随着社会经济的快速发展和城市化进程的加快,城市道路拥堵问题日益凸显,对城市居民的日常生活造成极大困扰。作为智慧交通系统重要组成部分,交通路况预测技术可以准确的识别路段交通状态,为交通参与者提供有利的诱导信息,从而有效缓解交通拥堵问题。目前各种传感器技术逐渐成熟,大量交通数据被累积,从海量交通数据中挖掘有用的信息俨然成为打造智慧交通所面临的严峻挑战。论文在分析已有交通路况预测算法精度不足的基础上,提出基于公交大数据的城市道路交通路况预测算法及应用,主要研究包括以下几方面:(1)针对已有路段平均速度计算方法没有考虑公交车进出站不稳定行驶状态对速度计算的影响,重新设计了基于动态权重的路段平均速度计算方法,同时在Hadoop平台上完成路段平均速度计算的并行化设计,最后从ARE、MRE、MARE、MAX(ARE)对改进的计算方法和传统速度积分算法进行了对比,实验显示改进计算方法结果值最接近路段速度真实值。(2)针对已有交通路况预测算法模型使用唯一数据集和模型单一问题,提出一种时间序列与人工神经网络相结合的预测算法模型。该算法模型通过时间序列分别对实时数据和历史数据建模预测,并应用人工神经网络调整实时数据和历史数据的预测值。实验结果表明该算法模型能够将预测误判率控制在12.2%以内,且能够对不同输入参数下的交通路况进行有效预测。针对已有的交通路况预测算法在海量交通数据下并行计算能力差问题,将Hadoop技术与论文提出的交通路况预测算法结合,快速的从海量交通数据中挖掘出真实的交通路况规律,提高预测算法的运行效率。(3)开发城市道路交通路况评估原型系统,设计评估系统流程,主要功能包括实时路况显示、未来路况预测、历史路况查询和路况数据分析。