公交客流是交通规划部门以及公交运营部门管理、运营、调度公交的基础性数据,因此,对公交客流的准确把握以及未来客流量的预知具有重要意义。而传统的公交客流获取方法信息量小、不够全面、时效性差。本文研究如何利用Hadoop分布式并行处理技术,融合公交车刷卡数据、公交车定位数据以及气象信息,分析预测公交客流量,在保证公交客流量预测精度的前提下提高预测模型的计算效率。本文首先基于IC卡和GPS数据分析乘客上车站点信息,然后基于乘客出行形成的连续出行链分析乘客下车站点信息。在分析上车站点方面,基于公交车刷卡数据和公交车定位数据进行时间匹配来确定刷卡地点；在乘客下车站点分析方面,基于乘客的出行链推断下车的站点。其次,本文分析了公交客流的影响因素,从客流周期性、节假日以及天气方面进行分析。最后,基于以上分析得到的站点客流以及影响因素对站点未来的时段客流量进行预测。通过对各种预测模型的对比分析,本文选用了非线性映射能力以及学习能力强的BP人工神经网络模型来进行预测,综合考虑了历史数据、气温以及天气因素的影响。针对BP人工神经网络训练耗时的问题,结合MapReduce模型来并行进行训练。实验表明,基于MapReduce实现的BP人工神经网络来预测未来客流量,预测结果与其他算法相比保证了预测的精度,与单机BP算法相比较也提高了算法运行的效率。