1.一种基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，包括以下步骤：

步骤1：获取一段时间内的车流量数据，并对车流量数据进行预处理，得到短时交通流数据；

步骤2：对步骤1得到的短时交通流数据根据天气记录和节假日记录进行筛选，将仅为异常天气时段的短时交通流数据作为第一数据集，将仅为节假日时段的短时交通流数据作为第二数据集，将非异常天气和节假日时段的短时交通流数据作为第三数据集，将同时满足异常天气和节假日时段的短时交通流数据作为第四数据集；

步骤3：对步骤2得到的第一数据集、第二数据集、第三数据集和第四数据集进行数据清洗、数据重构和归一化；

步骤4：建立LSTM神经网络模型，根据待预测日期的天气状况和节假日状况选择步骤3得到的归一化的第一数据集、第二数据集、第三数据集和第四数据集其中之一，利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量。

2.如权利要求1所述的基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，步骤1包括如下子步骤：从公路收费站的数据库中获取车流量数据，并对车流量数据进行预处理，每隔15min统计一次车辆数，得到短时交通流数据，所述车流量数据包括收费亭开机时间、入口网络编号、入口班次、入口车型、车辆进出日期及时间。

3.如权利要求1所述的基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，步骤2中对步骤1得到的短时交通流数据根据天气记录和节假日记录进行筛选包括以下步骤：(1)查询天气记录，对步骤1得到的短时交通流数据根据天气记录进行筛选，根据式Ⅰ得到不同天气的天气影响强度因子，将天气影响强度因子大于天气阈值的时间段划为异常天气时间段，其中，Vi表示不同天气情况下的车流量，T表示当月的总车流量，i代表不同天气，Ci表示不同天气的天气影响系数，θi代表天气影响强度因子，所述天气阈值为晴天时θi的取值；

(2)查询节假日记录，对步骤1得到的短时交通流数据根据节假日记录进行筛选，根据式Ⅱ得到节假日影响系数，将节假日影响系数大于节假日阈值的时间段划为节假日时间段，其中，Ej表示不同节假日情况下的车流量，βj表示节假日影响系数，j表示不同节假日，所述节假日阈值为非节假日时βj的取值。

4.如权利要求1所述的基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，步骤3中采用MInMaxScaler的方法进行数据清洗和数据重构。

5.如权利要求1所述的基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，步骤4中利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量具体为：在LSTM神经网络模型中建立遗忘门和输入门，利用遗忘门控制选择的数据集被遗忘的程度，利用输入门控制预测日期的信息，通过梯度下降的方法向后传播梯度值，经过多次迭代之后，得到最优LSTM参数进而得到最优LSTM神经网络模型，通过最优LSTM神经网络模型得到预测日期的车流量。

6.如权利要求1所述的基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，步骤1中获取一段时间内的车流量数据为一个月内的车流量数据。