公交到站时间预测是智能交通领域的核心研究对象,提高公交车辆到站时间预测模型的精度和可靠性,是对城市智能交通领域的发展起着积极推动的作用。在公交到站时间预测方面,论文对常用的公交到站时间预测算法进行分析,指出算法的优缺点以及使用范围。由于BP神经网络算法具有很好的自主学习能力,良好的非线性映射能力,因此选择BP神经网络模型预测公交到站时间。但是传统的BP神经网络模型难以在计算的效率和预测的精度取得平衡,尤其是在BP神经网络在具有大量的历史公交到站样本数据学习情况下。BP算的权值的训练时间不容忽视。本文首先对传统的BP神经网络模型进行分析,由于该模型采用静态梯度下降法来优化网络权值,使其传统的预测模型,具有收敛速度慢,稳定性差,容易陷入局部最小值等自身缺陷。为了克服上述缺陷,本文首先对传统的模型网络参数进行优化,如添加动量项和优化学习步长,能有效的解决收敛速度和稳定性的问题。针对BP模型陷入局部最小值的问题,本文使用遗传模拟退火算法优化BP神经网络预测模型,组成GSA-BP算法来解决此问题。本文为了解决GSA-BP算法在大量的样本数据训练时间长的问题,本文利用Hadoop平台下的并行计算和分布式存储特点,将GSA-BP模型和MapReduce模型相结合预测公交车到站时间来改善计算效率。通过MapReduce编程并运行程序,分析对比实验结果可知:基于Hadoop平台的遗传模拟退火算法(GSA)优化的BP神经网络算法用于用于公交到站时间的预测,预测的精度和算法的消耗时间得到显著改善。最后在本文所研究预测算法的基础上,结合Hadoop集群等技术开发了基于Hadoop平台下的公交到站时间预测系统。