随着交通拥堵问题的日益严重,智能交通系统因为能够有效地解决交通拥堵问题而受到广泛地关注。智能交通系统中最重要的部分是交通流量控制系统。交通流量控制系统可以监测交通流量,协同交通资源,避免交通大面积拥堵。而交通流量控制系统的关键是短时交通流的信息采集、信息分析和预测。本文考察了几种常见的短时交通流预测方法。阐述了其中的K近邻非参数回归算法解决短时交通流预测的实用性。本文讨论了K近邻非参数回归预测算法的数学原理和实现步骤,并将其应用到首都机场的出租车和出租车乘客流量预测中。K近邻非参数回归预测算法作为非参数方法的一种,也存在一些问题,限制了它的实际应用。K近邻非参数回归预测算法的主要缺陷是:因为影响交通流量的因素较多,同时对原始数据的预处理不足,造成状态向量的分量过于简单或过于复杂,同时也造成历史数据库结构的不合理,最终导致匹配过程耗时过多。由于对原始数据不加分类,并且所有流量模式采用单一K值,导致对当前流量模式的误判而加大预测误差。本文针对这些缺陷,对算法提出了一些改进措施。改进的主要措施有:(1)引入主成分分析和聚类分析,对原始数据进行预处理,主成分分析法可以降低算法中的状态向量的维数,同时也消除状态向量分量之间的相关性。聚类分析将原始数据进行分类,将原始数据中的各种流量模式聚集在一起,改变原始数据密度不均匀的状态。(2)创建具有快速搜索能力的历史数据库。首先将原始数据、聚类中心点数据、近邻数据分开存放。同时将聚类中心点数据映射成一维数据,并单独存储,以提高搜索效率。(3)采用变K值策略。恒定K值并不适合所有的流量模式,会大概率地造成误判,加大误差。对不同流量模式,即不同的聚类,采用不同的K值可以减小预测误差。(4)加入反馈机制。通过将误差线性地加载在距离度量准则中的系数上来调节非参数回归预测模型,减小误差。本文最后对改进的算法进行了仿真实现,结果表明改进之后的算法的耗时和预测误差都明显优于改进前的算法。