1.一種基于卷積神經網絡結構的交通流預測方法，其特征在于，所述方法包括以下步驟：

1)建立交通流數據集并對數據集進行預處理：根據獲取的交通流數據建立交通流數據集，對數據集進行預處理，構建數據集樣本矩陣，將數據集分為訓練集和測試集；

2)構建基于卷積神經網絡的交通流預測模型：搭建單層傳統卷積神經網絡，去除池化層，構建道路交通流矩陣的特征提取網絡，在全連接層后增加sigmoid非線性回歸層，構建道路交通流非線性回歸預測網絡；

3)訓練卷積神經網絡并實現短期交通流的實時預測：定義模型目標函數，將訓練集作為卷積神經網絡模型輸入，求解模型最優參數從而完成模型訓練；利用訓練完成的卷積神經網絡模型對測試集進行實時交通流預測；

所述步驟1)的過程如下：

1.1：建立交通流數據集，對數據進行預處理

獲取多條路段多天車流量數據構建交通流數據集，數據集形式如下所示：

其中，p表示路段數目，q表示在采樣周期T一定情況下采樣樣本的數量；

考慮到卷積神經網絡預測模型中采用了sigmoid回歸，將交通流數據實際值域映射到0-1值域，為了確保模型輸入輸出是在同一量綱，對原始多路段的交通流數據進行了標準化處理，標準化方法為最大最小標準化；

1.2：構建數據集樣本矩陣，將數據集分為訓練集和測試集

由于二維卷積運算提取兩個維度的信息，在交通數據中則對應于時間信息和空間信息，故模型的數據集中的單個樣本應包含時空信息，將數據集中的單個樣本設計為以下形式：

矩陣的行向量表示相同路段不同時刻交通流數據的時間信息，列向量表示相同時刻不同路段交通流數據的空間信息，其中，N表示路段數量，n表示歷史交通流數據數量；記當前時刻為t，則x_{i t-n}表示路段i在t-n時刻的交通流數據；

數據集樣本矩陣構建完成后，將整個數據集分為訓練集和測試集；

所述步驟2)的過程如下：

2.1：構建特征提取網絡

特征提取模塊包含卷積層、展開層和全連層；

卷積層采用二維卷積進行計算，該卷積不僅可以提取輸入矩陣行向量的交通流數據中的時間信息，還可以提取列向量上的交通流數據中的位置信息，對于單個樣本的卷積層計算表達式如下：

Y＝f((m,X,k)*W₁+b₁) (3)

其中，(m,X,k)為輸入矩陣，m表示樣本數，k表示通道數，W₁為a×b×c×s權重矩陣，a×b定義為卷積核大小，c為通道數，s定義為卷積核數量，b₁為偏置項，f為激活函數relu:max(0,x),Y為卷積層輸出，*為二維卷積運算操作；

由卷積運算可知，卷積層輸出為三維向量，而回歸層輸入為一維向量，故采用展開層將卷積層輸出轉變為一維向量，展開層表達式如下：

Y_flat＝Reshape(Y,size) (4)

其中，Y為卷積層輸出，Y_flat為展開層的輸出，Reshape為展開函數，size表示轉換結果的維數，例如Reshape(Y,(2,3))表示將Y轉變為2×3的向量；

展開層輸出作為全連接層的輸入，全連接層計算表達式如下：

Z＝f(W₂Y_flat+b₂) (5)

其中，Y_flat為展開層輸出，W₂為權重矩陣，b₂為偏置項，f為激活函數relu:max(0,x),Z為全連接層輸出；

2.2：構建非線性回歸預測網絡

回歸預測模塊包含Drop層和回歸層；

在損失函數中加入正則化項和隨機丟棄部分數據并用0填充，采用第二種方式，并將該層稱之為Drop層，Drop層表達式如下：

Z_drop＝Drop(Z,keep_prop) (6)

其中，Z為全連接層輸出，Z_drop為Drop層輸出，keep_prop為保留數據占數據總量的比例，取值范圍為0-1；

由于交通流數據的非線性，采用非線性回歸進行預測，回歸層表達式如下：

O＝g(W₃Z_drop+b₃) (7)

其中，Z_drop為卷積層輸出，W₃為權重矩陣，b₃為偏置項，g為激活函數sigmoid:1/(1+exp(-x)),O為全連接層輸出；

所述步驟3)的過程如下：

3.1：定義模型目標函數，訓練模型

設O為模型預測輸出，Label為樣本標簽數據，j為樣本數量，則模型損失函數L如下所示：

針對上述的模型目標函數，通過反向傳播算法調解模型每層參數，尋找模型的相對最優參數；

3.2：實現實時交通流的預測

獲取實時交通流數據作為上述訓練完成模型的輸入，實現交通流的實時預測。