随着国民经济的发展,我国汽车保有量已经达到3.6亿辆。急速增长的车流量导致高速路网运行能力下降、交通事故高发、城市环境污染加剧、交通运营管理困难。及时准确的车流量预测作为智能交通系统（Intelligent Transportation Systems,ITS）中的研究主题之一,能够帮助交管部门针对外出车流进行提前约束和诱导,提高出行效率。针对现有研究存在对交通流时空特征提取不完整、预测精度不高、处理海量数据时计算效率较低且训练参数复杂等问题,本文提出了一种基于分布式内存计算的高速公路交通流预测模型。主要工作及创新点如下:首先对高速公路交通流原始数据进行分析,完成数据填充、数据转换、数据归约等数据预处理工作。其次为了分析高速公路交通流时空特征对交通流预测结果的影响,提出了一种交通流时空关系特征向量的构造方法,使用该方法生成高速公路交通流时空特征向量。再次为了准确预测高速公路交通流,本文给出了一种考虑时空特性的贝叶斯优化极端梯度提升（Based Bayesian Optimization eXtreme Gradient Boosting,BO-XGBoost）模型来实现高速公路交通流预测,该方法将交通流时空特征向量输入模型,通过不断分裂特征,生成多棵树,从而得到模型最优解,为避免因不合适的参数取值,造成模型陷入过拟合的问题,利用全局寻优式算法贝叶斯优化（Bayesian Optimization Algorithm,BO）算法优化模型重要参数,以此实现高速公路交通流的准确预测。最后为了减少BO-XGBoost模型在参数优化及构建最优树模型时的计算时间,本文提出一种基于Spark的优化极端梯度提升高速公路交通流预测（Optimized eXtreme Gradient Boosting model based on Spark,Spark-BO-XGBoost）模型,通过将BO-XGB oost模型部署在Spark分布式计算平台上,实现参数寻优以及最优树模型生成过程的并行计算。实验结果证明,考虑时空关系的BO-XGBoost预测模型具有更高的预测精度,整体性能较好。并且通过Spark并行化的BO-XGBoost模型具有良好的加速比和可扩展性,计算效率也明显提升。本文方法可以在保证高速公路交通流模型预测精度的同时,提升模型的计算效率。