随着机动车数量的不断增加,国内外大部分城市道路以及高速公路的交通拥堵状况日益严峻,这种现象严重的影响到了人们的日常工作和生活。为解决交通拥堵问题,智能交通系统被广泛采用并有效的缓解了拥堵的状况。由于交通数据的采集技术不断进步,使大量的历史数据作为交通状态的预测样本成为了可能。交通状态预测是智能交通系统进行交通管理中很重要的一部分,是交通诱导的前提。所以,交通状态预测的研究对交通规划及交通的优化控制有非常重要的作用。本文选择反映交通状态最直接的参数速度来作为状态预测的参数。针对现有速度预测方法的不足,提出了基于KNN-HA和KNN-RBF相融合的速度预测模型。首先使用KNN-HA方法和KNN-RBF方法对预测路段的速度做预测,分别得到周内和周末的预测结果。根据早晚高峰将一天分为5个时间段,比较每个时间段内两种方法的预测精度,得出了基于两种算法相融合的速度预测算法;其次将本文的方法与神经网络算法(NN)和支持向量回归算法(SVR)等经典方法进行比较,得出本文提出的预测模型优于其他预测模型,预测精度比支持向量回归算法提高了11%,比KNN-RBF算法提高了6%;最后根据速度阈值将交通状态划分为5个状态,以预测速度对道路的交通状态进行判断,并比较了预测值和实际交通状态的一致性,预测精度达到91.7%。