近年来随着物流行业的蓬勃发展,对物流行业布局核心的物流园区的研究越来越多。但目前的研究更多集中在物流园区的选址布局和制度建设,对改善运营中的物流园区内外微循环提高货运流转效率研究较少。对于物流园区来说,提高流动效率的有效方式就是预测拥堵,进而打破园区运营瓶颈,提高效能。目前的拥堵预测技术应用在物流园区场景的较少,并且对于拥堵预测很难将其他场景预测方法直接的移植,同时在解决交通数据量大的基础上还要考虑物流园区拥堵预测的业务属性要求。Apache Spark平台是目前实现拥堵预测的选项,具有传统框架无法比拟的优势。为了实现物流园区的拥堵预测,提高园区流通效能,本文基于Apache Spark框架提出了物流园区拥堵预测系统。目前拥堵预测的常见的情境是城市与高速公路,应用于物流园区的研究较少。为了提高物流园区拥堵预测的准确性以及其与物流园区业务的适配性,本文提出了基于物流园区监测网络的拥堵预测模型。通对物流园区及周边小范围的微循环进行更好的交通数据采集,设计与物流园区业务特性相关联的拥堵系数,提高预测的准确性与针对性,帮助解决物流园区拥堵,改善园区内外微循环。为了能更好的处理物流园区拥堵预测模型中海量的实时交通数据,提升预测速度,本文提出了使用Spark框架实现的基于异步逻辑回归的拥堵预测方法应用于物流园区拥堵预测模型。通过将数据分发多个节点同时计算,提高逻辑回归算法运算速度,使其在大数据场景下具有更强性能。最后本文设计并实现了基于Spark的物流园区拥堵预测系统。该系统在架构上分为数据采集层、数据处理层、模型存储层和数据可视化。采用Spark构建大数据处理服务,My SQL构建关系型数据库存储服务,Flume、Kafka作为数据传输中间件,基于Spring Boot框架完成系统的Web服务。在实际应用场景中对系统的功能进行了测试,证明了拥堵预测系统具有较强的实用性。