1.一种基于双向嵌套LSTM神经网络的交通流预测方法，其特征在于，所述方法包括以下步骤：(1)选取道路交通网络某一区域作为研究对象，获取道路交通流数据，进行路段交通流相关性分析，形成道路交通相关性矩阵；

(2)根据交通流相关性分析结果，获取相关路段交通流数据进行数据预处理；构建道路交通流时空矩阵数据集，划分训练集与测试集的步骤；对数据集进行序列化；

(3)构建双向嵌套LSTM神经网络，将交通流时空数据训练集作为模型输入，定义预测模型损失函数，完成模型训练；

(4)将交通流时空数据测试集作为预测模型输入，实现交通流未来状态预测；定义模型评价指标并对模型预测结果进行误差分析。

2.如权利要求1所述的一种基于双向嵌套LSTM神经网络的交通流预测方法，其特征在于，所述步骤(1)的过程为：

1.1 选取道路交通网络某一区域作为研究对象，获取道路交通流数据；

1.2 计算道路交通流相关性矩阵

选取研究区域内不同路段在同一历史阶段的交通流数据，计算基于交通流数据的区域路段相关性矩阵；定义路段i在a-b时段内的交通流数据为Xi＝{xia,xia+1,…,xib}，路段j在a-b时段内的交通流数据为Xj＝{xja,xja+1,…,xjb}，计算路段i与j的相关性系数ρ(Xi,Xj)，其数学表达式如下所示：其中， 表示路段i在a-b时段内交通流的均值， 表示路段j在a-b时段内交通流的均值， 表示路段j在a-b时段内的标准差， 表示路段j在a-b时段内的标准差，表示路段i与j在a-b时段内交通流的协方差；

那么当研究区域内有n条路段时，则研究区域内路段交通流相关性矩阵如下所示：

3.如权利要求1或2所述的一种基于双向嵌套LSTM神经网络的交通流预测方法，其特征在于，所述步骤(2)的过程为：

2.1 道路交通流数据预处理

根据交通流相关性矩阵，按照相关性从大到小，选取每个路段K个最相关路段；

获取相应路段及K最相关路段交通流数据，进行数据归一化处理，数据归一化数学表达式如下所示：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，x′it为归一化后的路段i流量数据；

2.2 构建道路交通流时空矩阵数据集

获取相应路段及K最相关路段归一化后的交通流数据，构建道路交通流时空矩阵数据集，数据集构建形式如下所示：其中，数据集的行向量表示不同路段同一时刻的交通流数据，列向量表示同一路段不同时刻的交通流数据，m为数据集中每个路段的数据长度；

选取一定比例将上述数据集划分为训练集和测试集；

2.3 数据序列化

为满足预测模型输入数据大小的需求，对训练集和测试集进行数据序列化处理，训练集数据序列化处理结果如下所示：其中，s为时间窗口大小，p为预测步长，q为训练集数据长度，Train′为训练集序列化处理后的结果；

测试集采用相同序列化方法进行数据序列化。

4.如权利要求1或2所述的一种基于双向嵌套LSTM神经网络的交通流预测方法，其特征在于，所述步骤(3)的过程为：

3.1 构建双向嵌套LSTM神经网络

首先构建嵌套LSTM神经单元，神经单元处理信息过程数学表达式如下所示：it＝σ(xtWxi+ht-1Whi+bi)

ft＝σ(xtWxf+ht-1Whf+bf)

ot＝σ(xtWxo+ht-1Who+bo)

ht＝ot⊙σ(ct)

其中，⊙表示点乘，σ(·)表示sigmoid函数，Wxf、Wxi、Wxo表示外部遗忘门、输入门、输出门的输入权重矩阵，Whf、Whi、Who表示外部遗忘门、输入门、输出门的前一时刻输出权重矩阵，bf、bi、bo表示外部遗忘门、输入门、输出门的偏置矩阵， 表示内部遗忘门、输入门、状态单元、输出门的输入权重矩阵， 表示内部遗忘门、输入门、状态单元、输出门的前一时刻输出权重矩阵， 表示内部遗忘门、输入门、状态单元、输出门的偏置矩阵，it、ft、ct、ot、ht表示外部输入门、遗忘门、单元状态、输出门、记忆单元的输出， 表示内部输入门、遗忘门、单元状态、输出门、记忆单元的输出；

然后在嵌套LSTM单元基础上构建双向嵌套LSTM神经网络，其中Mi为嵌套LSTM单元，那么，基于双向嵌套LSTM神经网络的交通流预测过程描述为如下过程：zt＝f(Wxzxt+Whzzt-1)

其中，xt为t时刻的交通流状态，zt为模型t-1时刻隐藏层的正向输出， 为模型t+1时刻隐藏层的反向输出，yt为t时刻预测的交通流状态，f为嵌套LSTM单元函数，g为relu函数，W为各部分对应的正向权重矩阵， 为各部分对应的反向权重矩阵；

3.2 定义预测模型损失函数

为使模型的预测值能更接近于实际值，本发明采用均方差作为预测模型的损失函数，其数学表达式如下：其中，j为训练样本数量，yi为第i个样本的预测值，y′i为第i个样本的实际值；

3.3 将训练集作为模型输入，完成模型训练

将训练集作为模型输入，根据定义的模型损失函数，基于反向传播算法采用Adam优化器对模型进行训练，选取相对最优参数下的模型训练结果作为最终结果，完成模型训练。

5.如权利要求1或2所述的一种基于双向嵌套LSTM神经网络的交通流预测方法，其特征在于，所述步骤(4)的过程为：

4.1：实现交通流未来状态预测

将测试集作为训练后模型的输入，对测试集交通流未来状态进行预测；

4.2：定义模型评价指标并进行误差分析

利用绝对均差MAE、相对百分绝对均差MAPE以及均方根误差RMSE来检验模型的性能并对测试集预测结果进行误差分析；

其中，y′i为交通流标签数据，yi为交通流的预测值。