1.一种基于改进学习率的深度学习交通流预测方法，其特征在于：所述方法包括以下步骤：

步骤1：改进深度信念网络模型在训练中的学习率及训练次数的确定方法；

所述步骤1包括以下步骤：

步骤1.1：令λ为学习率，λ(t+1)＝Φ(λ(t))，其中，Φ为λ对应的变换映射规则，t为训练次数，变化速率

步骤1.2：若当前重构误差err(i)小于上一次重构误差err(i‑1)，进行步骤1.3，若当前重构误差err(i)大于上一次重构误差err(i‑1)，进行步骤1.4，若当前重构误差err(i)等于上一次重构误差err(i‑1)，λ(i+1)＝λ(i)，进行步骤1.5；

步骤1.3： 进行步骤1.5；

步骤1.4： 其中，tmp为候选学习率值，gd为当前梯度和上一次梯度的平方和，a为常量；

步骤1.5：取λ(i+1)与λ(i)的差值的绝对值ε，当ε无限趋近于0，停止学习率改进；

步骤1.6：确认训练次数t；

步骤2：利用改进的深度信念网络模型和径向基函数建立预测用的深度信念网络‑径向基函数组合模型；

步骤3：使用交通流数据对步骤2的模型进行训练；

所述步骤3中，使用交通流数据进行训练包括以下步骤：步骤3.1：输入交通流数据X＝(x1,x2,…xn)，其中，xi为对应的一条交通流数据，xi＝

1 2 n j

(xi ,xi ,…xi)，xi为交通流中xi的第j个属性；

j

步骤3.2：对输入的数据进行归一化处理，xi＝(y2‑y1)*(xi ‑min(xi))/(max(xi)‑min(xi))+y1，其中，y1＝0，y2＝1；

步骤3.3：将归一化后的交通流数据X’输入模型，调整权重△Wij＝λij(M(vihj)‑R(vihj)，其中，λ为学习率，M(vihj)为网络每一层的重构前模型的分布情况，R(vihj)表示重构后模型的分布情况，训练并微调；所述步骤3.3中，微调是指在进行BP算法的同时对权重进行调整，直至模型输出值与输入数据的误差为最小；

步骤4：使用训练完成的模型对交通流进行预测。

2.根据权利要求1所述的一种基于改进学习率的深度学习交通流预测方法，其特征在于：所述步骤1.5中，ε∈[0.0001,0.0005]。

3.根据权利要求1所述的一种基于改进学习率的深度学习交通流预测方法，其特征在于：所述步骤1.6中，若 或|β(t‑n)‑β(t‑n‑1)|≥α(n＝0,1,2..)，则继续迭代，否则当前的t则为训练次数，其中，λ(t)为第t次的学习率，为阈值，β为深度信念网络模型的重构误差，n为连续统计误差的次数，α为误差波动范围。

4.根据权利要求3所述的一种基于改进学习率的深度学习交通流预测方法，其特征在于：

5.根据权利要求3所述的一种基于改进学习率的深度学习交通流预测方法，其特征在于：α为大于10的整数。

6.根据权利要求1所述的一种基于改进学习率的深度学习交通流预测方法，其特征在于：所述步骤2包括以下步骤：

步骤2.1：以改进后的深度信念网络模型与径向基函数建立深度信念网络‑径向基函数组合模型，以深度信念网络作为输入用的网络层，以径向基函数作为输出层；

步骤2.2：输入交通流数据D＝{d1,d2,…dm}，其中，数据di＝{di1,di2,…din}，即任一交通流数据包括n个属性，D为一个m×n的矩阵；

步骤2.3：深度信念网络提取数据特征值p＝Φ(fψ(di1),fτ(di2),…fχ(din))，其中，Φ为提取任一条交通流数据特征的集合，函数f用于提取出所述交通流数据中每个属性对应的特征；

步骤2.4：Q＝Θ(p1,p2,…pm)，其中，Θ为用于抽象出p的组合的更高层特征的函数，Q为交通流数据D的整体特征；

步骤2.5：输入Q至径向基函数，输入一个与Q相关的预测值out＝Г(Q)，最终获得输出预测值out。

7.根据权利要求6所述的一种基于改进学习率的深度学习交通流预测方法，其特征在于：所述步骤2.2中，属性包括车速、车重及交通流数据对应的时刻。