短时交通流预测是智能交通领域的重要研究课题,为城市交通诱导与控制提供数据支撑。本文着重研究基于BP神经网络的短时交通流预测算法,利用其非线性映射能力强,自学习自适应的特点预测复杂多变的交通流状态。但是传统BP神经网络预测模型及其改进算法,难以在计算效率和预测精度之间平衡,尤其在大量交通流样本数据的情况下,传统BP算法前期网络权值训练时间较长问题不容忽视。本文利用云计算并行计算和分布式存储的特点,将传统BP神经网络和MapReduce并行计算模型相结合用于短时交通流预测,同时针对传统BP算法本身的缺陷,提出利用遗传算法优化BP网络的改进方法。本文主要研究内容如下:首先,介绍了短时交通预测相关理论知识,分析对比了常用交通流预测模型的优缺点之后,选择传统BP神经网络作为短时交通流预测的模型,选取实际交通流量数据进行实验仿真,进行节假日和工作日交通流量预测。分析实验结果可知传统BP网络存在收敛速度慢、容易陷入局部极值、对网络初始权阀值敏感等缺陷,同时也面临大量交通流量数据条件下传统BP网络短时交通流预测模型计算效率低等问题。然后,本文针对传统单机模式下BP神经网络预测算法的缺陷,提出从两个方面改进:利用Hadoop云平台的分布式计算能力改善计算效率,将MapReduce编程模式和BP算法相结合;利用遗传算法优化传统BP网络算法本身的缺陷,提高预测精度。通过MapReduce编程并运行程序,分析对比实验结果可知:基于Hadoop平台的遗传神经网络算法用于短时交通流预测领域,预测的精度和预测的时间消耗都得到显著改善。