1.一种基于Kernel-KNN匹配的道路交通状态获取方法，其特征在于：所述获取方法包括以下步骤：(1)建立道路交通特征参考序列：

设计道路交通特征参考序列，提取具有代表性的道路交通数据并进行数据预处理，建立道路交通运行特征参考序列；

(2)构建道路交通数据序列核函数：

选取多维多粒度的道路交通数据序列，利用核函数将道路交通数据序列映射到特征空间，构建道路交通数据序列核函数；

(3)基于Kernel-KNN获取道路交通状态：

提取道路交通特征参考数据序列和当前道路交通数据序列，获取道路交通特征参考数据序列和当前道路交通数据序列在高维特征空间的欧式距离，通过KNN方法选取k个最近邻道路交通特征参考数据序列；从道路交通特征参考数据序列中，选取这k个最近邻道路交通特征参考数据序列的下一时刻的道路交通状态，最后通过对这k个道路交通状态加权平均获取道路交通状态。

2.如权利要求1所述的基于Kernel-KNN匹配的道路交通状态获取方法，其特征在于：所述步骤(2)中，假设交通流检测器采集交通状态信息的时间间隔为Δt，单一交通流检测器每天采集的交通状态信息的数量为Num，设定选取的时间维度为c×Δt，选取的道路交通参数粒度为d，则t时刻选取的道路交通数据序列X(t)为：X(t)＝[S(t-(c-1)Δt) … S(t-Δt) S(t)]TS(t)＝[S1(t) S2(t) … Sd(t)]T

其中，S(t)为t时刻路段的道路交通状态参数集，Si(t)为路段在时间段[t，t+Δt]内的第i种道路交通状态参数值，i＝1，2，…d；

所述步骤将道路交通数据序列X(t)通过非线性映射φ映射到高维特征空间得到φ(X(t))，则特征空间中t1时刻和t2时刻的道路交通数据序列高维特征的点积用Mercer核表示为：K(X(t1)，X(t2))＝<φ(X(t1))，φ(X(t2))>非线性映射φ由核函数的表达形式决定。

3.如权利要求2所述的基于Kernel-KNN匹配的道路交通状态获取方法，其特征在于：所述步骤(3)中，基于Kernel-KNN获取道路交通状态的过程如下：步骤3.1：不同道路交通数据序列的选取

设定共选取a天的道路交通状态数据建立道路交通特征参考序列，则道路交通特征参考序列中交通状态信息的数量为a×Num，定义道路交通特征参考序列中第h个数据点的时刻为(h·Δt)，该时刻道路交通特征参考数据序列XS(h·Δt)为：XS(h·Δt)＝[S(h·Δt-(c-1)Δt) … S(h·Δt-Δt) S(h·Δt)]TS(h·Δt)＝[S1(h·Δt) S2(h·Δt) ... Sd(h·Δt)]T其中，S(h·Δt)为(h·Δt)时刻路段的道路交通特征参考值，Si(h·Δt)为路段在时间段[h·Δt，(h+1)Δt]内的第i种道路交通状态参数参考值，i＝1，2，…d；c-1≤h≤(a×Num-1)；

tN为当前时间刻度，则当前时刻选取的道路交通数据序列X(tN)为：X(tN)＝[S(tN-(c-1)Δt) … S(tN-Δt)S(tN)]TS(tN)＝[S1(tN) S2(tN) … Sd(tN)]T步骤3.2：道路交通数据序列特征空间中欧式距离的获取

通过Mercer核将多维多粒度的道路交通数据序列映射到特征空间，基于核函数的定义，多维多粒度的道路交通数据已被映射到φ(X(t))，则道路交通特征参考数据序列XS(h·Δt)和当前道路交通数据序列X(tN)在特征空间中的欧式距离表示为：

步骤3.3：道路交通状态的获取

(3.3.1)利用距离公式，计算当前道路交通数据序列与道路交通特征参考数据序列之间的核距离，选取距离当前道路交通数据序列的k个最近邻道路交通特征参考数据序列XS(gi·Δt)，1≤i≤k，c-1≤gi≤(a×Num-1)；

(3.3.2)从道路交通特征参考数据序列中，选取这k个最近邻道路交通特征参考数据序列的下一时刻的道路交通状态，记为S((gi+1)Δt)，1≤i≤k，c-1≤gi≤(a×Num-1)；

(3.3.3)tN+Δt时刻的道路交通状态 通过下式获得：

其中，μi为第i个道路交通状态的权重值，其与当前道路交通数据序列与道路交通特征参考数据序列在特征空间的欧式距离成反比。