基于神经网络的城市路网交通流预测通常需要大量的计算资源来保证任务在规定时间内完成，网格能够共享广域环境下的大量空闲资源以满足大规模任务的高性能需求，因而交通流预测任务可以利用网格来提高任务的执行效率，降低执行时间。 在网格环境中，由于节点以动态共享的方式加入网格，以及各个节点处理能力的差异，往往使得节点间出现负载不平衡的情况，在基于网格的交通流预测任务中通常表现为超载节点任务执行时间过长，使得整个交通流预测任务的执行时间无法满足要求，造成了系统资源的浪费，直接影响了网格系统的整体性能，违背了网格提高资源利用率的初衷。 针对这一问题，本文通过对负载平衡理论的研究，分析网格负载平衡中需要解决的关键问题，给出了结合当前节点负载状态和执行时间反馈进行任务量调整的负载平衡算法，并在此算法的基础上给出了动态负载平衡框架DLBFG。作为DLBFG框架的一大特点，利用移动Agent的自主性和移动性，将它引入到动态、异构的网格环境中来解决负载动态迁移的问题。通过对网格技术和移动Agent技术两者特性的分析，结合负载平衡理论，在DLBFG框架中给出了作业平衡分配和动态迁移的各个模块，根据DLBFG指出的三个负载平衡时机去启动负载均衡过程，对应Agent平台的管理方式，利用自主和非自主两种方式来进行负载的迁移。 最后，为解决交通流预测任务的负载平衡问题，本文根据交通流预测神经网络的训练和预测相分离的方法，使用DLBFG负载平衡框架给出的各个模块分别对训练和预测两种类型的任务进行了相应的实现。在此基础之上，通过实验验证了在负载平衡框架DLBFG支持下，基于网格的交通流预测的性能得到了明显的提升。