随着社会经济的不断进步,人民生活水平逐渐提升,城市私家车保有量也在逐年稳步攀升。由机动车保有量上涨引发的交通需求与道路有限通行能力之间的不平衡关系日渐严重,最终以交通拥堵的形式呈现在我国的各个城市道路中。目前,交通拥堵问题在我国众多城市道路中日趋严重,频繁的拥堵不仅导致出行时间延误,而且加剧车辆污染排放。道路拥堵问题的治理关键是提前预测到可能出现的交通堵塞现象,并对各种拥堵情况发出预警信号,提前采取对应措施。因此,及时预测拥堵情况的发生、对各种可能出现的拥堵情况进行预警,对我国城市交通发展至关重要,对缓解通行压力、提高出行安全、节省出行时间、降低能源浪费具有重大意义。基于城市道路交通数据,对城市道路拥堵预测方法进行了研究。主要工作包括:查阅相关文献,研究道路交通拥堵预测算法、并行化技术、大数据云计算技术的发展现状。总结现有研究存在的问题与不足,确定以基于Spark并行的优化随机森林为研究目标。研究相关大数据技术,构建集群环境。从数据处理、特征选择、参数优化等角度进行研究。采用阈值法和交通流机理法对异常数据和缺失数据进行判别,采用移动平均法和历史趋势法对缺失和异常数据进行处理。构建χ2-YYPO-RF模型,利用卡方检验对处理后的数据进行特征选择,并通过阴阳对优化算法对随机森林进行参数优化,合理设置影响随机森林预测精度的两个关键参数决策树数量ntree和分裂属性个数mtry,并基于Spark大数据平台进行模型的并行化设计。为确定研究内容的可行性,通过准确率实验将K近邻算法、长短期记忆神经网络算法、传统随机森林算法与χ2-YYPO-RF模型从正确率、精确度、召回率、F1度量等方面进行比较;通过加速比实验和可扩展性实验,比较不同节点数目和不同数据量情况下的并行化模型的加速比和扩展比,验证模型并行化效果。实验证明,提出的χ2-YYPO-RF城市道路拥堵预测模型具有95.58%的预测准确率,四个评价指标均高于其他模型。随节点个数和数据量的增长,模型的加速比逐渐上升,扩展比逐渐降低,且逐渐趋近于理想值。