1.一种交通流高峰识别方法，其特征在于，包括：

获取当前时间段内的交通流数据；

根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配；其中，所述时变模式通过对交通流历史数据进行交通流时变模式提取获得；

若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段；

其中，对交通流历史数据进行交通流时变模式提取获得时变模式包括：将第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列；

将第二参数的历史时间序列数据做时序分割处理，得到第二参数的时序分割子序列；

其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中子序列的宽度，与所述第一参数的时序分割子序列中子序列的宽度相等；

根据第一参数的时序分割子序列和第二参数的时序分割子序列，计算第一参数的时序分割子序列和第二参数的时序分割子序列中对应的每个子序列的CRQA指数；

将每个子序列的CRQA指数作为特征向量，组合得到向量集合，其中，所述CRQA指数包括递归度REC、确定率DET、香农熵ENTROPY、最长对角线LMAX、趋势TREND；

通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式；

其中，所述第一参数为流量，所述第二参数为速度。

2.根据权利要求1所述的交通流高峰识别方法，其特征在于，所述交通流历史数据根据如下方式获得：从存储交通流参数基础数据的数据库中，获取第一参数的历史数据和第二参数的历史数据；其中，所述第一参数和第二参数为能够反映交通流量变化规律的参数。

3.根据权利要求2所述的交通流高峰识别方法，其特征在于，在获取交通流历史数据之后，所述方法还包括：对获取的交通流历史数据进行筛选，筛选出监测路段在指定时间长度内的第一参数的历史数据和第二参数的历史数据，其中所述指定时间长度内该路段出现过高峰时段；

将筛选出的第一参数的历史数据和第二参数的历史数据，分别按第一时间步长进行换算，得到相同时间步长的第一参数的历史时间序列数据和第二参数的历史时间序列数据。

4.根据权利要求1所述的交通流高峰识别方法，其特征在于，所述通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式包括：通过谱聚类模型对向量集合做聚类分析，将结果分为至少两种模式，所述至少两种模式包括对应于交通流高峰时段的模式和对应于非交通流高峰时段的模式。

5.根据权利要求1所述的交通流高峰识别方法，其特征在于，所述获取当前时间段内的交通流数据包括：从存储交通流参数基础数据的数据库中，获取当前时间段内所述第一参数的当前数据和所述第二参数的当前数据。

6.根据权利要求5所述的交通流高峰识别方法，其特征在于，在获取当前时间段内的交通流数据之后，所述方法还包括：将所述第一参数的当前数据和第二参数的当前数据，分别按第二时间步长进行换算，得到相同时间步长的第一参数的当前时间序列数据和第二参数的当前时间序列数据；

其中，所述根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配包括：根据第一参数的当前时间序列数据和第二参数的当前时间序列数据，计算CRQA指数；

将计算得到的CRQA指数作为特征向量，分别计算该特征向量与各个模式类中心的欧氏距离；

判断该特征向量与高峰时段所对应的时变模式的类中心的欧氏距离，相对于该特征向量与非高峰时段所对应的时变模式的类中心的欧氏距离是否为最短，若为最短，则确定所述当前时间段内的交通流数据与高峰时段所对应的时变模式相匹配。

7.根据权利要求1所述的交通流高峰识别方法，其特征在于，所述将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列包括：采用累积和序列划分方法，将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列，所述第一参数的时序分割子序列为非等分的子序列；

所述将所述第二参数的历史时间序列数据做时序分割处理，得到第二参数的时序分割子序列包括：参照第一参数的各时序分割子序列的宽度，将第二参数的历史时间序列数据进行对应的分割处理，得到第二参数的时序分割子序列；其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中各子序列的宽度，与所述第一参数的时序分割子序列中各子序列的宽度对应相等。

8.根据权利要求1所述的交通流高峰识别方法，其特征在于，所述通过谱聚类模型对所述向量集合做聚类分析包括：根据所述向量集合，构造相似度矩阵；

把相似度矩阵的每一列元素或者每一行元素加起来得到N个数，把所述N个数放在对角线上，组成一个N*N的对角矩阵；N为大于零的自然数；

将所述对角矩阵减去所述相似度矩阵，得到拉普拉斯矩阵；

对所述拉普拉斯矩阵进行归一化处理，得到归一化处理后的第一矩阵；

计算所述归一化处理后的第一矩阵的前K个特征值及对应的特征向量，形成一个N*K的特征矩阵；K为大于零的自然数；

对所述特征矩阵进行归一化处理，得到归一化处理后的第二矩阵；

对所述归一化处理后的第二矩阵按每行为一个数据点，进行k-means聚类。

9.一种交通流高峰识别装置，其特征在于，包括：

当前交通流数据获取模块，用于获取当前时间段内的交通流数据；

匹配模块，用于根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配；其中，所述时变模式通过对交通流历史数据进行交通流时变模式提取获得；

识别模块，用于若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段；

其中，对交通流历史数据进行交通流时变模式提取获得时变模式包括：将第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列；

将第二参数的历史时间序列数据做时序分割处理，得到第二参数的时序分割子序列；

其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中子序列的宽度，与所述第一参数的时序分割子序列中子序列的宽度相等；

根据第一参数的时序分割子序列和第二参数的时序分割子序列，计算第一参数的时序分割子序列和第二参数的时序分割子序列中对应的每个子序列的CRQA指数；

将每个子序列的CRQA指数作为特征向量，组合得到向量集合，其中，所述CRQA指数包括递归度REC、确定率DET、香农熵ENTROPY、最长对角线LMAX、趋势TREND；

通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式；

其中，所述第一参数为流量，所述第二参数为速度。

10.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器，其中，存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述权利要求任一项所述的交通流高峰识别方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述权利要求任一项所述的交通流高峰识别方法。