1.一种基于深度学习和时空数据融合的短时交通流控制方法，其特征在于，所述方法步骤为：

S1：获取数据源；

S2：根据数据源确定路口历史数据的时间关联性和空间关联性，并根据路网空间关联性得到路口位置关系强度表；其中利用SDNE分析路网，并基于欧式距离确定路口位置间的空间关联强度；

S3：根据路口位置关系强度表建立空间维度CNN回归模型，根据路口历史数据的时间关联性构建时间维度GRU模型；

S4：将时间维度GRU模型和空间维度CNN回归模型的输出结果进行融合，得到自适应时空数据融合模型；

S5：获取适应时空数据融合模型的预测结果，并将预测结果发送给交通部门，交通部门控制预测路口的交通；

其中，GRU表示门控循环神经网络，CNN表示卷积神经网络，SDNE表示网络表示学习算法；

获取的数据信息包括：

S11：获取路口短时车流量时间[t0,tn]；

S12：根据路口车流量的时间区域内进行短时段分片，分为T＝{1,2,3,…,t,…,n}；

S13：获取车辆轨迹信息，轨迹信息为路口编号的有序集合，有序集合为：S14：从获得的数据中得出交通流时间序列其中，t0表示路口车流量的起始时间，tn表示路口车流量的截止时间， 表示车辆v编号为k的轨迹，l1,l2,l3,…,ln为该车辆依次经过的交通路口位置编号， 表示路口li在连续一段时间内的交通流时间序列， 表示在第n个短时间内，路口li观察所得车流量。

2.根据权利要求1所述的一种基于深度学习和时空数据融合的短时交通流控制方法，其特征在于，确定路口历史数据的时间关联性和空间关联性包括：S21：通过时间相关性选取输入的交通流量数据信息；选取相关系数绝对值大于0.68的时间作为初始化输入数据的时滞，即从当前时刻到过去100min的交通流量；

S22：根据原始路网利用SDNE得到路口位置间的空间关联性，建立路口位置关系强度表。

3.根据权利要求2所述的一种基于深度学习和时空数据融合的短时交通流控制方法，其特征在于，所述步骤S22包括：S221：根据车辆轨迹 统计路口过车概率lij；

S222：根据路口过车概率构建原始路网的邻接矩阵AG(L,E,W)；

S223：将原始路网邻接矩阵AG(L,E,W)输入到SDNE算法模型中，得到新的路网空间；

S224：将新的路网空间中路口位置向量输入路口相关性判别式中：S225：根据相关性判别式的输出结果建立路口位置关系强度表；

其中， 表示车辆为v编号为k的轨迹，i和j表示路口，L表示路口节点集合，E表示相邻节点的连通性的边集，W表示权重，G表示原始路网图，sim表示路口间的位置关联度，dist表示欧式距离计算， 和 表示新的网路图中两个路口信息。

4.根据权利要求1所述的一种基于深度学习和时空数据融合的短时交通流控制方法，其特征在于，通过时间维度GRU模型得到该模型的输出结果包括：步骤1：随机选取一个路口为目标预测路口laim；

步骤2：获取目标路口的当前车流量和历史车流量数据并将其输入时间维度的GRU神经网络模型；

步骤3：根据输入的车流量数据与隐含状态的相关性确定重置门：步骤4：确定GRU神经网络的更新门隐含单元状态与输入的车流量信息的结合程度，即步骤5：输入的车流量数据经过重置门与更新门，根据rt、zt更新单元隐含状态，得到t时刻的输出：

其中，laim表示选取的目标路口，“*”代表矩阵乘法， 为车流量序列 在第t个时刻的输入，W、U表示权重矩阵，b表示偏置，σ(·)表示sigmoid函数，sigmoid函数表示神经元的非线性作用函数，rt、zt表示更新单元隐含状态，“·”代表点乘， 是tanh函数，tanh函数表示双曲正切函数， 是在第t个时刻的预测输出，即时间维度GRU序列模型的预测值 表示候选隐藏状态，ht表示隐藏状态。

5.根据权利要求1所述的一种基于深度学习和时空数据融合的短时交通流控制方法，其特征在于，所述建立空间维度CNN回归模型步骤包括：步骤1：根据目标预测路口laim，从路口位置关系强度表中，找到与预测路口空间关联强度的前k的路口，组成空间关联路口组步骤2：获取关联路口的当前车流量和历史车流量信息步骤3：将 作为空间维度交通流的影响因子，构建CNN的空间回归预测模型；

步骤4：将与目标卡口空间关联的卡口组中的交通流数据按照时间维度和空间维度展开成矩阵，并集成到输入中，构造出一个具有路网空间关联性的交通流量信息矩阵：步骤5：交通数据矩阵XL输入CNN预测模型，通过时间反向传播训练模型，获取预测结果即空间维度CNN回归模型的预测值其中，laim表示目标预测路口，k代表的是经过空间相关性分析选取的与预测路口关联度最强的路口个数，lk表示关联路口， 表示组成空间关联路口的向量， 表示关联路口的当前车流量和历史车流量信息，XL表示交通流量信息矩阵，τ代表的是输入数据的时滞。

6.根据权利要求1所述的一种基于深度学习和时空数据融合的短时交通流控制方法，其特征在于，所述自适应时空数据融合模型包括：步骤1：利用最小二乘动态加权融合算法WLS对时空数据进行融合；融合的表达式为其中， 为t时段融合后的预测结果； 为第i种方法在t时段的预测值；wti是 的融合权重；

步骤2：对自适应时空数据融合模型进行动态调整，减小预测误差；自适应时空数据融合模型总的均方误差为：

2

E表示融合模型总的均方误差，σi为第i个子模型预测方法均方误差，步骤3：对求wti求偏导数，并令其等于零，得到总的均方误差的极小值，同时得到wti的值，wti的值为：

步骤4：确定均方误差；各子模型均方误差越小，其短时流量模型的总均方误差越小，则均方误差表达式为：

步骤5：根据上确定的wti的值得到时间预测模型的权重λ＝wt1，空间预测模型的权重μ＝wt2；其中λ+μ＝1；

步骤6：自适应时空数据融合模型可得时空数据融合结果为：其中，λ和μ是模型的学习参数，反映了时间依赖特性和空间依赖性对预测路口的车流量的影响的影响程度。