近年来，越来越多的应用程序收集和存储大量时空数据在分布式数据库中，使得时空数据挖掘的需求不断增加。在公安交通管理领域，由于交通流数据急剧增加，加上其数据具有显著的时空特性，使得在处理海量的时空数据上面临着严重的挑战。针对日益增长的海量数据分析，传统的处理方法在存储空间和计算效率上已不能满足用户需求，需要有支持海量数据存储和分析的平台来适应新的需求。时空异常探测是时空数据挖掘领域中一个重要分支。本文针对传统处理方法在时空异常探测方面的局限性，设计实现了一个大数据存储及分析平台。主要研究内容和创新如下：（1）本文分析和研究云平台下Hadoop、HBase、Hive及Zookeeper的技术原理，研究了Hadoop框架的HDFS原理及MapReduce编程模型，重点研究了HBase分布式数据库的数据存储架构底层实现原理及HBase表的数据模型。在此基础上，本文构建了基于Hadoop、HBase、Hive及Zookeeper的云平台，并搭建了HBase+Hive系统扩展架构。（2）对时空异常探测方法进行了深入研究，分析研究了现有的一些时空异常模式，通过挖掘预先定义的时空异常模式得到有价值的知识。提出了基于云平台的四步骤时空异常探测方法（数据预处理、分布式异常探测方法、知识规则应用、结果验证）来挖掘预先定义的时空异常模式，使用交通数据流中的一个真实应用来验证该方法。实验表明该方法具有较高的运行效率和正确性。（3）研究了HBase行键设计，提出了基于行键的数据模型。在明确设计目标的基础上，利用行键来设计辅助索引表和副本恢复表，实现了一种基于HBase的分布式辅助索引并应用于交通流过车数据应用中。实验表明该索引机制可以高效地实现海量数据的查询。（4）结合上述的研究内容，本文设计实现了大数据存储及分析平台，包括云平台、后台程序和前台展示系统。将时空异常探测的真实应用集成到该平台中，给用户提供方便操作及结果展示。