1.一种城市交通流量预测方法，其特征在于，包括以下步骤：

S1、采集实时数据：采集指定路段处的实时交通流量数据，并打包形成实时数据包；

S2、数据预处理：使用卡尔曼滤波器对实时数据包中的数据进行实时分析，准确的获取车辆的最优估计运动状态，进而生成实时交互数据集；

S3、构建预测模型的输入数据：利用DAI‑DAO技术将各个实时交互数据集融合，以形成原始流量序列；

S4、建立初步的预测模型：将原始流量序列加入到特征序列中以构建多维数组，并对多维数组进行标准化处理；将处理后的多维数组按预设比例分成训练集和验证集；将训练集导入Informer模型和LightGBM模型中训练并生成初步的预测模型；

S5、更新权重系数，得到最优的预测模型：将验证集导入初步的预测模型中，通过误差函数计算预测误差并相应的将权重系数更新至最优值，进而更新得到最优的预测模型。

2.根据权利要求1所述的一种城市交通流量预测方法，其特征在于，步骤S2具体如下：S21、从获取的实时交通视频流中观测车辆在t‑1时刻服从多维高斯分布的观测运动状态Xt‑1，Xt‑1服从t‑1时刻的多维高斯分布N(μt‑1,Pt‑1)，μt‑1为t‑1时刻该多维高斯分布的维度，Pt‑1为t‑1时刻该多维高斯分布的协方差矩阵；

S22、根据车辆在t‑1时刻的观测运动状态对车辆在t时刻服从多维高斯分布的预测运动状态 进行初步的预测， 服从t时刻的多维高斯分布 ，μt为t时刻该多维高斯分布的维度， 为t时刻该多维高斯分布的协方差矩阵；

S23、在车辆运动的过程中，外界的干扰因素会对车辆的运动状态造成影响，进而建立t时刻该影响产生且服从多维高斯分布的系统误差Wt，Wt服从t时刻的多维高斯分布N(ft,Qt)；ft为t时刻该多维高斯分布的维度，Qt为t时刻该多维高斯分布的协方差矩阵；将Wt导入所述 中，进而得到车辆更新后的完整的预测运动状态；

S24、从获取的实时交通视频流中观测车辆在t时刻服从多维高斯分布的观测运动状态， 服从t时刻的多维高斯分布N(δ0,Σ0)，δ0为t时刻该多维高斯分布的维度，Σ0为t时刻该多维高斯分布的协方差矩阵；

S25、建立车辆在t时刻的观测运动状态和预测运动状态之间的关系矩阵Ht，并通过Ht将车辆的观测运动状态和预测运动状态关联在一起；

S26、由于在观测的过程中也会存在观测误差，因此将车辆在t时刻的观测运动状态和预测运动状态之间存在的重叠区域的中心点设为Zt；建立车辆服从多维高斯分布的真实运动状态 ， 服从t时刻的多维高斯分布N(Zt,Rt)，Zt为t时刻该多维高斯分布的维度，Rt为t时刻该多维高斯分布的协方差矩阵；

S27、将车辆在t时刻观测运动状态的多维高斯分布和在t时刻真实运动状态的多维高斯分布进行相乘，相乘得到的乘积即为卡尔曼滤波器的最优估计运动状态 ， 服从t时刻的多维高斯分布N(δ,Σ)，δ为t时刻该多维高斯分布的维度，Σ为t时刻该多维高斯分布的协方差矩阵；

S28、将 放到下一个车辆运动状态更新过程中进行不断的迭代，得出车辆在当前时刻下的最优估计运动状态，即最优的实时运动状态；使用存储器存储各个车辆的最优估计运动状态，进而形成实时交互数据集。

3.根据权利要求2所述的一种城市交通流量预测方法，其特征在于，所述Xt‑1的表达式如下：其中，Xt‑1为车辆在t‑1时刻的观测运动状态；vt‑1为车辆在t‑1时刻的观测运动状态中的速度，vx,t‑1为车辆在t‑1时刻的观测运动状态中x轴上的分速度，vy,t‑1为车辆在t‑1时刻的观测运动状态中y轴上的分速度，vz,t‑1为车辆在t‑1时刻的观测运动状态中z轴上的分速度；pt‑1为车辆在t‑1时刻的观测运动状态中的位置，px,t‑1为车辆在t‑1时刻的观测运动状态中x轴上的分位置，py,t‑1为车辆在t‑1时刻的观测运动状态中y轴上的分位置，pz,t‑1为车辆在t‑1时刻的观测运动状态中z轴上的分位置。

4.根据权利要求3所述的一种城市交通流量预测方法，其特征在于，所述车辆在t时刻的预测运动状态 计算如下：其中， 为车辆在t时刻的预测运动状态；Bt为车辆在t时刻的状态控制矩阵；Ut为车辆在t时刻的状态控制向量；Ft为车辆在t时刻的状态转移矩阵；Δt为时间变化量，即时间差；

at为车辆在t时刻的加速度；

将Wt导入上述 中，进而得到更新后的完整的预测运动状态 如下所示：

其中，Wt为车辆在t时刻的系统误差，Wt为矩阵形式；Qt为系统误差Wt在t时刻的多维高斯分布的协方差矩阵； 车辆在t时刻的预测运动状态中的协方差矩阵；Pt‑1为车辆在t‑1时刻的观测运动状态中的协方差矩阵；

由于预测误差的存在，车辆的预测运动状态和车辆的观测运动状态之间存在差距；因此假设车辆在t时刻的观测运动状态和预测运动状态之间具备一种对应关系，并使用车辆在t时刻的观测运动状态和预测运动状态之间的关系矩阵Ht表示该种特定的关系：其中， 为车辆在t时刻的观测运动状态； 为车辆在t时刻的观测运动状态中的协方差矩阵；Ht表示车辆在t时刻的观测运动状态和预测运动状态之间的关系矩阵。

5.根据权利要求4所述的一种城市交通流量预测方法，其特征在于，车辆的观测运动状态 的多维高斯分布如下：真实运动状态 的多维高斯分布如下：

最优估计运动状态 的多维高斯分布如下：

通过整理得到卡尔曼滤波器在t时刻的最优估计运动状态的计算方程：

其中，Kt为车辆在t时刻的卡尔曼增益， 车辆在t时刻的最优估计运动状态下的协方差矩阵。

6.根据权利要求1或2或3或4或5所述的一种城市交通流量预测方法，其特征在于，步骤S4具体如下：S41、从数据包中收集影响交通流量的特征值，并将得到的原始流量序列A={b1，b2,...,bη}和特征值组合构建多维数组M={A,T1,T2,…,TΩ}，其中，b1表示第一个融合数据集；b2表示第二个融合数据集；bη表示第η个融合数据集；T1表示第一个特征值；T2表示第二个特征值；

TΩ表示第Ω个特征值，即训练集中一共有Ω个特征值；

S42、对多维数组M进行标准化处理，即在python环境中使用numpy库对多维数组M进行扁平化，将多维数组转换为一维数组，并将处理完成后的多个一维数组按照预定比例分成训练集和验证集；并将训练集中的数据导入LightGBM模型中进行训练，形成训练完成的LightGBM模型；并通过训练完成后的LightGBM模型得到交通流量的第1个预测序列ψ1：其中， 表示LightGBM模型，T(m)表示训练集中的前m个特征值，T(τ)表示训练集中的后τ个特征值； 表示预测序列ψ1的前m个值，表示预测序列ψ1的后 个值，Ω为特征值的总数；

S43、再将ψ1加入多维数组M中，以此得到更新后的多维数组M1，并将M1导入Informer模型进行训练，得到交通流量的第2个预测序列ψ2，则有：M1={A,T1,T2,…,TΩ,ψ1}

S44、再将ψ2加入到M1中，构成新的多维数组M2，再将多维数组M2导入Informer模型进行训练，以获得新的预测序列；重复上述操作，直至形成第n个预测序列ψn和第n个多维数组Mn，最终形成训练完成的Informer模型；

Mn={A,T1,T2,…,TΩ,ψ1,ψ2,…,ψn}

其中， 表示Informer模型；

S45、将验证集中的数据导入Informer模型和LightGBM模型，计算得到验证集的预测值；计算得出验证集的真实值和预测值之间的预测误差，接着使用倒数法确定权重系数的初始取值，然后将此时的权重系数带入Informer模型和LightGBM模型中，以此建立初步的预测模型Dresult：其中，LightGBMresult为LightGBM模型的预测值，Informerresult为Informer模型的预测值，Dresult为预测结果；ω1为LightGBM模型的权重系数，ω2为Informer模型的权重系数；ε1为LightGBM模型预测值与真实值之间的误差，ε2为Informer模型预测值与真实值之间的误差。

7.根据权利要求6所述的一种城市交通流量预测方法，其特征在于，步骤S5具体如下：S51、将预测误差进行反向传播，以此确定LightGBM模型的误差函数EL和Informer模型的误差函数EI；

其中，tLj为LightGBM模型在第j层的目标值；OLj为LightGBM模型在第j层的实际值；tIj为Informer模型在第j层的目标值；OIj为Informer模型在第j层的实际值，LightGBM模型和Informer模型的层数均为J；

S52、接着对误差函数进行求导，利用梯度下降进行权重系数的更新，通过多次迭代后得到最优权重系数；

误差函数EL求导后的梯度值：

其中，ω1为LightGBM模型的权重系数；tL表示LightGBM模型最后的目标值；OL表示LightGBM模型最后的实际值；x1为代数，代指ω1与tL的乘积；sigmoid为激活函数；

误差函数EI求导后的梯度值：

其中，ω2为Informer模型的权重系数；tI表示Informer模型最后的目标值；OI表示Informer模型最后的实际值；x2为代数，代指ω2与tI的乘积；

S53、最后，对Informer模型和LightGBM模型的结果进行预测，并利用得到的权重系数推导出最终的最优的预测模型；更新后的最优权重系数型如下：对应的最优的预测模型如下：

其中，α为梯度参数， 为LightGBM模型更新后的最优权重系数， 为Informer模型更新后的最优权重系数。

8.根据权利要求7所述的一种城市交通流量预测方法，其特征在于，步骤S1具体如下：S11、需要采集的数据包括指定路段的车流量信息、天气信息以及交通事故信息；

S12、首先通过调取指定路段监控设备中的实时交通视频流中获取车流量信息；

S13、接着通过天气预报软件获取该指定路段中与实时交通视频流实时对应的天气信息；

S14、再通过实时新闻获取该指定路段的实时交通事故信息；

S15、将获取的实时交通视频流、天气信息以及交通事故信息进行实时的一一对应起来，形成实时数据包。

9.根据权利要求8所述的一种城市交通流量预测方法，其特征在于，步骤S3具体如下：S31、天气信息、交通事故信息以及经过卡尔曼滤波器处理后的车辆运动状态信息构成相应的实时交互数据集；

S32、通过DAI‑DAO技术将各个实时交互数据集进行融合，以获得融合数据集，并将融合数据集组合成对应的原始流量序列。