1.一种基于EMD‑GAN神经网络结构的交通流预测方法，其特征在于，所述方法包括以下步骤：

(1)获取同一路段不同时刻内的交通流状态，提取交通流数据的空间特征：从数据集中获取不同时刻内同一路段的交通流状态，利用EMD分解对交通流状态进行时间特征提取；

(2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态数据集；

(3)将EMD分解输出的交通流时间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；

(4)使用时空特征数据实现道路交通流预测：将道路交通流时间特征作为LSTM回归预测层输入，计算当前输入对应的预测结果，以上部分为生成网络部分，再将预测结果作为生成值和真实值一起送入GAN网络的判别网络；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测；

所述步骤(1)中，对同一路段不同时刻的交通流数据x(t)用EMD分解的方式提取出n个时间分量imfi(t),i∈[1,n]和一个残差分量r(t)；

所述步骤(2)的过程如下：运用皮尔逊相关系数求出各个时间特征分量imfi(t)和交通流数据x(t)之间的相关性系数，并根据皮尔逊相关系数挑选出相关性较高前k个时间特征分量imfmax_i(t),并用这前k个分量和原始交通流数据x(t)构成交通流状态矩阵数据集；再用min‑max标准化方法对交通流状态矩阵数据集进行归一化；

所述步骤(3)的过程如下：利用LSTM神经网络能够有效提取时序信息的特点，将EMD分解输出的包含时间特征的结果作为LSTM神经网络的输入，利用LSTM神经网络进一步提取交通流状态中的时间特征；

所述步骤(4)的过程如下：时间序列生成器采用LSTM网络，将道路交通流时空特征作为回归预测层输入，计算当前输入对应的预测结果；将binary_crossentropy定义为模型的损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据，即测试集作为模型输入，实现实时道路交通流的预测。