经济水平改善致使公众日常活动所需的机动车出行需求迅速增加,而城市的路网资源却增速有限;公众的文明驾驶行为和社会责任意识并没有随着经济水平的提高也得到同步提升;交通数据积累已成指数级态势增涨,而坐拥PB级的交通数据却不能形成有效的数据挖掘为公众提供出行信息服务。以上种种原因致使交通拥堵、交通安全和交通环保问题日益突出。行程时间作为一项重要的交通状态衡量指标,已经被认为是最重要、最能反映路网交通状态的道路交通参数。为此,本文基于云环境技术实现了对海量浮动车数据进行高效处理并获取路段行程时间的目标。其中,路段行程行程时间的获取包括路段行程时间估计和路段行程时间预测两部分。只有实现了对路段行程时间的实时获取,才能够准确掌握路网交通的运行状态,改善道路交通运行状况。在路段行程时间估计方面,本文通过引入交通控制因素对瞬时速度-时间积分单车路段行程时间算法进行了适当的改良并应用辛普森数值积分公式对其进行了求解,实现了对路段行程时间的实时估计,通过对比分析验证了本文算法的准确性和时效性。在路段行程时间预测方面,本文对粒子群算法进行了并行化改进并引入Spark内存计算框架对其进行高效迭代,以此实现对最小二乘支持向量机参数的寻忧求解并应用最优解实现对最小二乘支持向量机预测模型的标定。经试验对比验证了本文算法在准确性和性能方面的表现。本文的主要工作是搭建了云环境下的路段行程时间获取系统框架。其中,最为核心的部分是运用Map Reduce并行编程框架实现了海量浮动车数据的路段行程时间估计并且在Spark内存计算框架下利用PSO-LSSVM模型实现了路段行程时间的预测。最后,基于实时高效的路段行程时间获取技术的支撑以实现整体框架中的一系列功能及服务。