传统Dijkstra、Floyd、A*等算法适合于求解具有串行化、计算复杂度不高、存储消耗不大等特性的最短路径问题,在大规模复杂路网中的搜索效率不高。伴随着大数据技术的热潮,如何运用分布式存储、并行化计算和强大的分析处理能力实现快速、准确地求解最短路径问题,是交通领域学者关注和研究的重点之一。因此,本文基于Hadoop大数据平台的HDFS模块,分布式存储海量浮动车数据;基于新一代YARN计算框架,并行化迭代求解最短路径,减少算法的时间复杂度。在此基础上,分析处理交通路网加权分层所需要的动态、静态道路属性数据,并提取关联规则方法挖掘交叉口间关联性的浮动车出行路径集。然后,采用层次分析法对道路等级、车道数量、路段长度、红绿灯、收费站、平均行程速度和通行次数等影响因素进行权重加权计算,从而实现分层分区,从空间拓扑结构上简化路网搜索规模。接着,使用关联规则方法挖掘海量浮动车的出行路径数据,寻找分区内各交叉口间的强关联规则,减少搜索的节点数目。最后,搭建Hadoop集群实验平台,对比分析传统A*算法、基于YARN并行化迭代计算模型的最短路径算法、Hadoop平台下基于加权分层和关联规则的最短路径算法等的有效性能指标。实验结果表明,该算法在搜索速度上具有明显的优势,而且求解的最短路径结果符合出行者的行驶习惯,满足居民快捷出行的需求。