1.基于DenseNet的高速公路交通流预测方法，其特征在于包括步骤：S1：输入一维交通流数据，构建训练测试集和测试集，且构建训练测试集的过程为以X为训练数据，以Y为训练数据对应的标签，X的维度为（m,n），Y的维度为（m,1），其中m表示根据原始数据构造的样本个数，n表示一个样本中观察的之前时刻交通流的数目，Y中每一行表示下一时刻的交通流的真实值；

S2：数据预处理，对训练测试集作归一化处理，将一维时间序列扩增为四维张量，得训练样本，且归一化公式为： ，其中四维张量 为归一化后的训练样本，Xmin是交通流数据的最小值，Xmax是交通流数据的最大值，前一个1表示默认序列的宽为1，后一个1表示默认通道数为1；

S3：构造一个包含一个输入部、三个密集部、两个过渡部、一个输出部的卷积神经网络模型；

S4：训练卷积神经网络模型，将训练样本输入到步骤S3所得的卷积神经网络模型，在预设训练轮数下反复迭代训练，每次迭代训练包含由前向传播、输出预测值、计算迭代损失、反向传播损失、更新网络参数组成的单循环步骤；

S5：将测试集输入至步骤S4训练后的卷积神经网络模型中进行预测。

2.根据权利要求1所述基于DenseNet的高速公路交通流预测方法，其特征在于：步骤S1中所输入的交通流数据根据时间划分为周末数据X1和非周末数据X2。

3.根据权利要求1所述基于DenseNet的高速公路交通流预测方法，其特征在于：步骤S3所构造的卷积神经网络模型中：输入部由卷积层和BN层构成，并由BN层对每次训练输入到网络中的数据作标准化处理；

每个密集部由十二个卷积部构成，且每个卷积部由卷积层、激活函数层和BN层构成，深度级联特征图；

每个过渡部由一个卷积部和平均池化层构成，降低特征图大小及维度；

输出部由一个全局平均池化层和一个全连接层构成，通过计算像素点的均值、组成向量并映射得到交通流的预测值。