短时交通流分析是智能交通系统的重要组成部分,其中短时交通流聚类能够发现不同时间不同路段的相似交通流模式,为交通管理提供支撑;短时交通流预测能够提供未来较短时间的交通流状态的预测,为实现智能交通诱导与控制提供支撑。本文以某旅游景区周边某高速公路卡口在国庆节假日和非节假日交通流量为实验对象,以改进短时交通流序列的相似性度量为核心手段,从聚类和预测两个研究角度出发,解决了两个过去较少被研究又有其实际意义的问题:在短时交通流聚类中对现有相似性度量局限性的讨论和改进,以及将K近邻回归方法应用在短时交通流预测中实现非对称损失的预测。首先,本文介绍了数据基本信息,对数据进行描述性统计和预处理;分析了节假日和非节假日的交通流特征的差别,使用时间序列分析手段分析其序列生成机制。其次,本文利用节假日和非节假日交通流模式的差别,检验了分层聚类、K均值及K中心点聚类在短时交通流聚类上的可行性;检验了 LOESS平滑技术对聚类效果的提升,以及不同LOESS参数对聚类效果的影响;检验应用其他经典相似性度量手段实现聚类上的可行性;并对经典的欧氏距离在短时交通流聚类上的局限性讨论,通过在欧氏距离上加上对序列差平稳性的惩罚项实现了改进,并用实验验证了改进。再次,本文在序列生成机制的基础上建立了 IMA(1,1)的基准模型;之后将“一步型预测”的静态K近邻方法改造成“滚动型预测”的动态K近邻方法,使用原始流量数据和LOESS平滑后流量数据进行动态预测,并进行残差分析;之后研究了K近邻方法中三个关键参数的灵敏度,找到了该问题下最优参数取值;最后提出了非对称损失预测问题,提出了改进相似性度量实现非对称损失预测的三种思路,对判别标准和预测算法进行改进,并用实验验证新算法成功实现了非对称损失预测。本文的研究特色在于抓住改进交通流序列相似性度量这个关键问题,在短时交通流聚类中实现了对欧氏距离的改进,在预测中实现了非对称损失的预测,增强了K近邻回归在短时交通流预测中的应用能力,具有一定的理论及应用意义。本文的不足在于提出的非对称损失预测方法较为朴素粗糙,有易受异常值影响等缺点,未来还需要更多的相关研究和改进使其更加成熟。