1.一种基于ETC数据的驶入服务区车流量预测方法，其特征在于，该方法包括：获取预测数据，所述预测数据包括：在时间窗口(ta,tb)内服务区入口车流量、时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的客车流量、时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的货车流量、时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市内客车流量与时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市内货车流量之和、时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市外客车流量和时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市外货车流量之和、驶入服务区车辆的先验因子，其中，tke表示客车从服务区邻近上游ETC门架到服务区入口的客车平均行驶时间，thuo货车从服务区邻近上游ETC门架到服务区入口的货车平均行驶时间，先验因子的确定方式为：计算历史经过服务区邻近上游ETC门架车辆的先验知识：

其中，netc为车辆驶入过ETC门架的次数，nf为驶入过服务区的次数；

计算未历史经过ETC门架车辆的先验知识：

其中，

为最近一个月驶入过服务区的市内客车数量，

为最近一个月驶入过服务区邻近上游ETC门架的市内客车数量，为最近一个月驶入过服务区的市内货车数量，

为最近一个月驶入过服务区邻近上游ETC门架的市内货车数量，为最近一个月驶入过服务区的市外客车数量，

为最近一个月驶入过服务区邻近上游ETC门架的市外客车数量，为最近一个月驶入过服务区的市外货车数量，

为最近一个月驶入过服务区邻近上游ETC门架的市外货车数量，对时间窗口(ta,tb)内所有车辆的先验知识求和得到先验因子：其中，c为先验因子，n为通过ETC门架的总车辆数,fi为第i辆车的先验知识；

将所述预测数据输入到预先训练好的基于CNN‑双向LSTM‑ATTENTION的服务区驶入车流量预测模型，得到在时间窗口下服务区驶入车流量。

2.根据权利要求1所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，所述基于CNN‑双向LSTM‑ATTENTION的服务区驶入车流量预测模型包括：依次连接的一维卷积层、第一Droupout层、bi‑lstm网络层、第二Droupout层、带有激活函数sigmoid的Dense层；

其中，使用注意力机制对所述第二Droupout层的输出结果进行处理。

3.根据权利要求1所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，获取所述时间窗口(ta,tb)内服务区入口车流量，包括：根据ETC数据车辆通行的流水，计算车辆n在服务区路段的行驶速度；

其中：L为服务区路段的长度，t(n)为车辆在服务区路段上的行驶时间；

计算客车在服务区路段上的平均行驶速度：

其中：vke,i为第i辆客车在服务区路段的行驶速度，n1为客车数量；

计算货车在服务区路段上的平均行驶速度：

其中：vhuo,i为第i辆货车在服务区路段的行驶速度,n2为货车数量；

估计客车从服务区邻近上游ETC门架到服务区入口的客车平均行驶时间tke：其中：d为服务区邻近上游ETC门架到服务区入口的距离；

估计货车从服务区邻近上游ETC门架到服务区入口的货车平均行驶时间thuo：其中：d为服务区邻近上游ETC门架到服务区入口的距离。

4.根据权利要求3所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，根据所述时间窗口(ta,tb)、客车平均行驶时间tke以及货车平均行驶时间thuo统计在时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的客车流量、在时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的货车流量。

5.根据权利要求4所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，获取所述时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市内客车流量与时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市内货车流量之和，包括：根据邻近上游ETC门架原始统计在时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市内客车流量qke,in(ta‑tke,tb‑tke)；

根据邻近上游ETC门架原始统计在时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市内货车流量qhuo,in(ta‑thuo,tb‑thuo)；

所述时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市内客车流量与时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市内货车流量之和为：qin＝qke,in(ta‑tke,tb‑tke)+qhuo,in(ta‑thuo,tb‑thuo)。

6.根据权利要求5所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，获取时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市外客车流量和时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市外货车流量之和，包括：根据邻近上游ETC门架原始统计在时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市外客车流量qke,out(ta‑tke,tb‑tke)；

根据邻近上游ETC门架原始统计在时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市外货车流量qhuo,out(ta‑thuo,tb‑thuo)；

时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市外客车流量和时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市外货车流量之和为：qout＝qke,out(ta‑tke,tb‑tke)+qhuo,out(ta‑thuo,tb‑thuo)。

7.根据权利要求2所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，所述bi‑lstm网络层的结构表示为：Ai＝f(Xi×U+w×Ai+1)

ai＝f(Xi×u+ai‑1×W)

Yi＝f(V×Ai+v×ai)

其中：U和u代表输入层到隐藏层的权重，V和v代表隐藏层到输出层的权重，W和w代表隐藏层之间的权重，f是relu激活函数，Yi是第i个双向LSTM输出值，Ai是双向LSTM第i个细胞单元的输出值，ai是第i个细胞单元计算中的中间结果。

8.根据权利要求2所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，所述注意力机制的公式为：T T

Out＝tanh(H×{softmax[w·tanh(H)]})其中：H为上一层的输出向量，w为需要训练的参数向量。

9.一种基于ETC数据的驶入服务区车流量预测装置，其特征在于，该装置包括：数据获取模块，用于获取预测数据，所述预测数据包括：在时间窗口(ta,tb)内服务区入口车流量、时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的客车流量、时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的货车流量、时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市内客车流量与时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市内货车流量之和、时间窗口(ta‑tke,tb‑tke)内通过服务区邻近上游ETC门架的市外客车流量和时间窗口(ta‑thuo,tb‑thuo)内通过服务区邻近上游ETC门架的市外货车流量之和、驶入服务区车辆的先验因子，其中，tke表示客车从服务区邻近上游ETC门架到服务区入口的客车平均行驶时间，thuo货车从服务区邻近上游ETC门架到服务区入口的货车平均行驶时间，先验因子的确定方式为：计算历史经过服务区邻近上游ETC门架车辆的先验知识：

其中，netc为车辆驶入过ETC门架的次数，nf为驶入过服务区的次数；

计算未历史经过ETC门架车辆的先验知识：

其中，

为最近一个月驶入过服务区的市内客车数量，

为最近一个月驶入过服务区邻近上游ETC门架的市内客车数量，为最近一个月驶入过服务区的市内货车数量，

为最近一个月驶入过服务区邻近上游ETC门架的市内货车数量，为最近一个月驶入过服务区的市外客车数量，

为最近一个月驶入过服务区邻近上游ETC门架的市外客车数量，为最近一个月驶入过服务区的市外货车数量，

为最近一个月驶入过服务区邻近上游ETC门架的市外货车数量，对时间窗口(ta,tb)内所有车辆的先验知识求和得到先验因子：其中，c为先验因子，n为通过ETC门架的总车辆数,fi为第i辆车的先验知识；

预测模块，用于将所述预测数据输入到预先训练好的基于CNN‑双向LSTM‑ATTENTION的服务区驶入车流量预测模型，得到在时间窗口下服务区驶入车流量。