1.一种基于神经网络的信号灯配时方案推荐方法，包括以下步骤：

1)通过地磁检测器采集路口交通流数据及其对应流量信号配时方案；

2)在步骤1)的基础上，利用均方根误差RMSE对得到的交通流数据进行筛选，均方根误差RMSE描述如式(1)所示：其中Xi是当前周期路口i相位的绿灯时长，Yi是相邻上一周期路口i相位的绿灯时长，n是该路口所拥有的相位数；

3)在步骤2)的基础上，获取路口连续周期内的交通流状态数据，构建交通流状态数组，作为神经网络的训练数据集；

所述的交通流状态数组为以下形式：

A＝[X1,X2,...,Xn,Y1,Y2,...,Yn,Z1,Z2,...,Zn,] (2)其中X1...Xn表示路口的n个相位的绿灯时长，Y1...Yn表示该路口n个检测器的流量数据，Z1...Zn表示n个检测器的饱和度数据；

4)在步骤3)的基础上，将下一周期信号配时方案作为神经网络的期望输出值；定义模型损失函数，根据损失函数值利用BP反向传播算法不断优化模型参数；获取实时交通流数据，输出对应交通流的信号配时方案；

所述神经网络算法的训练数据集为步骤3)所挑选的数据中，各路口所有周期及其后续多个连续周期的交通流状态数组，期望输出为每个周期下一周期的信号灯绿灯时长的修正量，形式如下：B＝[X1,X2,...Xi]  (3)

其中X1...Xn表示路口的n个相位的绿灯时长修正量；

所述模型损失函数为如下形式：

其中P为预测的交通流状态数组，T为实际交通流数组，i为样本数量。

2.如权利要求1所述的基于神经网络的信号灯配时方案推荐方法，其特征在于：步骤1)所述的路口流量数据为地磁检测器采集的流量和饱和度，对应配时方案为各相位绿灯时长。

3.如权利要求1所述的基于神经网络的信号灯配时方案推荐方法，其特征在于：步骤2)所述的误差计算方式包括但不限于均方根误差公式。