針對高速 公路傳統的短時交通流預測方法適用數據規模小、全網預測效率較低、數據的時空關系被忽視等問題，提出一種結合了K近鄰（KNN）模型且面向高速大數據的短時交通流預測方法。首先，對模型的K值和距離度量進行調優，利用交叉驗證進行模型參數的對比實驗;然后，考慮數據內在的業務時空關聯，建?；跁r空特性的特征向量;最后，在大數據環境下建立回歸預測模型，以最優參數的模型實現預測。實驗結果表明，與傳統時間序列模型相比，所提方法一次可預測出全站點的流量，單次運行速度快，效率提高了77%，平均絕對百分比誤差（ MAPE）和絕對百分比誤差中位數（MDAPE）均有明顯減低，且具有良好的水平擴展性。

　　近年來，隨著我國經濟穩定的發展和高速公路路網建設日漸完善，高速路網的交通流量不斷增長，人們的交通需求也逐漸增加，給路網的通行能力帶來一定挑戰。 路網中交通擁堵問題帶來-些社會問題，不僅增大了處理交通擁堵的花銷，還給我國經濟帶來了一定損失，因此減少交通擁堵是我國需要解決的重大社會問題之一。對交通狀況的控制和交通流誘導是智能交通系統（ Itelligent Transport System， ITS）的核心研究問題其關鍵在于短時交通流量預測，使之利用交通管控在路網中分散交通流，緩解交通擁堵狀況，給出行者提供交通誘導信息。交通流根據預測周期可分為兩類：短時預測（ short-term Forecasting） 和中長時預測（mid-long-termForecasting）。其中短時交通流預測指以5 ~ 30 min時間跨度上的時間間隔，運用當前交通流數據信息去預測下一個5min至30min內的交通流量，本文以時間間隔取5min為例討論短時交通流量的預測。