公交客流是公交集团进行公交调度运营和规划的重要依据,短时公交客流预测能够帮助公交管理者和规划者及时准确地掌握公交客流的变化情况,从而做出科学合理的公交调度运营与规划,提高公交公司的效益并且满足乘客的公交出行需求。目前短时公交客流预测研究方面已经有了很大的进展,但仍存在很多的不足,比如预测模型的复杂化问题、准确率不高问题以及单机环境下预测模型的低效问题等。本文以某市智能交通大数据平台为研究背景,对基于大数据的短时公交客流预测模型进行了深入研究,主要包括以下几方面:(1)在对短时公交客流预测领域的研究现状以及各种预测模型进行分析总结后,构建了 Spearman-LMBP(SLMBP)短时公交客流预测模型来进行短时公交客流预测。该模型首先利用Spearman秩相关系数法分析公交客流量的影响因素,将客流量影响因素数据与历史客流数据共同作为模型的输入数据,然后采用Levenberg-Marquardt算法训练BP神经网络,解决了 BP神经网络极易陷于局部最优解、收敛速度慢的问题,并且利用深度学习的dropout技术对模型进行优化,解决了模型的过拟合问题,提高了模型的泛化能力,实验结果表明优化后的SLMBP短时公交客流预测模型拥有较高的预测精度,能有效的对短时公交客流进行预测。(2)实现了分布式集群环境下基于Hadoop平台的SLMBP短时公交客流预测模型并行计算。并行计算能够满足短时公交客流预测中对海量数据的存储、训练和实时处理的需求。实验结果表明当分布式集群环境下基于Hadoop平台的SLMBP短时公交客流预测模型面对海量数据时在保证了短时公交客流预测精度的前提下,大大降低了模型学习训练的耗时,提高了预测模型的运行效率。