在大数据、人工智能深度融合发展的数据科技时代,城市计算为解决交通拥堵等城市问题提供了新思路和新途径。构建数据驱动的智能交通系统是打造以数据为中心的智慧城市的关键任务,而高效精准的交通流量预测是建设智能交通系统的重点内容。本文基于Hadoop分布式计算平台,采用MapReduce和Spark并行计算框架,结合移动轨迹(出租车)大数据,研究短时和实时交通流量预测的理论、方法与应用,致力于解决交通流量预测的鲁棒性、准确性和实时性问题,为交通动态监管、交通预警控制和交通便民服务等提供理论基础与技术支撑。本文研究的主要工作及创新性如下:1.在大数据分析平台搭建方面:搭建基于MapReduce和Spark并行处理框架的Hadoop分布式计算平台(大数据分析平台),解决移动轨迹大数据分布式存储与并行计算问题。首先,基于大数据分析平台,实现大规模移动轨迹数据的数据清洗、数据转换和数据标准化等数据预处理;其次,基于MapReduce并行计算框架,实现短时交通流量预测;最后,基于Spark并行计算框架,实现实时交通流量预测。2.在短时交通流量预测方面:提出基于MapReduce的分布式WNDLSTM模型,预测短时交通流量。首先,在Hadoop分布式计算平台下,提出了一种基于MapReduce的交通流量预测分布式建模通用框架,以解决大规模交通流量数据处理时存在的存储和计算问题,并采用卡尔兹曼滤波(KF)对原始GPS出租车移动轨迹数据进行滤波,去除异常点实现离散型数据平滑;其次,在基于MapReduce的框架上提出了一种分布式WND-LSTM模型,通过时间窗口和正态分布给长短时记忆神经网络进行加权求代价;最后,利用所提出的WND-LSTM模型和真实出租车GPS移动轨迹大数据对北京市三里河东路的交通流量进行了短时预测。3.在实时交通流量预测方面:提出基于Spark的分布式W-Bi LSTM模型,预测实时交通流量。首先,在Spark分布式计算平台下,采用卡尔兹曼滤波(KF)对原始GPS出租车移动轨迹数据进行滤波,去除异常点实现离散型数据平滑;其次,在基于Spark的框架上提出了一种分布式W-BiLSTM模型,利用时间窗口和相邻路段之间的相互影响给双向长短时记忆神经网络进行加权求代价,通过代价转化为一个时间序列预测交通流量,组成随时间序列来预测变量在未来时刻的状态,用于实时交通流量预测;最后,我们利用所提出的W-BiLSTM模型和真实出租车GPS移动轨迹大数据对北京市三里河东路的交通流量进行了实时预测。