旅行时间计算一直是智能交通系统中的研究热点之一,准确高效的旅行时间计算可以用来分析城市道路拥堵与车辆行驶状况,是城市交通管理和规划的重要依据之一。旅行时间计算需要依赖来自于城市交通系统中采集的大量相关交通数据,通过对道路行驶车辆实时监测的车牌识别数据正成为当前交通系统中的一类主要数据来源,该类数据具有覆盖广泛、时序连续、位置精确等特性。因此如何利用海量车牌识别数据计算城市道路的旅行时间成为当前智能交通应用的中一个重要问题。本文针对基于海量车牌识别数据集的旅行时间计算问题,在分析和总结已有相关工作和研究成果的基础上,面向基于海量车牌识别数据集的旅行时间实测和预测两类计算需求,从计算模型和分布式计算实现两个层面展开研究。论文的主要工作包括：(1)面对不断增长、规模庞大的车牌识别数据集,提出了一种基于车牌识别数据的旅行时间实测计算模型；并在此基础上应用朴素贝叶斯思想,通过对旅行时间上下时间区间的变化率进行分类预测,设计了一种旅行时间预测模型。(2)根据本文提出的旅行时间实测和预测模型,针对海量车牌识别数据集下的旅行时间计算性能问题,设计了一种分布环境下基于时空划分的旅行时间实测和预测计算方法,并基于Hadoop平台给出了旅行时间实测和预测计算系统的实现。(3)通过一组基于真实车牌识别数据集的实验表明,相对于传统的旅行时间计算方式,在亿级车牌数据集上旅行时间计算性能方面本文方法相对于传统方法可以提高3倍以上,并具有适合细粒度划分、受路网规模影响小及扩展性好等特点。同时,在旅行时间预测方面,对于分类粗细粒度的划分都能表现出较好的预测准确性,准确率均能达到85%左右。