移动互联网飞速发展给人们生活带来的巨大改变不仅仅局限于电子商务等信息产业领域,随着云计算服务的成熟普及,使得建立在移动云服务上的面向传统领域的移动应用成为了可能。尽管各类基于位置服务（LBS）的电子地图应用在车速提醒上都有着各自的尝试,但大都属于基于传统技术的简单应用,也很少完全建立在各类交通限速规定和标准之上。在大数据技术不断发展的今天,云计算服务和大数据技术提供了将之应用于车速提醒的基础,这种基础为结合相关的交通安全法规和标准设计实现车速提醒系统提供了可能。本文以相关道路交通安全法规和标准为基础,基于LBS服务和Keras神经网络框架设计并实现了一个车速提醒系统。本设计以LBS服务提供的位置和车速信息为基础,结合各用户在客户端上的历史定位信息作为LSTM神经网络训练的数据集合,训练出个性化车速预测模型,在实时定位测速的同时,根据车速预测模型计算出下一步定位点的预测车速。并且,利用车速提醒服务端的历史轨迹车速信息,计算出区域平均车速。以实时车速、预测车速、区域平均车速和相关道路交通限速标准设置的限速参数进行比较,在符合预警条件的情况下进行超速提醒。本文设计的车速提醒系统以实时定位点车速做超速判断的同时,还可以根据历史车速数据分别从时间（预测车速）角度和空间（区域平均车速）角度计算潜在可能的车速,在一定程度上提高了超速判断的准确性。通过结合不同天气和道路模式下的限速参数,系统可以依据不同道路情况下道路交通法规和限速标准的不同,针对不同个体进行不同情况下的个性化超速提醒。本文主要的研究工作如下:（1）基于LBS服务和Keras神经网络框架进行系统的总体设计。本文提出的车速提醒系统分为移动客户端和服务端,移动客户端是基于LBS服务设计的运行于Android移动操作系统之上的应用程序,系统的服务端包括基于httpd服务设计的Web Service应用程序,以及基于Keras神经网络框架和DEAP计算框架设计的python神经网络模型训练程序。（2）基于Keras神经网络框架的车速预测模型的训练和优化。车速预测模型本质上是以历史轨迹点车速训练而成的LSTM神经网络模型,本文基于Keras神经网络框架设计车速预测模型并实现其训练过程,以DEAP计算框架基于GA遗传算法对LSTM神经网络模型训练的层数和时间窗口进行优化。（3）车速提醒系统的客户端和服务端的详细设计。本文根据系统的总体设计,基于LBS服务和天气服务,并按照系统的功能划分,分别从定位与测速模块、车速提醒模块、历史轨迹上传与车速预测模型下载模块、系统设置模块和用户登录验证模块展开Android客户端详细设计。以httpd服务为基础,分别展开服务端系统的数据库设计和Web Service功能模块设计。（4）详细设计的基础上实现系统并进行验证。本文以客户端和服务端详细设计为依据实现系统,并从定位测速和天气信息服务响应,车速预测模型的评价,以及服务器并发等角度展开系统的验证和讨论。