近年来移动互联网已经进入一个快速发展的时期,随着手机用户流量的数量级从GB级迈向TB级甚至PB级,海量手机用户流量的出现给各运营商在数据分析处理上带来挑战。如何对海量手机用户流量下阶段使用情况进行有效预测,进而拉动企业业务量增长,已成为研究热点。由于传统数据分析方法无法对海量数据进行快速分析处理,处理海量数据较慢,无法高效分析非结构化数据,且扩展性较差。因此建立一个基于大数据预测算法的平台去处理海量数据势在必行。Hadoop是一个分布式框架,可以方便实现对海量数据挖掘与处理,所以基于Hadoop平台的处理框架为解决上述问题提供了一种新的解决方案。本文通过对比常用智能算法对手机流量的预测效果,得到BP神经网络算法优于其他各算法。但BP算法也存在着不足,为了克服BP神经网络算法陷入局部极小值问题,本文结合了BP神经网络与相空间重构技术,计算出最佳嵌入维数和延迟时间,来提高手机流量预测的准确率。对于训练过程需要消耗大量时间的缺点,本文提出了基于Hadoop平台对BP算法进行并行化处理,缩短训练时间,以此来提高处理海量数据的效率。为了能够更加直观反应数据的预测效果,本文搭建了基于Hadoop平台下利用MapReduce分布式编程框架与CC-BP算法相结合的仿真平台,采用了SSM框架技术,从而对手机流量数据预测结果进行可视化。通过对比实验结果,证明本文所设计出基于Hadoop的BP改进算法处理海量手机流量数据效率更高,同时也保持着较高的预测精度。通过对比不同节点下的数据处理效率,可知随着平台节点数目的增加,海量数据的处理效率会随之提高,从而验证了仿真平台的可行性。