随着移动互联网的快速发展,每时每刻都有大量的数据产生,数据出现了爆炸式的增长,同时存储设备变得越来越廉价,然而面对海量的数据,人们发现从中找到适合自己的信息越来越困难、需要花费的时间也越来越长。另一方面人工智能的兴起,在交通领域提出了智能交通系统。而智能交通系统运行的先决条件是拥有准确、实时的交通流量预测系统。通过实时的交通流量预测系统,预知未来几分钟到几十分钟的交通流量,可以提前通过交通信号灯和交通控制管理系统对路面交通状况进行调控,从而达到缓解拥堵,提高交通效率的目标。因此在智能交通系统中,交通流量的精准预测变得尤为关键。本文针对目前智能交通流量预测精准性不高和存在延迟性的问题,通过对相关原理进行深入研究,实现了一种改进算法,并且在Spark平台上实现了分布式,提高了预测的精准性和效率。首先,本文介绍了历史交通数据的来源,对历史交通数据进行预处理。接着对路网进行分析建模,提取预测道路的特征数据,构建特征向量空间,然后使用Python语言实现了多元线性回归的算法来预测交通流量。最后本文研究了目前常用的智能交通流量模型,针对多元线性回归算法和梯度下降算法进行了改进,结合大数据处理技术Spark和Hadoop对海量交通数据进行存储和计算,设计并实现了基于Spark平台的分布式的多元线性回归算法,详细阐述了其具体的实验方案,并且通过实验进行验证。实验结果表明基于Spark的多元线性回归算法有效的提高了算法的效率,基于多个初始化值的改进和基于Boosting的改进算法提高了预测的精准度。