1.一种针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法，其特征在于，所述方法步骤为：

S1：获取数据源；

S2：对得到数据进行处理，得到多特征空间向量模型；所述多特征空间向量模型包括车辆轨迹整体偏好特征空间模型、车辆轨迹时序特征空间模型以及卡口节点特征空间模型；

S3：根据多特征空间向量模型构建多特征空间预测模型；构建的预测模型包括轨迹整体偏好特征空间预测模型、轨迹时序特征空间预测模型以及卡口节点特征空间预测模型；

S4：构建池化网络，将根据多特征空间预测模型得到的对轨迹整体偏好特征空间预测轨迹趋势矩阵P、轨迹时序特征空间预测轨迹趋势矩阵T以及卡口节点特征矩阵预测轨迹趋势矩阵S进行池化融合：F＝maxPool(P，T，S)，得到最终的轨迹预测结果；

S5：获取融合后的预测结果，得到下一时段的卡口交通拥堵的信息，将这个信息发送给将要行驶到卡口的车辆用户，用于调整车辆的行驶路线。

2.根据权利要求1所述的一种针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法，其特征在于，所述车辆轨迹整体偏好特征空间模型的构建包括：步骤1：获取车辆用户驾驶的完整轨迹；

步骤2：将每条完整的轨迹作为独立的数据，并将数据用向量的形式表示；

步骤3：根据获取的数据构建车辆轨迹整体偏好特征空间模型，车辆轨迹整体偏好特征空间模型表达式为：y＝b+Uh(wt‑k，...，wt+k，W)；

其中，w表示轨迹中的每个具体的卡口节点，b表示每条独立轨迹的索引，y表示每条完整轨迹所形成的向量，W代表的是整体一共有t个卡口节点，U为softmax函数的参数，h表示将时间段为(t‑k，t+k)时段的卡口节点级联。

3.根据权利要求1所述的一种针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法，其特征在于，所述车辆轨迹时序特征空间模型由轨迹生成模型与车辆轨迹判别模型组成，其构建步骤包括：

步骤1：选取车辆轨迹集合T1＝[p1，p2，...，pn]，建立轨迹生成模型G；

步骤2：对原始轨迹的时序数据进行采样，并将采样的数据输入到轨迹生成模型G中，生成轨迹时序数据；

步骤3：将任意的车辆轨迹p输入到车辆轨迹判别模型D(p)中，D(p)会输出一个0～1之间的实数；

步骤4：根据得到的实数判断这条轨迹为真实轨迹数据的概率；车辆轨迹判别模型的目标函数为：

步骤5：根据车辆轨迹判别模型，优化生成对抗模型，优化后的表达式为：其中，p表示车辆生成的轨迹，D表示判别模型，D(p)表示车辆轨迹输入到判别模型中并输出结果，E表示期望，z表示原始轨迹时序数据随机采样后所得数据，Pd表示判别模型的车辆轨迹数据分布，Pg表示生成模型的车辆轨迹数据分布， 表示采样后的数据z在判别模型的车辆轨迹数据分布Pd的总期望， 表示采样后的数据z在生成模型的车辆轨迹数据分布Pg的总期望。

4.根据权利要求1所述的一种针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法，其特征在于，所述卡口节点特征空间模型的构建包括：步骤1：分析每个卡口节点在整个路网结构中所处的空间位置以及相互之间的联系，对单个卡口特征进行向量表示；

步骤2：对卡口节点进行编号，{p1，p2，...，pk}＝{(n1，t1)，(n2，t2)，...，(nk，tk)}；

步骤3：计算任意卡口节点在未来短时的趋势中出现的概率步骤4：根据当前卡口的出现概率与直接前驱n个卡口节点的关联性得到P(pk|p1，p2...，pk‑1)≈P(pk|pk‑n，pk‑n+1...，pk‑1)步骤5：车辆出现在下一卡口节点的概率为其中，n表示卡口节点的编号，nk表示第k个卡口的编号，tk表示车辆轨迹出现在第k个卡口的时间，pi代表车辆在某时刻t经过第i个卡口节点。

5.根据权利要求1所述的一种针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法，其特征在于，多特征空间预测模型包括：S31：采用长短时记忆循环神经网络的方法建立对应的车辆轨迹整体偏好特征空间预测模型和轨迹时序特征空间预测模型，对车辆轨迹趋势进行预测；

S32：采用卷积神经网络的方法建立卡口节点特征空间预测模型，对车辆轨迹趋势进行预测。

6.根据权利要求5所述的一种针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法，其特征在于，所述长短时记忆循环神经网络通过使用输入门、遗忘门和输出门选择性保存轨迹序列信息，保存轨迹序列步骤包括：S311：在当前时刻t，遗忘门f读取隐藏层的输出ht‑1和当前的输入xt，并决定是否保留之前的隐藏层信息；细胞信息状态为Ct‑1；

S312：遗忘门f根据输出ht‑1和输入xt确定保留信息ft；

S313：输入门i确定当前需要输入到细胞状态的信息it；且备选细胞更新的细胞状态为细胞最终更新状态为

S314：输出门o确定从细胞状态的输出信息ot；

S315：输出门的信息经过全连接层输出后，对输出结果进行分类，分别得到车辆轨迹整体偏好特征空间的预测轨迹和轨迹时序特征空间的预测轨迹。

7.根据权利要求5所述的一种针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法，其特征在于，步骤32包括：

S321：在卷积层输入车辆轨迹卡口节点矩阵；

S322：对矩阵中的每个数与卡口节点特征空间向量进行卷积，卷积过程中的损失函数为：

l l‑1

S323：保留卡口节点中的重要信息，对卷积后的信息进行采样：δ＝down(δ )，并进行最大池化处理：L＝maxPool(xi)；

S324：将池化的信息“扁平化”，即将多维数组压缩成一维数组，经过全连接层后再使用SoftMax函数归一化处理，得到对应卡口节点特征空间的预测轨迹趋势；

其中，J(k，b，x，y)代表轨迹预测模型所采用的损失函数，k表示从上一层神经网络映射到下一次神经网络的权值矩阵，b表示与k对应的偏移值，x代表输入的轨迹卡口节点向量，y表示与输入所对应的轨迹趋势卡口节点向量， 表示卡口节点向量矩阵在第l层神经元l

的输出，δ表示对J(k，b，x，y)求取偏导数，L表示进行最大池化操作后的权值矩阵，maxPool表示所进行的最大池化操作，xi表示第i个卡口节点的进行采样的信息。