交通客流量预测作为智能交通系统的一个重要研究方向,能够有效的为城市道路建设,智能交通疏导等领域提供行之有效保障措施。通过对大量过往交通客流量数据的分析,同时结合神经网络理论,可以建立起准确的数据预测模型,传统的神经网络预测模型局限于训练样本过小,初始化网络权值选取不当,从而可能导致预测结果不准,借助并行计算技术以及分布式存储技术可以方便的解决这两类问题,从而建立更加准确的预测模型。本文将传统神经网络算法和MapReduce并行编程技术相结合,同时借助HBase分布式数据库实现底层数据存储,建立了基于Hadoop集群的神经网络预测模型,并应用于实际客流量的预测问题。本文的主要研究工作如下:(1)通过对应用较广泛的并行编程技术的调研与分析,确定使用MapReduce并行编程框架,并以Hadoop集群作为实验环境,实现可视化的Linux集群资源监控与Job运行监控等服务,开发提供了无网络环境下集群安装配置服务组件。(2)在研究分析串行神经网络预测模型与MapReduce编程模型的基础上,提出将MapReduce与BP神经网络算法进行融合改造,提出BP-MR并行预测模型,即能够发挥神经网络算法在预测领域的优势,同时通过增强初始网络权值的随机性以及训练样本数据的并行化,从而可以获得更好的预测结果。(3)在Hadoop集群环境下,通过除噪清洗工作,将干净的客流量数据存储在HBase数据库中,作为MapReduce程序的数据源,通过对BP-MR并行预测模型与BP模型的预测结果进行分析对比,得出BP-MR并行预测模型的优点和不足,提出改进思路。