基于人工智能、机器学习和数据挖掘等智能计算的大数据分析技术,已成为当前科学领域的研究热点,利用大数据技术提升交通管理能力是打造智慧城市的新理念与新实践。交通流量预测是构建智能交通系统的基础和提供实时交通应用的关键,尤其是准确的交通流量预测可以帮助制定可靠的交通管理和控制策略。本文基于Spark分布式计算平台,结合大规模移动轨迹数据（出租车GPS轨迹数据）,研究交通流量预测方法及其应用,旨在于提高交通流量预测的准确性、鲁棒性和可扩展性,为复杂交通网络的动态监测和预警控制提供理论基础和技术支撑。本文研究的主要工作及创新性如下:1.数据预处理。首先,为了解决集中式挖掘平台下在处理移动轨迹大数据时存在的计算与存储问题,基于Spark分布式计算平台,实现移动轨迹数据的分布式存储和并行计算;其次,为减少轨迹数据与原始数据存在的差异对预测精度的影响,利用弹性分布式数据集（RDD）进行数据读取、数据排序、数据统计、数据整合和数据存储等,实现交通流量数据预处理;最后,利用卡尔兹曼滤波器（KF）对移动轨迹大数据进行数据平滑处理。2.基于分布式SW-Bi LSTM模型的交通流量预测。针对集中式挖掘平台下传统双向长短期记忆（Bi LSTM）神经网络模型在处理交通大数据时存在的计算与存储问题,提出一种基于Spark的双向长短期记忆神经网络权重模型（SW-Bi LSTM）。首先,基于Spark框架提出分布式SW-Bi LSTM模型,利用正态分布对路段间的相互影响进行加权;其次,利用时间窗口将加权后的交通流量送入Bi LSTM模型中进行训练,并捕捉过去-未来时刻的交通流量信息;最后,结合真实的出租车GPS轨迹大数据,实现分布式SW-Bi LSTM模型的交通流量预测。3.基于并行NAW-DBLSTM算法的交通流量预测。针对无法有效考虑各路段之间空间相关性的影响权重和难以捕捉交通流量的非线性特征等问题,提出了一种Spark框架下基于正态分布和注意力机制加权的并行深度双向长短期记忆网络优化算法（NAW-DBLSTM）。首先,基于Spark分布式计算平台,提出并行NAW-DBLSTM算法,以提高交通流量预测的准确性和可扩展性,该算法利用注意力机制和正态分布对DBLSTM神经网络进行优化;其次,利用时间窗口对交通流量进行预测;最后,结合真实的出租车GPS轨迹数据实现并行NAW-DBLSTM算法的交通流量预测。