1.一种基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法，其特征在于，包括：S1，根据传统交叉口车辆延误函数Webster函数获取车辆延误数据，根据点样本产生实际的车辆延误数据；对Webster函数获得的车辆延误数据和点样本产生的车辆延误数据进行数据拟合，构造改进的交叉口车辆延误函数；

S2，以改进的交叉口车辆延误函数作为第一目标优化函数，使用包括惩罚因子的改进遗传算法获得最优信号灯配时方案；

S3，将改进遗传算法获得最优信号灯配时方案作为训练集；采用XGBOOST回归模型获得实际车流对应的信号灯配时方案。

2.根据权利要求1所述的一种基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法，其特征在于，所述构造改进的交叉口车辆延误函数，具体包括：S11，通过传统交叉口车辆延误函数Webster函数计算某个指定交叉口的车辆延误；

Webster函数如下：

其中，dn表示第n相位车辆延误；C表示信号灯周期时长；λn表示第n相位相位绿信比；qn表示第n相位车流量；xn表示第n相位饱和度；

S12，采用点样本的方法对车流数据进行处理，计算交叉口各方向的车辆实际延误；点样本方法使用的车流量数据包括停在引道内车辆数、停驶车数和未停驶车数；

S13，进行数据拟合，构造改进的交叉口车辆延误函数，如下：

minfnew(C,λ1,λ2,λ3,λ4)＝F(fold(C,λ1,λ2,λ3,λ4))其中，函数F(x)表示计算实际数据产生的拟合函数，其中x为Webster函数计算出来的车辆平均延误，即fold(C,λ1,λ2,λ3,λ4)，通过拟合函数计算出的改进的交叉口车辆延误函数为fnew(C,λ1,λ2,λ3,λ4)。信号灯周期由各相位的绿灯时间和黄闪时间求和共同决定，其中黄闪时间ty固定2秒，全红时间th固定3秒；另一方面为要求结论方便信号灯硬件布置便捷，要求各相位绿灯时间是在[15,60]范围内的正整数。

3.根据权利要求2所述的一种基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法，其特征在于，以改进的交叉口车辆延误函数作为第一目标优化函数，使用包括惩罚因子的改进遗传算法获得最优信号灯配时方案，具体包括：S21，将改进的交叉口车辆延误函数作为第一目标优化函数，函数的自变量包括各相位绿信比以及信号灯周期，因变量为交叉口车辆总延误，函数中将车流量设定为常数值；初始化种群数量、迭代次数、边界定义以及第一目标优化函数的输入，每个种群里面都包含着不同的信号灯周期以及各相位绿信比；

S22，设定种群的交叉概率和变异概率；运用交叉公式进行变异的方式进行运算；

S23，将不符合改进的交叉口车辆延误函数中约束条件的种群的适应度设为负数，并把这个负数称之为惩罚因子；符合约束条件种群的使用改进的交叉口车辆延误函数计算适应度；统计出当前代中所有适应度为负的种群数量N，之后重新生成N个新种群添加到当前子代，保证当前代的种群数量保持不变，之后一直重复步骤S21和S22；

S24，迭代到规定的迭代次数直至收敛，得出最优信号灯配时方案。

4.根据权利要求3所述的一种基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法，其特征在于，将改进遗传算法获得最优信号灯配时方案作为训练集；采用XGBOOST回归模型获得实际车流对应的信号灯配时方案，具体包括：S31，构建基于改进的交叉口车辆延误函数和改进遗传算法的交叉口信号灯配时优化模型，并且随机生成预设时间内的多条多相位车流量，计算对应时间车流量的信号灯配时，以此作为模型训练集；

S32，采用极端梯度提升模型XGBOOST，计算车流量与相应信号灯配时的内在关系，第二目标优化函数如下：其中， 表示极端梯度提升模型XGBOOST在t-1轮的模型预测结果 与真实输

出yi之间的差别，称之为损失函数；将损失函数在 按照泰勒展开，其中gi表示一阶导函数；hi表示二阶导函数；Ω(ft)表示正则化项，n表示XGBOOST的迭代次数；ft(Xi)表示极端梯度提升模型XGBOOST在第t轮对样本Xi的预测结果；Xi表示样本Xi；

S33，根据车流数据计算的极端梯度提升模型XGBOOST，计算实际车流对应的信号灯配时方案，评价指标以相对误差为准，如下：