交通拥堵作为世界性的交通问题,自19世纪以来一直受到城市管理者、交通研究者和交通利用者的重点关注。随着城镇化进程加快,城市发展过程中出现的城市与交通规划不协调、交通供需失衡、公共交通落后、交通出行方式不合理、静态交通容量欠缺等问题进一步加剧了城市交通拥堵。由“堵车”到“堵城”,拥堵的负面影响越发凸显。在此背景下,传统的修建新道路、拓宽旧道路的方法已不再适用,应用智能交通技术提高城市交通管理水平成为解决城市交通拥堵问题的新手段。拥堵识别作为智能交通领域的重要研究方向,通过精准分析路网交通状态和挖掘拥堵时空特征,可以为城市交通管理者提供充分的决策依据、为出行者提供实时的交通信息,已成为解决交通拥堵的有效方法。但是,当前的拥堵识别研究依然存在两点问题。第一,轨迹数据与路网的匹配计算量较大,难以实现大规模轨迹数据的实时快速计算;第二,当前研究方法多依赖于矢量路网地图,适用性较差,且很少利用浮动车数据研究常发性拥堵。因此,本文提出基于H3网格的时空索引方法,通过划分时空网格实现对海量时空数据的高效实时计算,并基于浮动车GPS数据实时识别城市路网拥堵,挖掘常发性拥堵区域。具体研究内容包括:（1）提出基于H3网格的时空索引方法。基于浮动车轨迹数据,引入H3空间索引方法对城市路网和GPS数据进行H3六边形网格划分,并在此基础上增加时间维进行时间切片,建立时间索引。然后将空间索引与时间索引关联,构建时空索引,实现对城市路网和GPS数据的时空网格划分;（2）构建时空网格拥堵识别模型。基于时空索引方法,考虑网格速度和轨迹数量特征,提出时间和空间维度下的网格速度、网格交通状态差异作为网格拥堵判别指标。定义拥堵网格判别标准,划分I级和II级拥堵,并设计网格交通状态差异指标阈值求解算法,实现对拥堵时空网格的实时分级识别;（3）构建城市常发性拥堵区域识别模型。基于时空网格拥堵识别结果,创建网格拥堵时空矩阵和网格拥堵频次矩阵。提出网格拥堵频次和作为聚类指标,通过重新定义邻域半径和邻域密度阈值等参数对OPTICS聚类算法进行改进,以实现H3网格聚类,挖掘城市路网常发性拥堵区域。