1.一种基于随机森林与聚类算法的道路旅行时间预测方法，其特征在于，包括以下步骤：

1)、根据路网的时空特性，从历史交通数据、天气数据、路网结构关系，以及路段本身属性中提取影响预测结果的相关特征集合V,并构建样本数据集D，其中V＝{v1,v2,v3,…,vn}，样本数据集D的数据结构为：{v1,v2,v3,…,vn,y}，vn为特征，n为特征维度，y为预测目标；

2)、对步骤1)中的样本数据集D进行数据清洗和缺失值补充；

3)、利用随机森林算法常用的特征选择方法，对特征集合V与预测目标y进行特征重要性度量,得出V中每个特征与预测目标之间的相关度V′，其中V′＝{v1′,v2′,v3′,…,vn′},v1′的值越大，说明特征v1与预测目标越相关，此特征越重要，重要的特征被优先选择用于构造随机森林；

4)、利用样本数据集D，构建密度聚类与随机森林混合预测模型；

5)、把与预测路段相关的样本数据X输入到步骤4)构建好的密度聚类与随机森林混合预测模型中，得出最终的预测结果；

所述步骤4)构建密度聚类与随机森林混合预测模型具体包括步骤：

①初始化随机森林中生成回归树T的棵数m和树的深度d；其中T＝{t1,t2,t3,…,tm}，t1表示回归树的序号，m表示生成m棵回归树；

②将步骤2)中获取的样本数据集D，利用Bootstrap方法对数据集D通过有放回的重采样方式生成与建立回归树数目一致的m份样本子集D＝{D1,D2,…,Dm}；

③对m份样本子集分别创建无剪枝的m棵回归树模型，采用最小剩余方差作为选择分裂属性和分裂点的依据，回归树创建后，每棵回归树的叶子节点对应部分样本数据；

④利用密度聚类算法对步骤③中每棵回归树的叶子节点中存在的样本数据进行聚类，此时叶子节点中的样本数据集会形成若干任意形状的类簇C＝{c1,c2,c3,…,ck}，k为类簇的个数，并计算集合C中每个类簇的聚类中心Dc＝{d1,d2,d3,…,dk}，其中d1表示类簇c1的聚类中心。

2.根据权利要求1所述的基于随机森林与聚类算法的道路旅行时间预测方法，其特征在于，所述步骤5)得出最终的预测结果具体包括步骤：①样本X遍历随机森林中的每棵回归树，直至每棵回归树的叶子节点；

②利用欧氏距离公式，分别计算样本X与叶子节点中每一个类簇中心的距离，最后返回与预测样本距离最近的类簇；

③计算②中返回的最相似的类簇中样本目标变量值的均值，作为本棵回归树的预测结果；

④获取每棵回归树的预测结果，取平均值作为随机森林的最终预测结果：

其中，yrf为随机森林的最终预测值，yt1表示第t1棵回归树的预测值。

3.根据权利要求2所述的基于随机森林与聚类算法的道路旅行时间预测方法，其特征在于，所述步骤②考虑到样本属性的权重，通过加权的欧式距离计算样本X与每个聚类中心的距离，通常认为距离值越小的类簇与预测样本越相似；

加权欧式距离公式：

其中，X：预测样本，d：类簇的聚类中心，n：样本维度，V′i：特征相关度。

4.根据权利要求2所述的基于随机森林与聚类算法的道路旅行时间预测方法，其特征在于，所述对m份样本子集分别构建无剪枝的m棵回归树模型，采用最小剩余方差作为选择分裂属性和分裂点的依据，具体包括：首先，遍历样本子集中的每个特征，将每个特征下的数据按从小到大进行排序；其次，将排序后的特征数据依次作为分裂节点，小于该分裂节点的数据进入左分支，大于或等于分裂节点的数据进入右分支，把原来的样本子集划分为两部分数据集；然后，利用最小剩余方差公式分别计算划分前的S值和划分后的左分支的SL值、右分支的SR值，计算S-(SL+SR)的差值，S表示最小剩余方差值，选取满足此差值最大时的特征值作为分裂节点，该分裂节点所在的特征项作为当前的分裂特征；递归执行以上的划分操作，并检验是否满足递归终止条件：树的深度＞d的初始值，若满足就停止树的生长，否则让回归树继续生长。

5.根据权利要求4所述的基于随机森林与聚类算法的道路旅行时间预测方法，其特征在于，最小剩余方差公式为：其中，N为每个样本子集中的样本个数，y为预测目标，为预测目标的均值。