城市道路的运行指标是评价一个城市交通状况的重要依据,精确、高效、快速的对这些指标进行合理预测是多年来的研究重点,它可以用来分析城市的道路规划是否合理,提出合理的出行建议,避免持续的道路拥堵。在相关的道路运行指标之中,旅行时间和车流量是两个较为重要的基础指标,它们在整个指标体系中的作用尤为关键。随着交通数据采集手段的不断丰富,为城市道路运行指标的监测和预测提供了充分的数据基础,如何利用这些新兴实时监测数据进行道路旅行时间和车流量指标的预测就成为一个有意义的研究问题。本文利用城市道路摄像头采集的海量车牌识别数据并通过对车辆时空、时序的变化分析开展这两个指标相关预测方法的研究。由于实验采用的车牌识别数据集规模较大,如何高效处理海量数据,如何准确的计算进行旅行时间和车流量的实测,以及在实测结果的基础上如何实现精度更高的预测,这些都是旅行时间和车流量预测中的关键问题。针对以上问题,本文的主要工作和贡献如下：提出一种基于卡尔曼滤波法的旅行时间预测方法。该方法给出了基于车牌识别数据集的旅行时间定义,并在旅行时间实测计算基础上采用卡尔曼滤波法完成未来短时间内的道路旅行时间的预测,预测的结果对比历史均值法和一元线性回归法,显示预测结果的精度有明显程度的提升。提出一种基于改进的灰度模型的车流量预测方法。该方法基于原始车牌识别数据集,在给出的车流量定义基础上,通过前期对车流量的实测统计计算,利用实测的结果应用残差改进的灰度模型进行短时间内车流量的预测。用采用的实验数据集进行验证,对比经典的灰度模型结果显示,残差改进的灰度模型算法能一定程度的提升算法的精确度。设计并完成了上述两种指标预测方法在Hadoop分布式计算环境中的实现,并通过基于百万量级的真实车牌识别数据集的采样和预测实验,验证了本文方法的有效性,其中：相对于传统的旅行时间预测方法,本文方法的预测精度有显著提升,相对误差减小约30%；相对于经典灰度模型的车流量预测方法,本文方法的预测精度也有一定提升,相对误差减小约8%。