為了提高城市道路交通狀態(tài)預(yù)測(cè)的準(zhǔn)確度，適應(yīng)交通狀態(tài)劇烈變化，提出了基于K鄰近算法的實(shí)時(shí)交通預(yù)測(cè)框架。該框架以路段平均速度的時(shí)間序列構(gòu)建特征向量，提出并應(yīng)用差分序列考慮交通狀態(tài)的幅度變化，滾動(dòng)預(yù)測(cè)不同道路類型的短時(shí)交通狀態(tài)。實(shí)驗(yàn)結(jié)果表明，增加差分序列的K鄰近算法能準(zhǔn)確地實(shí)現(xiàn)不同道路類型的短期交通狀態(tài)預(yù)測(cè)；對(duì)比支持向量與隨機(jī)森林算法，驗(yàn)證K鄰近算法更適應(yīng)交通狀態(tài)變化劇烈的次干道交通預(yù)測(cè)。

　　交通狀態(tài)預(yù)測(cè)解決如何在帶有隨機(jī)性和不確定性的交通變化中，根據(jù)多源異構(gòu)的交通流數(shù)據(jù)，結(jié)合其他影響因素，進(jìn)行數(shù)據(jù)的系統(tǒng)分析，找出其中的規(guī)律并建立相應(yīng)的預(yù)測(cè)方法和模型，以預(yù)測(cè)未來的交通狀態(tài)變化。短時(shí)交通狀態(tài)預(yù)測(cè)的方法主要包括兩類：構(gòu)建以傳統(tǒng)數(shù)學(xué)與物理方法為基礎(chǔ)的預(yù)測(cè)模型和以現(xiàn)代科學(xué)技術(shù)與方法（如仿真技術(shù)、人工智能、控制理論）為基礎(chǔ)的預(yù)測(cè)。

　　隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展與成熟，K 鄰近算法（KNN 算法）具有結(jié)構(gòu)簡(jiǎn)單、計(jì)算效率高的特點(diǎn)，獲得越來越多的關(guān)注與研究。KNN 算法的相合性和收斂性在中得到有效驗(yàn)證；與利用高速公路收費(fèi)站的進(jìn)出口數(shù)據(jù)，根據(jù)全天不同時(shí)段的交通狀況特征進(jìn)行歷史數(shù)據(jù)分段，采用KNN 算法實(shí)現(xiàn)高速公路短期行程時(shí)間預(yù)測(cè)；另一方面，KNN 算法易于與其他算法如核曲線（N-Curve）相結(jié)合，實(shí)現(xiàn)不同近鄰的短時(shí)行程時(shí)間預(yù)測(cè)；然而，以上研究路段都是狀態(tài)平穩(wěn)的高速公路，缺乏對(duì)具有較高隨機(jī)性與不確定性的城市道路的KNN 算法預(yù)測(cè)框架的研究與分析。

　　針對(duì)上述問題，本文提出基于KNN 算法的短期預(yù)測(cè)框架，并提出差分向量作為特征向量的擴(kuò)充以考慮交通狀態(tài)的急劇變化；結(jié)果表明，對(duì)比支持向量與隨機(jī)森林方法，增加差分序列的KNN 算法適合預(yù)測(cè)非線性變化的交通流，實(shí)現(xiàn)更高精度的城市短時(shí)交通狀態(tài)預(yù)測(cè)。