1.一种基于高斯过程回归算法的智能交通时段划分方法，其特征在于，所述方法包括以下步骤：

1)输入具体的日期、路口、车道，获取相应交叉口道路的流量信息；以设定时间为时间间隔，将一天划分为N个时段，从数据库获取到过车数据后，计算得到N维的车流量，记为V，其中V(t)代表当前路口t时段的车流量；

2)运用超参数优化的高斯过程回归算法对V进行平滑处理，计算过程如下：

2.1)设置初始超参数hyp0＝[sf0,ell0,sn0]，分别表示高斯核函数的函数标准差、核函数的特征长度尺度、噪声标准偏差，开始进入训练过程；

2.2)为了消除由于横纵坐标差距过大带来的影响，对车流量V进行归一化处理：

2.3)进入第l次迭代过程，首先计算高斯核函数，此处采用时间t和它本身的协方差函数，考虑到噪声的影响，计算公式如式(3)：式中：K为协方差矩阵，在此处由于是时间t和其自身的协方差，故矩阵为n维方阵，kij为矩阵内对应的元素，计算公式如下式(4)：

2.4)计算边际似然函数nlZ，作为超参数优化的目标函数：

式中：L为高斯核函数K的Cholesky分解所得的上三角阵，记作L＝chol(K)；

2.5)以nlZ为目标函数，采用梯度下降法做超参数优化，若本次迭代结果nlZl不为最优解，则l＝l+1，返回步骤2.2重新计算；若本次迭代结果已达到最优，则返回hypl，并跳出循环；

max min

2.6)输入需要预测的时间向量 以hypl为参数，使用训练数据得到的t 和t ，重新进行归一化和核函数的运算，得到归一化后的预测时间向量 和高斯核函数

2.7)以式(8)计算回归后的车流函数，并以训练过程中已知的Vmax和Vmin，做反归一化处理，最终得到回归后的车流函数 如式(9)

3)对 进行差分计算，近似为车流的导函数d，计算如公式(10)：

4)针对流量导数曲线进行进一步的数据判别，将一日的交通状态划分成多个时段，过程如下：

4.1)根据算法取阈值T，按阈值T把过车流量数据划分为流量上升，流量下降，流量平稳三部分，此处将流量平稳称为0状态，流量上升称为1状态，流量下降称为2状态，如公式(11)所示：经过阈值T的切割，导数曲线可以变换为具有时间属性的状态数字序列s(t)，其中状态数字为0,1,2；

4.2)开始划分时段，找到所有上升，平稳，下降的连续状态数字序列，即1,0,2作为一个时间段；

4.3)找到除去开始以外的平稳期时间段，对应s(t)＝0，如果时间小于30分钟，则判断左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段；

4.4)判断剩下的独立时间段，对应s(t)＝1,2，如果它们的时间小于30分钟，判断它左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段；

4.5)经过上述过程后，最终对这些时间段中所有非平缓期的上升或下降状态对进行以下处理：a)取上升状态的终点的d的0.75倍作为阈值K，将该上升状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该上升状态分开为两个时间段；

b)取下降状态的起点的d的0.75倍作为阈值K，将该下降状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该下降状态分开为两个时间段。