1.一种基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述方法包括以下步骤：

1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；

2)获取同一时刻内不同路段的交通流状态，提取交通流数据的空间特征：从数据集中获取相同时刻内不同路段的交通流状态，搭建两层一维卷积网络，利用一维卷积对交通流状态进行空间特征提取；

3)基于包含空间特征的交通流数据提取数据时间特征：将一维卷积网络输出的交通流空间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；

4)使用时空特征数据实现道路交通流预测：将道路交通流时空特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。

2.如权利要求1所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤1)中，获取微波交通流数据并对数据进行归一化处理，归一化采用最大最小标准化方法；利用不同路段的不同时刻交通流构成道路交通流状态输入矩阵，矩阵行向量表示同一时刻不同路段的道路交通流的空间状态，列向量表示同一路段不同时刻的道路交通流的时间状态。

3.如权利要求2所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤1)的过程如下：

1.1：对道路交通车流数据进行预处理

针对多条道路交通路段，获取其多天的道路交通流数据并对多路段多天的交通流数据进行预处理，数据预处理计算表达式如下所示：其中，xit为t时刻路段i的原始流量数据，minxi为路段i原始流量数据中的最小值，maxxi为路段i原始流量数据中的最大值，Xit为预处理后的路段i流量数据；

按照道路交通流时间状态，将数据集分为训练集和测试集，划分比例为8：2；

1.2：构建道路交通流状态矩阵数据集

根据预处理后的道路交通流数据构建道路交通流状态矩阵数据集，数据集中的单个样本矩阵形式如下所示：其中，状态矩阵行向量表示同一时刻不同路段的道路交通流的空间状态，列向量表示同一路段不同时刻的道路交通流的时间状态，M表示历史流量数据的数目，N表示输入矩阵中路段的数目。

4.如权利要求3所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤2)中，对于道路交通流状态输入矩阵X，我们定义交通流空间状态向量Pm为如下形式：Pm＝[X1,1+m,X2,1+m,…,XN,1+m],0≤m＜M  (3)搭建两层一维卷积网络，将Pm作为卷积层输入，计算道路交通流数据中的空间特征，计算过程如下所示：Hmn＝f(Wmn*Pmn+bmn)  (4)

其中，*表示卷积运算，Wmn表示权重矩阵，bmn表示偏置项，Hmn表示卷积运算结果，f表示激活函数relu:max{x,0}，n表示卷积特征图的数量，整个卷积过程通过Conv1D函数进行实现，该函数需要设定输入矩阵大小、卷积核长度、卷积核数量、填充方式以及激活函数。

5.如权利要求4所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤3)中，LSTM神经网络的记忆单元的计算如下所示。

n

fm＝f(W1·[hm-1,Hm]+b1)  (5)

im＝f(W2·[hm-1,Hmn]+b2)  (6)

C`m＝g(W3·[hm-1,Hmn]+b3)  (7)

Cm＝fm⊙Cm-1+im⊙C`m  (8)

n

Om＝f(W4·[hm-1,Hm]+b4)  (9)

hm＝Om⊙g(Cm)  (10)

其中，·表示矩阵叉乘，⊙表示矩阵点乘，W1、W2、W3、W4分别表示遗忘门、输入门、状态单元、输出门的权重矩阵，b1、b2、b3、b4分别表示遗忘门、输入门、状态单元、输出门的偏置，fm、im、Cm、Om、hm分别表示当前时刻遗忘门输出、输入门输出、状态单元输出、输出门部分输出以及记忆单元的最终输出，Cm-1、hm-1分别表示前一时刻的状态门输出和单元输出，C`m表示为候选状态，f、g分别表示sigmoid函数和双曲正切函数。那么，LSTM神经网络的最终输出表示为H＝[h1,h2,…,hm],0≤m＜M。

将LSTM神经网络用于交通流数据时变特性的提取，将道路交通流空间信息的计算结果作为LSTM神经网络的输入，进一步提取道路交通流数据中的时间特征。

6.如权利要求5所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤4)的过程如下：

4.1：计算预测结果

将LSTM神经网络输出的时空信息作为全连接层输入，预测基于历史交通流数据输入下的下一时刻状态，全连接表达式如下所示。

Ypre＝W5·H  (11)

其中，W5为全连接层权重矩阵，H为LSTM神经网络的输出结果，全连接层由keras中Dense层进行实现，需要设置输出单元数目；

4.2：定义模型损失函数，优化模型参数并实现实时交通流预测定义模型预测的交通流状态为Ypre,实际交通流状态为Ytrue，则模型损失函数L为如下形式：其中，k表示模型输入的样本数量；

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数L，然后利用反向传播算法实现对模型参数的不断优化；最后，将测试集数据作为模型输入，实现实时道路交通流的预测。