1.一种基于3D卷积神经网络的短时交通流预测方法，其特征在于，该方法包括以下步骤：将某城市区域划分为多个区域，采集每个区域的交通流数据；基于采集到的交通流数据，将数据划分为缺失数据和完整数据，首先使用完整数据训练基于3D卷积神经网络的缺失值补全模型对缺失数据进行补全，使用3D卷积神经网络模型基于缺失数据处理后的交通流数据进行迭代训练，使用Adam优化算法对3D卷积神经网络的网络参数进行调整；将调整后的3D卷积神经网络模型对短期交通流进行预测；

对缺失数据进行补全的具体方法为：将原始样本集合中的完整数据取出组成训练集，使用该训练集训练基于3D卷积神经网络的缺失值补全模型，模型结构和训练方式与交通流预测模型相同；对于原始样本集合中的缺失数据，使用缺失值补全模型补全。

2.根据权利要求1所述的一种基于3D卷积神经网络的短时交通流预测方法，其特征在于，所述交通流数据为使用某城市出租车上的GPS设备采集得到的该城市范围内各个区域各个时间段车流量信息；遍历收集到的连续时刻的交通流量数据，对于训练样本，取其前12个时间步的交通流量数据作为特征，第13个时间步的交通流数据作为标签，即待预测数据；

依次遍历将原始数据集转化为样本集，取80%的样本作为训练集，10%的样本作为验证集，

10%的样本作为测试集。

3.根据权利要求1所述的一种基于3D卷积神经网络的短时交通流预测方法，其特征在于：所述缺失数据为：由于数据集采样间隔为半个小时，因此理论上每一天的样本数为48个，由于传感器损坏或者系统维护的原因数据集中存在部分缺失数据，将一天样本数少于

48的定义为缺失数据。

4.根据权利要求1所述的一种基于3D卷积神经网络的短时交通流预测方法，其特征在于：使用3D卷积神经网络模型基于缺失数据处理后的交通流数据进行迭代训练，使用Adam优化算法对3D卷积神经网络的网络参数进行调整，具体为：（1）逐层构建单层3D卷积核，每次构建一个单层网络；每一层从是否对时间信息进行缩减的角度出发分为时间维度缩减层和时间维度非缩减层；将时间维度缩减层均匀分布于网络层中；

（2）当所有层构造完后，每层采用Adam优化算法进行调优，每次仅调整一层，逐层调整。

5.依据权利要求4所述的一种基于3D卷积神经网络的短时交通流预测方法，其特征在于：所述调优的具体方法包括以下步骤：A、将交通流数据使用第一层的3D卷积核进行处理，得到的结果输入到第二层中，依次向深层传播，最终得到预测值；

B、使用预测值与观测值的残差，使用Adam优化算法从深层向浅层依次调整参数，且在迭代训练过程中Adam优化算法的学习率会随迭代轮数的增加而减小，使模型易于收敛，直至所有层的参数调整完毕。

6.根据权利要求1所述的基于3D卷积神经网络的短时交通流预测方法，其特征在于：数据的训练是通过GPU进行并行运算来实现的。

7.根据权利要求1所述的一种基于3D卷积神经网络的短时交通流预测方法，其特征在于：将城市区域划分为32*32个区域。