短时交通流预测,作为智能交通系统的重要组成部分,一直是研究热点之一。对于短时交通流预测算法,预测精度和计算效率是影响交通控制、诱导和管理效果的关键指标。然而,通常预测精度和计算效率是矛盾的,两者不可兼得。一般而言,较高预测精度的算法或者逻辑过于复杂,或者需要处理大量的数据,从而降低计算效率,甚至影响实用性。本文从提高预测算法的实用性角度出发,结合云计算平台在海量数据存储和大规模并行实时处理方面的技术优势,提出了一种基于MapReduce技术的短时交通流预测方法,在保证预测精度的前提下,提高短时交通流预测的计算效率,进而增强预测算法的实用性。本文给出了基于MapReduce技术的短时交通流预测方法的设计和实现过程,选取了两种常见的短时交通流预测算法进行了调整和改进,以适应MapReduce编程模型的要求：一种是遗传算法优化的误差反向传播(Back Propagation, BP)神经网络算法,该算法预测精度相对较高,但前期网络权值训练过程需要大量的数据样本,需耗费的时间较长,不利于网络模型的及时更新,限制了算法的应用范围；另一种是K近邻非参数回归算法,该算法预测精度很高,但近邻查找过程中需要搜索历史数据库,模式匹配效率较低,是其应用到实际中去的主要障碍。仿真实验结果表明,采用基于MapReduce技术的短时交通流预测方法,解决了BP神经网络算法中存在的前期网络权值训练时间过长问题,也解决了K近邻非参数回归算法中模式匹配时搜索历史数据库效率过低的问题,能够有效改善预测算法的实用性。