优化频繁模式增长算法,并基于MapReduce范式通过Map,Reduce等函数重构频繁模式增长优化算法(MR-PFP),实现移动轨迹大数据频繁项集的并行挖掘;再次,将MR-PFP算法应用于真实的包含海量小文件数据集的出租车GPS数据,实现出租车运行特性的关联分析;最后,实验验证MR-PFP算法的效率和可扩展性。