利用交通大数据对短时交通流开展有效预测是实现交通精细化控制,准确诱导,提供高效信息服务的基础。短时交通流传统预测方法大多基于数学理论建模,而流量的时变性以及不确定性导致这些方法预测精度偏低,达不到智能交通管控的要求。此外,传统预测方法大多采用交通量这一单一变量来开展预测,很难准确反映交通状态信息,导致整体或局部预测精度过低,为精细化交通预测和控制带来了困难。为弥补短时交通流传统预测方法精度不高、效率低等不足,本文利用交通大数据建立了一种基于相似交通状态的短时交通流预测方法,论文主要工作包括:(1)为完成大数据处理的前期工作,本文首先进行了数据预处理。首先介绍了现代大数据数据特征及采集手段介绍、聚合方法等。提出了异常数据的诊断算法及异常数据的修复算法,并完成了对异常数据案例的诊断及修复工作。针对欧式距离只能衡量单一间的距离,本文基于主成分分析(PCA)提出了最相关距离的概念及计算方法,该距离测度考虑了交通状态多个个变量和目标交通流之间的内在联系,在预测目标交通流时能准确衡量样本间的相似度大小,能充分发挥交通状态各个变量的实际作用。通过对交通大数据进行深度计算挖掘找到最相关距离的最佳放缩因子矩阵(参数矩阵)。(2)本文以时间、流量、速度为变量构建交通状态数据库,提出了基于相似交通状态的短时交通流基本预测方法,该方法采用最相关距离计算样本相似度,并在时间轴上以移动搜索框的形式进行横向移动搜索,通过扩大搜索范围尽可能找到相似并且合适的匹配样本,最后在数据库中利用K近邻算法预测目标交通流。预测案例利用某高速公路交通状态数据开展了实证研究,与增强KNN算法相比,该方法的预测精度更高。(3)针对传统近邻传播聚类模型在效率方面的不足,提出了动态近邻传播聚类(D-AP)模型。为在平衡二叉树结构中快速搜索最邻近类中心样本,建立了平衡二叉树(AVL)自适应搜索算法。论文利用所提出的基本预测方法、D-AP和AVL自适应搜索算法,建立了基于交通状态的分段数据库预测方法,该方法首先对每天同一个时间段的交通流预测建立近邻传播聚类库,并利用类中心样本构建相应的平衡二叉树,基于平衡二叉树自适应搜索算法搜索最相似交通状态,最后再根据最相关距离进行短时交通流预测。案例研究表明,当交通数据库数据量很大时,该方法可以大幅提高预测效率。