1.一种基于深度学习的物流路径规划方法，用于针对物流车辆由起点至终点的路线进行实时规划，其特征在于，包括如下步骤：步骤A. 物流车辆由起点准备出发，将起点作为物流车辆的当前位置，并进入步骤B；

步骤B. 获得当前位置至终点的各条导航规划路线，并进入步骤C；

步骤C. 计算获得物流车辆由当前位置分别沿各条导航规划路线行驶至第一个路口的时长，并进入步骤D；

步骤D. 分别获得各条导航规划路线中第一个路口的拥堵系数，并进入步骤E；

步骤E. 分别计算当前位置分别沿各条导航规划路线行驶至第一个路口的时长，与对应第一个路口的拥堵系数之和，作为各条导航规划路线的代价，并进入步骤F；

步骤F. 选择最小代价所对应的导航规划路线作为当前行驶路线，通知物流车辆沿当前行驶路线进行行驶，同时实时获得物流车辆的定位信息，当物流车辆行驶通过当前行驶路线中第一个路口时，进入步骤G；

步骤G. 以物流车辆的定位信息更新物流车辆的当前位置，判断当前位置是否为终点，是则物流路线规划结束；否则返回步骤B。

2.根据权利要求1所述一种基于深度学习的物流路径规划方法，其特征在于：所述步骤D中，分别提取各条导航规划路线中第一个路口实时交通图像帧，通过深度学习方法针对交通图像帧中车辆进行识别，从而分别获得各条导航规划路线中第一个路口的拥堵系数。

3.根据权利要求2所述一种基于深度学习的物流路径规划方法，其特征在于：所述步骤D中，分别提取各条导航规划路线中第一个路口实时交通图像帧，通过卷积神经网络针对交通图像帧中车辆进行识别，从而分别获得各条导航规划路线中第一个路口的拥堵系数。

4.根据权利要求3所述一种基于深度学习的物流路径规划方法，其特征在于：所述步骤D中，分别针对各条导航规划路线，按如下步骤，分别获得各条导航规划路线中第一个路口的拥堵系数；

步骤D1. 提取导航规划路线中第一个路口的实时交通图像帧，并进入步骤D2；

步骤D2. 采用经过预设车辆训练集训练过的卷积神经网络，针对实时交通图像帧进行识别，获得实时交通图像帧中各个车辆图像区，并分别针对各个车辆图像区设定bounding-box框，然后进入步骤D3；

步骤D3. 针对实时交通图像帧中的各个车辆，分别定义车辆所对应的拥堵系数，然后分别针对实时交通图像帧中的各个车辆，若车辆所对应bounding-box框未与其前方或后方中任意车辆所对应bounding-box框相交，则设定该车辆的拥堵系数为0；若车辆所对应bounding-box框与其前方或后方中任意一个车辆所对应bounding-box框相交，则设定该车辆的拥堵系数为1；若车辆所对应bounding-box框与其前方、后方车辆所对应bounding-box框均相交，则设定该车辆的拥堵系数为2，进而分别获得各个车辆所对应拥堵系数值，然后进入步骤D4；

步骤D4. 根据实时交通图像帧中各个车辆所对应拥堵系数值，以及车辆数，获得所有车辆所对应的平均拥堵系数值，作为该实时交通图像帧的拥堵系数，即该第一路口的拥堵系数。