“互联网+”推动了移动互联网技术与现代产业相结合,在现实生活中的各种行为都可以被新兴IT技术转化为动态数据流,传统行业开始关注实时的、持续产生的动态数据,能够从动态数据中实时挖掘出知识和信息变得更为重要。在轨迹研究领域,对于实时轨迹相似性的研究是很多重要应用的基础,比如实时动态规划城市道路交通、实时抓捕犯罪嫌疑车辆等。因此基于Storm的实时轨迹相似性算法的研究是非常有意义的。考虑到实时轨迹数据具有实时性、持续性和无限增长等特点,传统的轨迹相似性度量算法无法满足对实时数据计算的需求。本文采用最小边界扇形算法将实时轨迹分割成轨迹段,并在原有的PDTW算法和LCSS算法的基础上设计了PDTW-LCSS自适应算法,在一定程度下解决了由异常噪声点和不同采样率等影响因素给轨迹相似性度量带来的问题,尤其提高了在轨迹相似性度量阈值边缘的轨迹相似性准确度。本论文针对PDTW-LCSS自适应算法设计并实现了基于Storm的实时轨迹相似性度量处理系统。在对轨迹相似性应用进行分析的基础上,采用Storm实时计算框架和Java技术作为系统支持。然后从实时轨迹相似性度量需求出发分析和构建系统架构,设计并实现原型系统。最后采用Zookeeper搭建集群,协调Storm工作节点,对基于Storm的实时轨迹相似性度量系统进行了测试和分析。根据实验结果显示,PDTW-LCSS自适应算法具有很好的准确度。