1.一种用于检测高速公路断面交通拥堵的三维McMaster方法，其特征在于，包括以下步骤：步骤一：基于车检器数据提取交通参数，所述交通参数包括：车辆流量、平均速度和时间占有率；

步骤二：确定所述车辆流量、平均速度、时间占有率的三维参数空间中的非拥堵数据下界曲面的位置；

步骤三：建立非拥堵数据下界曲面数据集；

步骤四：训练贝叶斯正则化BP神经网络拟合非拥堵数据下界曲面；具体方法为：

1)构建贝叶斯正则化BP神经网络结构；

2)利用步骤三中构建的非拥堵数据下界曲面数据集训练构建好的贝叶斯正则化BP神经网络；以非拥堵数据下界曲面数据集中的占有率和速度作为输入，以流量作为输出，训练贝叶斯正则化BP神经网络，拟合非拥堵数据下界曲面上的函数关系；

步骤五：利用训练好的贝叶斯正则化BP神经网络对实时检测到的交通数据进行高速公路断面交通拥堵检测。

2.根据权利要求1所述的方法，其特征在于，所述步骤一的具体过程如下：

1)基于车检器历史数据，设定合适的检测周期，得到检测周期内每条车道的车辆流量、平均速度和时间占有率等交通流参数；

2)针对单个车检器的每条车道在同一检测周期内的交通流参数，对其进行合并处理以得到对应检测周期内高速公路车检器断面位置处的车辆流量、平均速度和时间占有率等交通流参数，合并计算公式如下：式中，q，v，o分别为合并后的断面车辆流量，平均速度和时间占有率参数，n为车道数量，qi，vi，oi分别为单条车道的车辆流量、平均速度和时间占有率。

3.根据权利要求1所述的方法，其特征在于，所述步骤二中的具体过程如下：

1)基于不同交通状态下的交通流参数具有空间可分离性，分析不同交通状态下车辆流量、平均速度和时间占有率在三维参数空间中的分布特征；

2)确定非拥堵数据下界曲面的位置，并计算给定某一组时间占有率和平均速度取值情况下的非拥堵数据下界曲面上的流量取值。

4.根据权利要求1所述的方法，其特征在于，所述步骤四中的贝叶斯正则化BP神经网络的整体损失函数的表达式为：F＝αEW+βED

式中，F为整体损失函数，n为车道数量，ED为BP神经网络的平均平方误差损失函数，EW为BP神经网络权值和阈值的平方和，α和β是确定BP神经网络权值和阈值分布的超参数，超参数α和β的计算公式式中，γ＝m-2αMPtr(HMP)-1，被称为参数的有效个数，代表神经网络中有效使用的权值和阈值参数的数量，m为参数的总个数，HMP为整体损失函数F的Hessian矩阵，wMP为最优权值参数。

5.根据权利要求3所述的方法，其特征在于，所述步骤二中过程2)流量值的计算方法为：车辆流量的取值服从正态分布：Qo,v～N(μo,v,σo,v2)

式中，Qo,v为车辆流量，μo,v为时间占有率和平均速度取值固定时多次流量测量值的均值，σo,v为标准差；

根据拉依达准则，结合不同交通状态下交通流参数的空间可分离性特点，按照下式计算三维参数空间中非拥堵数据下界曲面的流量值：式中， 为确定时间占有率和平均速度取值下的非拥堵数据下界曲面流量值，μo,v为时间占有率和平均速度取值固定时多次流量测量值的均值，σo,v为标准差。

6.根据权利要求1所述的方法，其特征在于，采用梯度下降算法迭代优化所述贝叶斯正则化BP神经网络的权值参数，直至满足迭代终止条件时停止；迭代终止条件为：||F(i+1)-F(i)||≤ε或t＝tmax

(i+1) (i)

式中，F 为第i+1次迭代时损失函数的值，F 为第i次迭代时损失函数的值，ε为迭代终止条件阈值，tmax为迭代最大次数。

7.根据权利要求1所述的方法，其特征在于，所述步骤三的具体方法为：基于交通流状态稳定时交通状态参数一般不会发生突然变化的特性，以确定的时间占有率-平均速度取值点为中心，计算其一定邻域范围内所有非拥堵数据流量值的均值与标准差，并用其作为中心占有率和速度取值下的流量观测值的均值与标准差的近似值：式中，μo,v为流量观测值值的均值，σo,v为流量观测值的标准差；oi和vi分别为邻域内的时间占有率和平均速度，θ和ω分别为时间占有率和平均速度取值的邻域范围参数。