1.一种公路路面使用性能检测系统，其特征在于：所述检测系统由基于CAN总线的路面气象环境参数采集平台和公路路面使用性能等级分类系统两部分组成，基于CAN总线的路面气象环境参数采集平台实现对路面气象环境因子参数进行检测和调节，公路路面使用性能等级分类系统实现对公路路面使用性能等级的预测和分类，公路路面使用性能等级分类系统由温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块、交通事故预测模块和区间数DRNN神经网络公路路面使用性能等级分类器组成；温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块和交通事故预测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入，区间数DRNN神经网络公路路面使用性能等级分类器的输出为代表被检测公路公路路面使用性能等级的区间数；

所述温度检测模块由温度区间数神经网络模型、2个温度减法聚类分类器、2组多个小波神经网络温度预测模型、2个NARX神经网络温度模型和2个LSTM神经网络温度残差预测模型组成，多个检测点温度传感器的输出作为区间数神经网络模型的输入，温度区间数神经网络模型输出的温度区间数的上下限值分别为对应的2个温度减法聚类分类器的输入，2个温度减法聚类分类器输出的2组多个类型的温度区间数的上下限值历史数据分别作为对应的2组多个小波神经网络温度预测模型的输入，2组多个小波神经网络温度预测模型的输出分别作为对应的2个NARX神经网络温度模型的输入，温度区间数神经网络模型输出的温度区间数的上下限值与对应的2个NARX神经网络温度模型输出的差作分别作为对应的2个LSTM神经网络温度残差预测模型的输入，2个NARX神经网络温度模型输出分别与对应的2个LSTM神经网络温度残差预测模型输出的和构成的区间数作为温度检测模块的输出和区间数DRNN神经网络公路路面使用性能等级分类器的输入；

所述费用预测模块由费用减法聚类分类器、多个小波神经网络费用预测模型、NARX神经网络费用模型、LSTM神经网络费用残差预测模型和区间数GMDH神经网络费用模型组成，公路维护费用的历史数据作为费用减法聚类分类器的输入，费用减法聚类分类器输出的每个类型公路维护费用的历史数据作为对应的多个小波神经网络费用预测模型的输入，多个小波神经网络费用预测模型的输出作为NARX神经网络费用模型的输入，公路维护费用的历史数据与NARX神经网络费用模型输出的差作为LSTM神经网络费用残差预测模型的输入，NARX神经网络费用模型的输出和LSTM神经网络费用残差预测模型的输出作为区间数GMDH神经网络费用模型的输入，区间数GMDH神经网络费用模型输出的区间数分别作为公路维护费用的历史数据的区间数预测值、费用预测模块的输出和区间数DRNN神经网络公路路面使用性能等级分类器的输入；

所述区间数DRNN神经网络公路路面使用性能等级分类器的输入为影响公路路面使用性能的温度、雨雪和结冰的气象区间数预测值、交通量区间数预测值、交通事故区间数预测值、公路维护费用区间数预测值和输出为代表被检测公路路面使用性能等级的区间数，温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块和交通事故预测模块的输出为区间数DRNN神经网络公路路面使用性能等级分类器的输入，区间数DRNN神经网络公路路面使用性能等级分类器的输出为代表被检测公路公路路面使用性能等级的区间数；根据影响公路路面使用性能的气象参数、公路路面的维护费用、交通量和交通事故的工程实践和国家公路公路路面使用性能的认定标准，区间数DRNN神经网络公路路面使用性能等级分类器构建公路路面使用性能的5种等级与5个区间数对应关系表，公路路面使用性能的5种等级分别为正常状态、较好、好、较差和很差，计算区间数DRNN神经网络公路路面使用性能等级分类器输出的区间数与代表5种公路路面使用性能不同等级的5个区间数的相似度，其中相似度最大的区间数对应的公路路面使用性能等级确定为该公路路面使用性能等级。

2.根据权利要求1所述的一种公路路面使用性能检测系统，其特征在于：所述温度区间数神经网络模型由多个RR时间递归神经网络、温度区间数Elman神经网络模型和2个按拍延迟线TDL组成，温度区间数神经网络模型把一段时间公路多个温度传感器感知被测量公路温度值转换为公路温度的动态区间数值，每个检测点温度传感器的输出为对应的每个RR时间递归神经网络的输入，多个RR时间递归神经网络的输出为温度区间数Elman神经网络模型的输入，2个按拍延迟线TDL的输出为温度区间数Elman神经网络模型的输入，温度区间数Elman神经网络模型的输出为代表一段时间内公路温度区间数和温度区间数神经网络模型的输出，温度区间数Elman神经网络模型输出区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入。

3.根据权利要求1所述的一种公路路面使用性能检测系统，其特征在于：所述雨雪检测模块由雨雪区间数神经网络模型、2个雨雪减法聚类分类器、2组多个小波神经网络雨雪预测模型、2个NARX神经网络雨雪模型和2个LSTM神经网络雨雪残差预测模型组成，多个检测点雨雪传感器的输出作为雨雪区间数神经网络模型的输入，雨雪检测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入；

所述雨雪区间数神经网络模型采用雨雪区间数Elman神经网络模型，雨雪区间数Elman神经网络模型实现对被检测点的一段时间内公路路面雨雪参数由多个传感器值转换为区间数值，雨雪区间数Elman神经网络分为4层:输入层、隐含层、承接层和输出层, 其输入层、隐含层和输出层的连接为前馈网络, 输入层的单元仅起信号传输作用, 输出层单元起线性加权作用，隐含层单元的传递函数采用线性或非线性函数, 承接层又称为上下文层或状态层, 它用来记忆隐含层单元前一时刻的输出值,是一个一次延时算子。

4.根据权利要求1所述的一种公路路面使用性能检测系统，其特征在于：所述结冰检测模块由结冰区间数神经网络模型、2个结冰减法聚类分类器、2组多个小波神经网络结冰预测模型、2个NARX神经网络结冰模型和2个LSTM神经网络结冰残差预测模型组成，多个检测点结冰传感器的输出作为结冰区间数神经网络模型的输入，结冰检测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入；

所述结冰区间数神经网络模型采用结冰区间数Elman神经网络模型，结冰区间数Elman神经网络模型实现对被检测点的一段时间内公路路面结冰参数由多个传感器值转换为区间数值，结冰区间数Elman神经网络分为4层:输入层、隐含层、承接层和输出层, 其输入层、隐含层和输出层的连接为前馈网络, 输入层的单元仅起信号传输作用, 输出层单元起线性加权作用，隐含层单元的传递函数采用线性或非线性函数, 承接层又称为上下文层或状态层, 它用来记忆隐含层单元前一时刻的输出值,是一个一次延时算子。

5.根据权利要求1所述的一种公路路面使用性能检测系统，其特征在于：所述交通事故预测模块由事故减法聚类分类器、多个小波神经网络事故预测模型、NARX神经网络事故模型、LSTM神经网络事故残差预测模型和区间数GMDH神经网络事故模型组成组成，交通事故预测模块实现对交通事故历史数据进行区间数预测。

6.根据权利要求1所述的一种公路路面使用性能检测系统，其特征在于：所述交通量预测模块由交通减法聚类分类器、多个小波神经网络交通预测模型NARX神经网络交通模型、LSTM神经网络交通残差预测模型和区间数GMDH神经网络交通模型组成组成，交通量预测模块实现对交通量历史数据进行区间数预测。

7.根据权利要求1所述的一种公路路面使用性能检测系统，其特征在于：所述基于CAN总线的路面气象环境参数采集平台由检测节点、控制节点和现场监控端组成，通过CAN总线实现检测节点、控制节点和现场监控端之间的通信，检测节点分别由传感器组模块、单片机和通信接口组成，传感器组模块负责检测路面气象环境的温度、结冰、雨雪和风速的路面气象环境参数，由单片机控制采样间隔并通过通信模块发送给现场监控端。

8.根据权利要求7所述的一种公路路面使用性能检测系统，其特征在于：所述控制节点实现对路面气象环境参数的调节设备进行控制；现场监控端由一台工业控制计算机和RS232/CAN通信模块组成，实现对路面气象环境参数进行管理和对公路路面使用性能等级分类。