随着高速公路网的日臻完善和人们跨域出行需求的扩张,高速公路交通拥堵问题日益严重,使营运管理部门面临严峻挑战。交通流预测针对交通历史数据,利用预测模型提前实现交通诱导和疏解,成为智能交通领域的研究热点。交通状态本身复杂多变,难以对其建立有效的预测模型。特别在海量数据环境下,传统串行计算模式下的流预测算法无法保证准确度和计算效率间的平衡,针对海量数据实现交通流的高效预测是本文的研究重点。云计算技术为海量数据的处理提供了技术保障。本文基于云平台在实现海量收费数据高效存储管理的前提下,实现了一种并行的高速公路站点流量预测算法。本文完成的主要工作如下:首先针对高速公路收费数据的特点,提出基于Hive的一种面向交通流预测应用分层数据仓库模型,实现了对海量高速公路收费数据的高效存储和管理。然后,针对高速公路交通流特点建立BP网络预测模型,并采用布谷鸟算法弥补了原生BP神经网络容易发生局部极值化等不足。基于Spark实现布谷鸟优化的神经网络的并行化,进一步解决了串行模式处理海量数据计算低效的问题。最后,通过实现一套高速公路预测系统完成了高速公路交通流预测和多维度分析,验证了本文算法的高效性和系统的实用性。