1.一种基于深度学习的短时交通流预测方法，其特征在于，首先对交通流数据进行预处理，然后将预处理的数据输入到门限循环神经网络(GRU)中进行训练，提取得到交通流数据的高阶特征，最后将所述高阶特征输入到梯度提升决策树回归模型(GBDT)中进行短时交通流预测。

2.根据权利要求1所述基于深度学习的短时交通流预测方法，其特征在于，所述交通流数据包括天气数据和交通路口过车数据，以车辆速度特征、前一时刻的交通流量特征、节假日时间特征和天气特征作为交通流特征，所述交通路口过车数据包括车辆速度、车辆id、监测点id和车辆行驶时间，所述预处理方法是：假设一个城市某个区域有n个路口，路口集合R＝{r1,r2,...,ri,...,rn}，将一天的24个小时划分为288个5分钟长的时间片t1,t2,...,tj,...,t288，第i个路口ri在第j个时间片tj的交通流量为numij。

3.根据权利要求2所述基于深度学习的短时交通流预测方法，其特征在于，所述车辆速度特征是路口每5分钟的车辆速度平均值；所述前一时刻的交通流量特征是按照时间序列排列的某一时刻前4个时间片的交通流量，所述天气特征包括天气状况和风力两个因素，所述天气状况划分为3类，分别为晴或者多云，雨，雾，用W1，W2，W3表示，所述风力划分为4个级别，分别为微风，大风，暴风，台风，用A1，A2，A3，A4表示；所述节假日时间特征中，将工作日记为W，将节假日记为H，工作日里的工作时间记为WWT，工作日里的上下班高峰时间记为WGT，工作日的早高峰前和晚高峰后时间记为WQT，其余时间记为WDT；节假日的日间时间记为HFT，其余时间记为HRT。

4.根据权利要求1所述基于深度学习的短时交通流预测方法，其特征在于，所述将预处理的数据输入到门限循环神经网络(GRU)中进行训练的过程是：

1)将交通流数据集输入到GRU中；

2)计算各层的更新门、重置门、当前记忆内容和最终记忆内容的值；

3)使用AdaMax优化算法训练网络模型；

4)将训练好的GRU模型中隐含层最后一层的特征提取出来输入到GBDT回归算法对短时交通流进行预测。

5.根据权利要求4所述基于深度学习的短时交通流预测方法，其特征在于，所述2)中，在时间片t，更新门zt＝σ(wz·[ht-1,xt])，其中σ为Sigmoid激活函数，xt为输入的交通流特征向量，ht-1保存的是前一个时间片t-1的信息，xt和ht-1均经过一个与权重矩阵wz相乘的线性变换，之后相加投入Sigmoid激活函数以输出激活值；

重置门rt＝σ(wr·[ht-1,xt])，xt和ht-1均经过一个与权重矩阵wr相乘的线性变换，之后相加投入Sigmoid激活函数以输出激活值；

当前记忆内容 其中tanh为双曲正切激活函数，

为当前记忆内容的权重，ht-1为前一时间片隐藏层的值，xt为输入的交通流特征向量， 为当前记忆内容的偏置，输入xt先与ht-1经过一个与权重矩阵 相乘的线性变换，计算重置门rt与ht-1的乘积，即rt与ht-1的对应元素乘积，然后再投入tanh；

当前时间片的最终记忆

6.根据权利要求4所述基于深度学习的短时交通流预测方法，其特征在于，所述2)中，所述使用AdaMax优化算法训练网络模型的方法如下：AdaMax是Adam的一种变体，它是随机梯度下降的扩展式。此方法对学习率的上限提供了一个更简单的范围。令， 其中Wt为t时刻的门限循环神经网络权重，Wt-1为t-1时刻门限循环神经网络的权重，α为学习率，ε为非常小的数，以防止在实现中除以零，bt为t时刻的门限循环神经网络偏置，bt-1为t-1时刻门限循环神经网络的偏置，vt指的是指数移动均值在时间t的更新， 为mt的纠正；

mt＝β1·mt-1+(1-β1)·gt

mt是梯度的指数移动均值，通过梯度的一阶矩求得，gt为目标函数的t时刻一阶偏导，gt-1为目标函数的t-1时刻的一阶偏导，i为迭代时间，β1,β2是常数，控制指数衰减， 表示β1的t次方， 表示β2的p次方，|gt|p为gt绝对值的p次方；

令p→∞并定义

vt＝limp→∞(vt)1/p

然后将计算出来的vt， 带入Wt，bt公式中对权重和偏置进行更新，利用上述描述的AdaMax优化算法更新网络权重w和偏置b，直到模型收敛，最终模型训练完成后提取出GRU隐层最后一层的特征h作为交通流的高阶特征，h＝{(h1,y1),(h2,y2),…,(hm,ym)}。

7.根据权利要求1所述基于深度学习的短时交通流预测方法，其特征在于，所述将高阶特征输入到梯度提升决策树回归模型(GBDT)中进行短时交通流预测的过程如下：初始化弱学习器f0(h)，

其中，L为损失函数，yi为交通流量标签，c为使损失函数极小化的常数值，m为训练样本数；

当迭代次数n＝1,2,…,N(其中N为最大迭代次数)有：

1.对于样本i＝1,2,…,m，计算负梯度

利用(hi,rnj)拟合一颗CART回归树，得到第n棵回归树，其对应的叶子节点区域为Rnj,j＝1,2,…,J，其中J为第n棵回归树的叶子节点的个数；

2.对于叶子节点区域j＝1,2,…,J，计算最佳拟合值

更新强学习器

其中：

得到强学习器f(h)

式中fN(h)为达到最大迭代次数N时更新的强学习器，f(h)即最终的短时交通流预测结果。