1.一种RFID时空数据交通流特征参数预测方法，其特征在于：包括以下步骤：S1：获取RFID采集目标路段的交通数据，对交通数据进行时空相关性分析；

S2：获取影响目标路段交通状态的交通流特征参数和能够反映目标路段交通状态的交通流特征参数的相关性；

S3：预测目标路段在交通流稳定状态和交通流不稳定状态下的交通流特征参数；

S4：对两种状态下的交通流特征参数进行加权组合。

2.根据权利要求1所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：所述S1具体为：获取通过目标路段每一个车辆的RFID基站号、车辆ID号和车辆经过采集点的时间；

对获取的信息数据叠加形成时空数据矩阵；

分析每个采样时刻与该时刻的采集点数量的相关性。

3.根据权利要求1所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：所述影响目标路段交通状态的交通流特征参数包括上游标准车流量、慢行车比例、大型车比例和路口转向流量占比；

所述能够反映目标路段交通状态的交通流特征参数包括平均行程时间和下游路口标准车流量。

4.根据权利要求3所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：所述S2所述的相关性获取方法为：yi＝b0+b1x1+b2x2+b3x3+b4x4其中， 表示偏回归系数，

x1为所述上游标准车流量，x2为所述慢行车比例，x3为所述大型车比例，x4为所述路口转向流量占比；

y1为所述平均行程时间，y2为所述下游路口标准车流量。

5.根据权利要求4所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：所述交通流不稳定状态的交通流特征参数的预测方法为：建立紧致型小波神经网络模型，使得输入层为所述上游标准车流量、所述慢行车比例、所述大型车比例和所述路口转向流量占比，输出层为所述平均行程时间和所述下游路口标准车流量；

所述交通流稳定状态的交通流特征参数的预测方法为：建立马尔科夫模型，预测下一时刻的目标路段的所述平均行程时间和所述下游路口标准车流量。

6.根据权利要求5所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：所述S4所述的加权组合的权值的设定条件为：预测的所述平均行程时间与实际的所述平均行程时间绝对误差应小于2-4s，预测的所述标准车流量与实际的所述标准车流量绝对误差应小于1-2.5pcu。

7.根据权利要求6所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：当不满足所述设定条件时，判定rW1与rM1、rW2与rM2的关系；

当rW1大于rM1，rW2大于rM2，选择所述小波神经网络模型模型的预测值作为预测结果，否则，选择所述马尔科夫模型预测值作为预测结果。