1.一种城市道路交通拥堵多原因自动实时识别方法，其特征在于，所述识别方法包括如下步骤：步骤101，采集获取研究区域范围内的城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，其中，每个历史时刻的n个可观测数据和m种交通拥堵原因作为一条历史记录，建立包含p条历史记录的训练样本数据集；

步骤102，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；

步骤103，利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络；

步骤104，当前拥堵发生时，将获取的研究区域范围内的城市道路当前交通状态的n个可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的当前拥堵的多原因。

2.根据权利要求1所述的城市道路交通拥堵多原因自动实时识别方法，其特征在于，n个可观测数据包括预测路段上游的路段的第一车道车流量、预测路段上游的路段的第二车道车流量、预测路段的第一车道车流量、预测路段的第二车道车流量、预测路段下游的路段的第一车道车流量、预测路段下游的路段的第二车道车流量、预测路段上游的路段的人行横道流量、预测路段的人行横道流量、预测路段下游的路段的人行横道流量、预测路段上游的路段的交汇路的过街车流量、预测路段的交汇路的过街车流量、预测路段的左转流入车流量、预测路段的右转流入车流量、预测路段的直行流入车流量、预测路段的左转流出车流量、预测路段的直行流出车流量、预测路段上游的路段的停车让行次数、预测路段的停车让行次数、预测路段下游的路段的停车让行次数、预测路段下游的路段的左转车流二次排队、预测路段下游的路段的直行车流二次排队、预测路段上游的路段的两车道流量差、预测路段的两车道流量差、预测路段下游的路段的两车道流量差；

m种交通拥堵原因包括行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道。

3.根据权利要求1所述的城市道路交通拥堵多原因自动实时识别方法，其特征在于，所述利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络，具体包括：步骤103-1，将所述包含p条历史记录的训练样本数据集随机平均划分成K等分，得到K个样本数据子集，每个子集均包含p/K条历史记录，设置j＝1；

步骤103-2，将第j个样本数据子集设置为测试样本集，将K个样本数据子集中除第j个样本数据子集之外的其余K-1个样本数据子集设置为训练样本集；

步骤103-3，利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络；

步骤103-4，利用所述测试样本集对所述训练后的因果贝叶斯网络进行测试，计算训练后的因果贝叶斯网络预测多拥堵原因的准确率，作为本次交叉验证的准确率；

步骤103-5，判断j的数值是否小于等于K，得到第一判断结果；

步骤103-6，若所述第一判断结果为“是”，则令j的数值增加1，返回步骤103-2；

步骤103-7，若所述第一判断结果为“否”，则输出训练后的因果贝叶斯网络，计算每次交叉验证的准确率的平均值，得到准确率平均值；

步骤103-8，判断所述准确率平均值是否达到准确率阈值，得到第二判断结果；

步骤103-9，若所述第二判断结果表示否，则令j的数值等于1，返回步骤103-2；

步骤103-10，若所述第二判断结果表示是，则输出训练后的因果贝叶斯网络结构。

4.根据权利要求3所述的城市道路交通拥堵多原因自动实时识别方法，其特征在于，所述利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络，具体包括：步骤103-3-1，设置迭代次数阈值，似然函数阈值；

步骤103-3-2，将所述包含(K-1)*p/K条历史记录的训练样本集输入所述因果贝叶斯网络，获得所述训练样本集中每条历史记录的预测结果；

步骤103-3-3，根据每条历史记录的预测结果，利用公式

计算本次迭代的似然函数

值；其中，表示每条历史记录的预测结果， p(c1)、p(c2)、p(cm)分别表示每条历史记录中多个可观测数据引起第1种、第2种和第m种交通拥堵原因发生的概率；D为包含(K-1)*p/K条历史记录的训练样本集；

和 分别表示包含(K-1)*p/K条历史记录的训练样本集中第1条、第2条、第

3条、第i条和第(K-1)*p/K条历史记录；

步骤103-3-4，判断迭代次数的值是否大于迭代次数阈值或所述似然函数值是否大于似然函数阈值，得到第三判断结果；

步骤103-3-5，若第三判断结果为“否”，则令迭代次数的数值增加1，更新因果贝叶斯网络的参数，返回步骤103-3-2；若第三判断结果为“是”，则输出训练后的因果贝叶斯网络。

5.根据权利要求1所述的城市道路交通拥堵多原因自动实时识别方法，其特征在于，所述通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构，具体包括：基于专家知识库，通过对所述训练样本数据集中的多个可观测数据和多种交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构。

6.一种城市道路交通拥堵多原因自动实时识别系统，其特征在于，所述识别系统包括：样本数据采集模块，用于采集获取研究区域范围内的城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，其中，每个历史时刻的n个可观测数据和m种交通拥堵原因作为一条历史记录，建立包含p条历史记录的训练样本数据集；

因果贝叶斯网络结构构建模块，用于通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；

K折交叉法因果贝叶斯网络参数训练模块，用于利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络；

当前拥堵多原因识别模块，用于当前拥堵发生时，将获取的研究区域范围内的城市道路当前交通状态的n个可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的当前拥堵多原因。

7.根据权利要求6所述的城市道路交通拥堵多原因自动实时识别系统，其特征在于，n个可观测数据包括预测路段上游的路段的第一车道车流量、预测路段上游的路段的第二车道车流量、预测路段的第一车道车流量、预测路段的第二车道车流量、预测路段下游的路段的第一车道车流量、预测路段下游的路段的第二车道车流量、预测路段上游的路段的人行横道流量、预测路段的人行横道流量、预测路段下游的路段的人行横道流量、预测路段上游的路段的交汇路的过街车流量、预测路段的交汇路的过街车流量、预测路段的左转流入车流量、预测路段的右转流入车流量、预测路段的直行流入车流量、预测路段的左转流出车流量、预测路段的直行流出车流量、预测路段上游的路段的停车让行次数、预测路段的停车让行次数、预测路段下游的路段的停车让行次数、预测路段下游的路段的左转车流二次排队、预测路段下游的路段的直行车流二次排队、预测路段上游的路段的两车道流量差、预测路段的两车道流量差、预测路段下游的路段的两车道流量差；

m种交通拥堵原因包括行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道。

8.根据权利要求6所述的城市道路交通拥堵多原因自动实时识别系统，其特征在于，所述K折交叉法因果贝叶斯网络参数训练模块，具体包括：训练样本数据集划分子模块，用于将所述包含p条历史记录的训练样本数据集随机平均划分成K等分，得到K个样本数据子集，每个子集均包含p条历史记录，设置j＝1；

样本数据子集设置子模块，用于将第j个样本数据子集设置为测试样本集，将K个样本数据子集中除第j个样本数据子集之外的其余K-1个样本数据子集设置为训练样本集；

因果贝叶斯网络参数训练子模块，用于利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络；

因果贝叶斯网络验证子模块，用于利用所述测试样本集对所述训练后的因果贝叶斯网络进行测试，计算训练后的因果贝叶斯网络预测多拥堵原因的准确率，作为本次交叉验证的准确率；

第一判断子模块，用于判断j的数值是否小于等于K，得到第一判断结果；

第一返回模块，用于若第一判断结果为“是”，则令j的数值增加1，调用样本数据子集设置子模块；

准确率平均值计算子模块，用于若所述第一判断结果为“否”，则输出训练后的因果贝叶斯网络，计算每次交叉验证的准确率的平均值，得到准确率平均值；

第二判断子模块，用于判断所述准确率平均值是否达到准确率阈值，得到第二判断结果；

第二返回子模块，用于若所述第二判断结果表示否，则令j的数值等于1，调用样本数据子集设置子模块；

训练后的因果贝叶斯网络输出子模块，用于若所述第二判断结果表示是，则输出训练后的因果贝叶斯网络。

9.根据权利要求8所述的城市道路交通拥堵多原因自动实时识别系统，其特征在于，所述因果贝叶斯网络参数训练子模块，具体包括：阈值设置单元，用于设置迭代次数阈值，似然函数阈值；

预测单元，用于将所述包含(K-1)*p/K条历史记录的训练样本集输入所述因果贝叶斯网络，获得所述训练样本集中每条历史记录的预测结果；

似然函数值计算单元，用于根据每条历史记录的预测结果，利用公式

计算本次迭代的似然函数

值；其中, 表示样本数据的预测结果， p(c1)、p(c2)、p(cm)分别表示每条历史记录中多个可观测数据引起第1种、第2种和第m种交通拥堵原因发生的概率，m表示交通拥堵原因的种类数；D为包含(K-1)*p/K条历史记录的训练样本集；

和 分别表示训练样本集中第1条、第2条、第3

条、第i条和第(K-1)*p/K个历史记录；

第三判断单元，用于判断迭代次数的值是否大于迭代次数阈值或所述似然函数值是否大于似然函数阈值，得到第三判断结果；

参数更新单元，用于若所述第三判断结果为“否”，则令迭代次数的数值增加1，更新因果贝叶斯网络的参数，调用预测单元；

训练后的因果贝叶斯网络输出单元，用于若所述第三判断结果为“是”，则输出训练后的因果贝叶斯网络。

10.根据权利要求6所述的城市道路交通拥堵多原因自动实时识别系统，其特征在于，所述因果贝叶斯网络结构构建模块，具体包括：因果贝叶斯网络结构构建子模块，用于基于专家知识库，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构。