各行业信息化的发展,催生了数据爆发式的增长;移动设备的迅速普及,加速了时空数据的产生;硬件水平以及数据挖掘等方面的进步提升了分析时空数据的能力,这些都要求有更加高效的针对大规模的时空数据存储与查询方式。传统关系型数据库,其在水平扩展方面存在天然劣势,并不适合于大规模的数据存储;分布式系统利用整个集群的计算、存储能力,可以更好地处理、存储大规模数据,例如现有的Hadoop、HBase等,具有处理、存储大规模数据的能力,但并没有提供对时空数据的存储与管理的直接支持。针对上述问题,本文研究了现有时空数据存储的相关内容,设计了LPST-Hash,并基于HBase实现了时空数据存储与查询的原型系统,该原型系统实现了时空数据的近实时插入、批量数据导入、范围查询与kNN查询等功能,具有近实时、效率高等特点。本文主要工作内容如下:(1)本文研究了现有的时空数据存储方案,根据时空数据的特点,将时空数据在时间维度进行层级划分(Level),不同类型的层级对应时间维度不同的划分粒度,来加速时空数据的查询。(2)本文研究并分析了现有空间填充曲线(space filling curve)的特点,叙述了存在的问题——数据分布不均会带来的性能影响,并给出解决方案。该方案将数据按照数据分布密度来进行分区,在数据密集区域,分区的粒度将更细,而在稀疏区域,分区的粒度将更粗,以此来减少数据分布不均带来的性能影响。综合1,2设计出LPSTHash(Leveled Partitioned Spatio-Temporal Hash),LPST-Hash能够更好地应对查询中不同尺度的时间范围,并减少数据分布不均带来的性能影响。(3)根据上述的分层和分区结合的LPST-Hash,基于HBase设计合理的表格主键、列簇,结合HBase的协处理器,本文实现了时空数据存储、时空索引构建,并提供实时和批处理两种类型的数据导入方式;基于上述的时空索引,实现了时空数据的范围查询和kNN查询。最后,本文在实验室环境中部署了原型系统,基于时间跨度为6年的GDELT数据集以及模拟产生的1亿条正态分布的数据,选取开源的时空数据管理工具GeoMesa作为对照组进行了实验。实验结果表明对于大规模的时空数据,LPST-Hash索引机制在范围查询与kNN查询上均优于GeoMesa。