随着城市化进程的推进和经济水平的发展，城市交通问题日益突出。随着物联网技术的发展，智能交通系统(Intelligent Transport System, ITS)得到不断发展和完善。精准高效的短期交通流预测是智能交通系统中的核心问题，受到学术界和工业界的广泛关注。随着大数据技术的发展，出现了越来越多关于机器学习的短期交通流量预测模型和算法。但由于交通流数据本身存在的随机性和非线性，短期交通流预测仍然十分具有挑战性。本文在分析了大量交通流预测模型的基础上，针对短期交通流数据的数据集的样本不平衡和噪声问题，以提高预测精度为目标，设计并提出了两种基于改进K近邻算法的预测模型，最后将模型应用于阿姆斯特丹高速公路的4个数据集，取得了良好的预测精度并根据实验结果进行分析和讨论。本文的主要工作如下：
　　(1)针对样本的不平衡和噪声问题，本文提出基于样本再平衡噪声免疫k近邻回归(SrOrkNNr)算法模型。针对传统k近邻算法中采用的欧氏距离度量算法不适合衡量时间序列数据间的相似性，本文引入了动态时间规整算法(DTW)来衡量样本之间的相似性。又考虑到交通流数据在采集的过程中由于外界原因容易出现数据不平衡和噪声问题，模型在数据预处理部分对样本集进行相关性转换，构造出新的平衡数据集，同时引入局部超平面k近邻算法。
　　(2)针对单一模型泛化能力弱以及样本不平衡和噪声问题，本文提出基于动态加权融合的Bagging-kNN模型。考虑数据集容易训练出有偏好的单一模型，存在泛化性能不佳等问题，引入了动态加权融合的方式搭建Bagging-kNN集成学习框架，通过在实际数据集中验证分析了此模型的可行性和有效性。