1.一种基于高斯回归算法的K-Means聚类分析车道流量方法，其特征在于，所述方法包括以下步骤：

1)在数据库中获取某交叉路口的过车流量数据表，根据过车数据统计某一规定步长下的时间间隔，将一天划分成N个时段，通过的车辆数集合，记为Pn，单位为车辆数集合；n为1，

2，3……n，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流量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)计算边缘函数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；

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tmax和tmin，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)根据得到的车流函数 拟合画出平滑的流量曲线；

4)设定某一最大的迭代次数为n_max，该数值必须大于或等于聚类后能得到的最大簇数，然后基于K-Means聚类算法进行聚类运算，聚类簇数则以给定迭代簇值进行迭代聚类；

5)对于分成的K个簇，以及簇中的每个向量，计算得到他们相应的轮廓系数，对于某簇中的一个点i，计算i向量到所有它属于的簇中的其他点的距离得到a(i)，即称为样本i的簇内不相似度，a(i)越小说明样本越该被聚类到该簇中；计算i向量到所有非本身所在簇的点的平均距离b(i)，即称为样本i的簇间不相似度，b(i)越大说明样本越不属于其他簇，那么对应的向量i的轮廓系数S(i)就为：可见轮廓系数的值是介于[-1，1]，s(i)接近1，则说明样本i聚类合理s(i)接近-1，则说明样本i更应该分类到另外的簇；若s(i)近似为0，则说明样本i在两个簇的边界上，求出所有点的轮廓系数并求出平均值，就是该聚类结果的轮廓系数；

6)在迭代完最大聚类次数n_max之后，对当前簇数值进行处理，得到各个簇值K下的聚类情况，使用轮廓系数法找到迭代聚类之后得到的最佳K值，给定一个阀值f，当两个聚类中心对距离小于该阀值就合并两个簇，相应地簇数值就会减一；若没有小于该阀值的则保持原有的K值；

7)利用轮廓系数法判断得到的相对的最佳聚类簇数值作为新的K值，再以此K值进行基于K-Means聚类的算法，最后输出聚类结果；

8)参考聚类结果给出相应的周最佳调度方案。