随着经济的快速发展,交通运输已经迅速成为国民经济发展命脉。虽然,交通行业的快速发展给人们带来了巨大便利,但随之而来的就是严重的交通拥堵问题。实时准确的交通流预测是交通引导系统中的关键技术,而交通路线系统是智能交通系统的重要组成部分。由于交通系统是一个有人为因素参与的非平稳的随机系统,传统的线性模型预测越来越不适应于非线性的交通预测了,智能预测和组合优化模型越来越受到人们的关注。本文深入研究符合交通流数据特性的代表性预测方法,经分析选取人工智能中的的经典方法BP神经网络作为交通流预测的基本算法。传统的BP神经网络在进行交通流预测时,训练时间和训练精度往往不能同时得到保证。首先,本文分析传统BP神经网络的预测模式,提出一种将输出层的动态值变为定值的预测模式加速收敛。其次,在定值输出层的基础上,针对神经网络训练时间长的缺点,提出一种利用K近邻算法优化训练数据集的K-BP预测模型。该模型在提前考虑预测数据与训练数据匹配度的前提下,进行BP神经网络的训练数据集筛选。相比于传统神经网络,该模型在缩短训练时间的前提下减小了训练误差。随着信息技术与物联网技术在城市交通领域的广泛应用,城市交通流量的数据已经呈现出大数据的诸多特征。传统的神经网络预测模型在小规模训练样本的前提下,还能满足交通流预测需求。但随着训练样本的维度和数据量不断增多,传统的神经网络在训练样本方面往往会消耗过长时间,不利于实现实时的短时交通预测。本文提出了在Hadoop环境下利用MapReduce的分布式处理框架与BP神经网络相结合的预测模型,该模型利用BP神经网络的MapReduce并行化在保证预测精度的同时减小预测时间,达到预测的实时性。