随着城市的发展和人们生活水平的提高，小汽车保有量不断增长，导致城市道路交通系统的压力越来越大，随之而来的交通拥堵、交通事故和环境污染频频出现，这些现象已经严重影响了人们的出行效率和生活质量。交通拥堵是道路容量无法满足交通需求，而又得不到及时处理的结果。城市路网是由交叉口和路段组成的，由于路网拓扑结构和交通设施布局之间的不合理性，以及交通流量的不断变化，导致路网中存在很多固定的和动态的交通瓶颈。随着交通需求的不断增长，当交通需求增长到一定程度，道路容量不能满足其需求，这些交通瓶颈就会首先发生交通拥堵，并可能向周围传播或者蔓延，形成“多米诺”效应，这也是大范围交通拥堵产生的原因。交通瓶颈是城市道路网络系统的薄弱环节，是引发城市交通拥堵的根源，如果不能从根源上治理，则会导致交通拥堵迅速蔓延，甚至形成拥堵环路，产生“锁死”现象，因此研究交通瓶颈的治理方法具有重要的意义。在治理交通瓶颈的过程中，单纯地对形成交通瓶颈的路段进行交通控制或者交通诱导，只是单一地在时间上或者空间上实现了交通流的管理，并不能达到很好的效果，研究交通瓶颈控制与诱导协同模型势在必行。在交通瓶颈控制与诱导协同模型的研究过程中，首先要识别交通瓶颈，然后要对动态交通瓶颈进行预测，还要对治理交通瓶颈的控制与诱导协同优化模型求解，这些环节都离不开交通信息的高效处理。云计算自诞生之日起，便受到了各个领域研究学者的高度关注，云计算的快速提供服务能力、快速处理能力、弹性计算能力，为其在交通信息处理领域的发展提供了契机。因此，运用云计算技术对海量的交通数据进行智能分析与处理，并在此基础上研究基于云计算的交通瓶颈控制与诱导协同模型，为治理交通瓶颈问题提供理论依据和技术支撑，为云计算在交通领域的发展与应用提供参考。本论文研究基于云计算的交通瓶颈控制与诱导协同模型，在基于云计算的交通瓶颈控制与诱导系统框架的基础上，首先研究了基于MapReduce的交通瓶颈识别方法，包括固定交通瓶颈识别方法和动态交通瓶颈识别方法，然后研究了基于MapReduce的动态交通瓶颈预测方法，最后研究了基于云计算的交通瓶颈控制与诱导协同优化模型，并采取了基于MapReduce和遗传算法的并行求解方法，从而提高交通信息的处理效率，更好地满足用户对交通瓶颈控制与诱导的实时性需求。具体研究内容如下：（1）基于云计算的交通瓶颈控制与诱导系统框架首先对云计算应用于智能交通系统的必要性进行了深入分析，包括智能交通系统的云需求分析、云计算技术、Google云计算的开源实现框架Hadoop等内容的研究，并构建了智能交通云系统的基本框架，然后对交通瓶颈控制与诱导系统研究的几个关键问题进行了分析，并阐述了应用云计算的必要性，最后构建了基于云计算的交通瓶颈控制与诱导系统框架。（2）基于MapReduce和K-means的交通瓶颈识别方法从固定交通瓶颈和动态交通瓶颈的影响因素出发，选取了合适的固定交通瓶颈和动态交通瓶颈的识别指标，在充分研究MapReduce并行编程模式和K-means聚类算法的基础上，得到了K-means聚类算法的MapReduce并行化处理方式，最后提出了基于MapReduce和K-means聚类算法的固定交通瓶颈识别方法和动态交通交通瓶颈识别方法，并通过实例验证所提出方法的有效性和可行性。（3）基于MapReduce和GA-SVM的动态交通瓶颈预测方法为了提高短时交通流预测的精度，充分考虑了交通流的时空相关性特征，并运用系统聚类分析的方法对交通流的时空相关性进行了分析，然后对支持向量机模型进行了研究，并结合云计算的MapReduce并行编程模式，提出了一种基于MapReduce和遗传算法的支持向量机参数优化算法，并将优化好的支持向量机模型应用到短时交通流预测中，得到未来时段的交通流参数，最后将这些交通参数输入到基于MapReduce的动态交通瓶颈识别算法中，实现了动态交通瓶颈预测，并通过实例验证了该方法的可行性和优势。（4）基于云计算的交通瓶颈控制与诱导协同模型以交通瓶颈控制与诱导模型的建模思想为基础，以“准系统最优”为原则，充分考虑动态交通瓶颈的特殊性，在有排队长度的情况下，构建了交通瓶颈控制与诱导协同优化模型，并运用基于MapReduce的并行遗传算法对协同优化模型进行了求解，最后通过仿真实验证明了所提出的协同模型的有效性和求解算法的可行性和高效性。