為了提高城市道路交通狀態預測的準確度，適應交通狀態劇烈變化，提出了基于K鄰近算法的實時交通預測框架。該框架以路段平均速度的時間序列構建特征向量，提出并應用差分序列考慮交通狀態的幅度變化，滾動預測不同道路類型的短時交通狀態。實驗結果表明，增加差分序列的K鄰近算法能準確地實現不同道路類型的短期交通狀態預測；對比支持向量與隨機森林算法，驗證K鄰近算法更適應交通狀態變化劇烈的次干道交通預測。

　　交通狀態預測解決如何在帶有隨機性和不確定性的交通變化中，根據多源異構的交通流數據，結合其他影響因素，進行數據的系統分析，找出其中的規律并建立相應的預測方法和模型，以預測未來的交通狀態變化。短時交通狀態預測的方法主要包括兩類：構建以傳統數學與物理方法為基礎的預測模型和以現代科學技術與方法（如仿真技術、人工智能、控制理論）為基礎的預測。

　　隨著數據挖掘技術的發展與成熟，K 鄰近算法（KNN 算法）具有結構簡單、計算效率高的特點，獲得越來越多的關注與研究。KNN 算法的相合性和收斂性在中得到有效驗證；與利用高速公路收費站的進出口數據，根據全天不同時段的交通狀況特征進行歷史數據分段，采用KNN 算法實現高速公路短期行程時間預測；另一方面，KNN 算法易于與其他算法如核曲線（N-Curve）相結合，實現不同近鄰的短時行程時間預測；然而，以上研究路段都是狀態平穩的高速公路，缺乏對具有較高隨機性與不確定性的城市道路的KNN 算法預測框架的研究與分析。

　　針對上述問題，本文提出基于KNN 算法的短期預測框架，并提出差分向量作為特征向量的擴充以考慮交通狀態的急劇變化；結果表明，對比支持向量與隨機森林方法，增加差分序列的KNN 算法適合預測非線性變化的交通流，實現更高精度的城市短時交通狀態預測。