1.一种基于时空特性分析的短时交通流预测方法，用于实现目标道路的交通流量预测，其特征在于，包括如下步骤：步骤A.获得目标道路指定历史时间区间内的实时交通流量，然后进入步骤B；

步骤B.针对目标道路指定历史时间区间内实时交通流量，进行预处理操作，获得目标道路指定历史时间区间内各个时间节点对应的交通流量，然后进入步骤C；

步骤C.将目标道路所对应指定历史时间区间内各个时间节点的交通流量，作为各个数据样本点，并针对各个数据样本点，进行维度空间坐标转换，获得各个数据样本点分别所对应的维度空间坐标，然后进入步骤D；

步骤D.基于各个数据样本点分别所对应的维度空间坐标，针对各个数据样本点进行聚类处理，获得各个聚类簇，然后进入步骤E；

步骤E.根据各个聚类簇，获得目标路段分别对应各聚类时间节点的交通流量，然后进入步骤F；

步骤F.基于目标路段分别对应各聚类时间节点的交通流量，结合预设预测时长跨度，获得各组训练样本(xk,yk)，然后进入步骤G；其中，k∈{1,…,K}，K表示训练样本的组数，xk、yk均属于目标路段分别对应各聚类时间节点的交通流量，xk所对应聚类时间节点与yk所对应聚类时间节点之间的差值等于预测时长跨度，且按时序、xk所对应聚类时间节点在yk所对应聚类时间节点之前；

步骤G.采用各组训练样本(xk,yk)，基于xk为输入，yk为输出，针对预设分类器进行训练，获得对应预测时长跨度的目标路段短时交通流预测模型，然后进入步骤H；

步骤H.基于所获目标路段短时交通流预测模型，针对目标路段，实现预测时长跨度的交通流量预测。

2.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法，其特征在于：所述步骤B中，采用历史平均法、相邻数据平均法或加权平均法中的一种或几种任意组合，针对目标道路指定历史时间区间内实时交通流量进行预处理操作。

3.根据权利要求1或2所述一种基于时空特性分析的短时交通流预测方法，其特征在于：所述步骤B中，针对目标道路指定历史时间区间内实时交通流量，进行预处理操作，包括丢失值处理、错误值处理和异常值处理。

4.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法，其特征在于：所述步骤D中，基于各个数据样本点分别所对应的维度空间坐标，针对各个数据样本点进行OPTICS聚类处理，获得各个聚类簇。

5.根据权利要求4所述一种基于时空特性分析的短时交通流预测方法，其特征在于：所述步骤D中，初始化用于存放本次循环中核心点、及其直接密度可达点的集合I，以及包含各核心点分别所对应簇的集合Ⅱ，然后基于各个数据样本点分别所对应的维度空间坐标，执行如下步骤,针对各个数据样本点进行聚类处理，获得各个聚类簇；

步骤D1.判断是否存在非核心点、以及未被划簇的数据样本点，是则进入步骤D2；否则进入步骤D10；

步骤D2.针对非核心点、以及未被划簇的各个数据样本点，任选一个数据样本点，作为本次循环的核心点，并进入步骤D3；

步骤D3.将该核心点划分至集合Ⅱ当中，并获得该核心点所对应的所有密度可达的数据样本点，然后进入步骤D4；

步骤D4.针对该核心点所对应的所有密度可达的数据样本点，判断其中直接密度可达的数据样本点是否在集合Ⅱ当中，是则进入步骤D5；否则步骤D6；

步骤D5.分别针对该核心点所对应直接密度可达的各个数据样本点，判断数据样本点对应的可达距离是否小于预设半径，是则将该数据样本点划分至该核心点所对应的簇中，并更新集合I中该核心点所对应的簇，且返回步骤D1；否则将数据样本点直接删除，并返回步骤D1；

步骤D6.针对该核心点所对应的所有密度可达的数据样本点，按可达距离升序，针对各个数据样本点进行排序，划入该核心点所对应的簇，并加入集合I，然后进入步骤D7；

步骤D7.由该核心点所对应簇中，剪切出第一个数据样本点，作为本次循环的待判断数据样本点，并进入步骤D8；

步骤D8.判断该待判断数据样本点是否属于集合Ⅱ，是则将该待判断数据样本点，作为核心点，并返回步骤D3；否则进入步骤D9；

步骤D9.判断集合I是否为空，是则返回步骤D1；否则返回步骤D7；

步骤D10.即完成针对各个数据样本点的聚类处理，获得各个聚类簇。

6.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法，其特征在于：所述步骤E中，根据各个聚类簇，获得目标路段分别对应各聚类时间节点的交通流量，并针对各个交通流量进行数据归一化处理，更新目标路段分别对应各聚类时间节点的交通流量，然后进入步骤F。

7.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法，其特征在于：所述步骤G中，采用各组训练样本(xk,yk)，基于xk为输入，yk为输出，针对SVM分类器进行训练，获得对应预测时长跨度的目标路段短时交通流预测模型。

8.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法，其特征在于：还包括步骤GH，执行完步骤G之后，进入步骤GH，执行完步骤GH之后，进入步骤H；

步骤GH.采用细菌觅食算法，针对目标路段短时交通流预测模型中的参数进行优化。

9.根据权利要求8所述一种基于时空特性分析的短时交通流预测方法，其特征在于，所述步骤GH，包括如下步骤：步骤GH-1.针对目标路段短时交通流预测模型，将其中核函数系数、惩罚因子作为待优化参数输入细菌觅食模型当中；

步骤GH-2.根据优性原则，设置细菌觅食算法的主要参数，细菌个数S，单向运动的最大步数N0，趋向性循环操作次数N1，复制性循环操作次数N2，迁徙性循环操作次数N3，迁徙概率P；

步骤GH-3.根据细菌觅食算法，针对核函数系数、惩罚因子进行寻优，优化更新核函数系数、惩罚因子，进而更新目标路段短时交通流预测模型。