1.一种交通数据短时预测方法，其特征在于，用于预测监测地点的交通数据，所述方法包括：

根据设定时间长度内时间段的划分规则，确定当前时间段、当前时间段之前的每个时间段对应的维度；

采用K近邻KNN算法在历史数据库中，根据针对K-d树记录的每个维度的区分度，所述当前时间段及所述当前时间段之前的每个时间段对应的维度，查找所述当前时间段及所述当前段之前的每个时间段对应的维度的区分度最大的至少一个维度；其中，所述历史数据库中基于K-d树保存有多个该设定时间长度内每个维度对应监测到的历史交通数据，K为大于零的整数；

根据所述至少一个维度，将所述至少一个维度对应的交通数据与所述历史数据库中对应维度的中位数进行比较，确定该交通数据在该维度的中位数的左子树或右子树中，并确定该中位数的左子树或右子树中记录的每个历史交通数据对应组的标识信息；其中，所述历史数据库中每个维度的中位数是根据所述历史数据库该维度对应的每个历史交通数据确定的；

确定所述至少一个维度对应的组的标识信息的交集，根据所述交集中每个组的标识信息，在每个组对应的历史交通数据中查找与所述当前时间段及所述当前时间段之前的每个时间段监测的交通数据距离临近的K组历史交通数据；根据当前时间段的维度，确定该当前时间段的下一时间段的第一维度；

根据K组历史交通数据中该第一维度对应监测到的历史交通数据，及所述K组历史交通数据对应的权重系数，预测该当前时间段的下一时间段的交通数据。

2.如权利要求1所述的方法，其特征在于，生成基于K-d树保存的多个该设定时间长度内每个维度对应监测到的历史交通数据包括：针对每个维度，根据该维度对应的每个历史交通数据，确定该维度的中位数，其中每个时间段监测的历史交通数据作为该K-d树的一个维度保存；

针对每个维度，根据每组历史交通数据中该维度对应的历史交通数据与该维度的中位数的大小，将每组历史交通数据的该维度对应的交通数据保存在所述中位数的左子树或右子树中，并分别记录每个历史交通数据所在组的标识信息，其中每个设定时间长度的每个时间段监测的历史交通数据作为一组历史交通数据。

3.如权利要求1所述的方法，其特征在于，确定所述K-d树中每个维度的区分度包括：

针对每个维度，确定所述K-d树中该维度的历史交通数据的方差；

根据所述方差的大小，确定每个维度的区分度。

4.如权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：

按照设定的时间间隔，对所述历史数据库中以K-d树保存的多个该设定时间长度内每个维度对应监测到的历史交通数据进行更新。

5.如权利要求1-3任一项所述的方法，其特征在于，所述根据K组历史交通数据中该第一维度对应监测到的交通数据，及所述K组历史交通数据对应的权重系数，预测该当前时间段的下一时间段的交通数据包括：根据该K组历史交通数据与该当前时间段及该当前时间段之前的每个时间段监测的交通数据的距离的倒数，确定每组历史交通数据对应的权重系数；

根据确定的每组历史交通数据对应的权重系数，及每组历史交通数据中该第一维度对应监测到的历史交通数据，预测该当前时间段的下一时间段的交通数据。

6.如权利要求5所述的方法，其特征在于，所述根据K组历史交通数据与该当前时间段及该当前时间段之前的每个时间段监测的交通数据的距离的倒数，确定每组历史交通数据对应的权重系数包括：根据 确定每组历史交通数据对应的权重系数，其中，βi为第i组历史交通数据对应的权重系数，di为第i组历史交通数据与该当前时间段及该当前时间段之前的每个时间段监测的交通数据的距离，K为大于0的整数。

7.如权利要求1所述的方法，其特征在于，所述交通数据包括：交通流量数据，或交通违法车辆的数据。

8.一种交通数据短时预测装置，其特征在于，用于预测监测地点的交通数据，所述装置包括：

第一确定模块，用于根据设定时间长度内时间段的划分规则，确定当前时间段、当前时间段之前的每个时间段对应的维度；

查找模块，用于采用K近邻KNN算法在历史数据库中，根据针对K-d树记录的每个维度的区分度，所述当前时间段及所述当前时间段之前的每个时间段对应的维度，查找所述当前时间段及所述当前段之前的每个时间段对应的维度的区分度最大的至少一个维度；根据所述至少一个维度，将所述至少一个维度对应的交通数据与所述历史数据库中对应维度的中位数进行比较，确定该交通数据在该维度的中位数的左子树或右子树中，并确定该中位数的左子树或右子树中记录的每个历史交通数据对应组的标识信息；确定所述至少一个维度对应的组的标识信息的交集，根据所述交集中每个组的标识信息，在每个组对应的历史交通数据中查找与所述当前时间段及所述当前时间段之前的每个时间段监测的交通数据距离临近的K组历史交通数据；其中，所述历史数据库中K维K-d树保存有多个该设定时间长度内每个维度对应监测到的历史交通数据，K为大于零的整数；所述历史数据库中每个维度的中位数是根据所述历史数据库该维度对应的每个历史交通数据确定的；

第二确定模块，用于根据当前时间段的维度，确定该当前时间段的下一时间段的第一维度；

预测模块，用于根据K组历史交通数据中该第一维度对应的监测到的历史交通数据，及所述K组历史交通数据对应的权重系数，预测该当前时间段的下一时间段的交通数据。

9.如权利要求8所述的装置，其特征在于，所述装置还包括：

生成模块，用于针对每个维度，根据该维度对应的每个历史交通数据，确定该维度的中位数，其中每个时间段监测的历史交通数据作为该K-d树的一个维度保存；针对每个维度，根据每组历史交通数据中该维度对应的历史交通数据与该维度的中位数的大小，将每组历史交通数据的该维度对应的历史交通数据保存在所述中位数的左子树或右子树中，并分别记录每个历史交通数据所在组的标识信息，其中每个设定时间长度的每个时间段监测的交通数据作为一组历史交通数据。

10.如权利要求9所述的装置，其特征在于，所述生成模块，还用于针对每个维度，确定所述K-d树中该维度的历史交通数据的方差；根据所述方差的大小，确定每个维度的区分度。

11.如权利要求8-10任一项所述的装置，其特征在于，所述装置还包括：

更新模块，用于按照设定的时间间隔，对所述历史数据库中以K-d树保存的多个该设定时间长度内每个维度对应监测到的历史交通数据进行更新。

12.如权利要求8-10任一项所述的装置，其特征在于，所述预测模块，具体用于根据K组历史交通数据与该当前时间段及该当前时间段之前的每个时间段监测的交通数据的距离的倒数，确定每组历史交通数据对应的权重系数；

根据确定的每组历史交通数据对应的权重系数，及每组历史交通数据中该第一维度对应监测到的历史交通数据，预测该当前时间段的下一时间段的交通数据。

13.如权利要求12所述的装置，其特征在于，所述预测模块，具体用于根据确定每组历史交通数据对应的权重系数，其中，βi为第i组历史交通数据对应的权重系数，di为第i组历史交通数据与该当前时间段及该当前时间段之前的每个时间段监测的交通数据的距离，K为大于0的整数。