1.一种交通状态估计方法，其特征在于，该方法包括：

获取网联自动车的个体数据；

将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中，得到路段状态值，其中，所述路段状态估计模型为RBF‑BP神经网络模型，所述RBF‑BP神经网络模型包括依次连接的输入层、第一BP隐藏层、第二BP隐藏层、RBF层和输出层；

利用METANET模型对所述路段状态值进行卡尔曼滤波，得到最终的各个路段的交通状态，包括：构建系统状态方程：

xk,g＝fg(xk‑1,g,uk)+Wk,g

其中，g为交通状态，包括速度与密度；fg代表METANET模型方程组预测的状态；Wk,g代表过程误差，服从均值为0方差为 的正态分布；xk,g、xk‑1,g分别为第k、k‑1时刻的元胞路段的交通状态，uk为元胞路段限速；

利用RBF‑BP神经网络输出的路段状态值作为观察值，构建测量方程公式：式子中，HRBF‑BP,g(k)为当前路段中使用RBF‑BP神经网络估计的路段平均状态值； 为测量误差，服从均值为0方差为 的正态分布；zk,g为k时刻的状态测量值；

预测更新过程如下：

式子中， 为当前路段的状态先验估计； 为上一时刻的路段的状态后验估计；

为当前路段的先验误差估计； 为当前路段状态前一时刻的后验误差估计；

测量更新过程如下：

其中，Kk,g当前路段时刻k的状态估计值的卡尔曼增益， 为当前路段时刻k的状态后验估计，即为最优状态估计值， 为当前k时刻的后验估计；

计算完一次上述过程，反复迭代，将上一时刻的后验估计带入当前时刻的先验估计，直至递推完成，每个时刻k中得出的 即为最终k时刻的路段状态值。

2.根据权利要求1所述的交通状态估计方法，其特征在于，输入到预先训练好的路段状态估计模型中的所述网联自动车的个体数据为所有元胞路段的网联自动车个体数据的平均值；其中，所述元胞路段是通过METANET模型将需要交通状态估计的路段进行时空离散化得到。

3.根据权利要求1或2所述的交通状态估计方法，其特征在于，所述个体数据包括：当前元胞路段上第i辆网联自动车在第t秒瞬时速度vt,i、在第t秒时当前元胞路段中第i辆网联自动车的前车间距dt,i、在第t秒时当前元胞路段中第i辆网联自动车的前一辆车的瞬时车速vft,i。

4.根据权利要求1所述的交通状态估计方法，其特征在于，所述METANET模型的构建方法包括：构建参数优化目标函数；

使用人工鱼群算法最小化所述目标函数，得到最优化的METANET模型参数。

5.根据权利要求4所述的交通状态估计方法，其特征在于，所述目标函数为：其中：M为元胞路段的总数，T为METANET模型更新时间，K为标定步长数，ρsumo,m(k)为第m段元胞路段在k时刻输出的真实密度值，vsumo,m(k)为第m段元胞路段在k时刻输出的真实速度值，ρM,m(k)为第m段元胞路段在k时刻METANET模型输出的密度值，vM,m(k)为第m段元胞路段在k时刻METANET模型输出的速度值。

6.根据权利要求4所述的交通状态估计方法，其特征在于，所述METANET模型参数包括：自由流速度vfree，临界密度ρcrit，模型参数a、κ，时间滞后常数τ，模型期望参数η，路段通行能力下降系数θdrop。

7.一种交通状态估计系统，其特征在于，该系统包括：

数据获取模块，用于获取网联自动车的个体数据；

状态估计模块，用于将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中，得到路段状态值，其中，所述路段状态估计模型为RBF‑BP神经网络模型，所述RBF‑BP神经网络模型包括依次连接的输入层、第一BP隐藏层、第二BP隐藏层、RBF层和输出层；

滤波模块，用于利用METANET模型对所述路段状态值进行卡尔曼滤波，得到最终的各个路段的交通状态，包括：构建系统状态方程：

xk,g＝fg(xk‑1,g,uk)+Wk,g

其中，g为交通状态，包括速度与密度；fg代表METANET模型方程组预测的状态；Wk,g代表过程误差，服从均值为0方差为 的正态分布；xk,g、xk‑1,g分别为第k、k‑1时刻的元胞路段的交通状态，uk为元胞路段限速；

利用RBF‑BP神经网络输出的路段状态值作为观察值，构建测量方程公式：式子中，HRBF‑BP,g(k)为当前路段中使用RBF‑BP神经网络估计的路段平均状态值； 为测量误差，服从均值为0方差为 的正态分布；zk,g为k时刻的状态测量值；

预测更新过程如下：

式子中， 为当前路段的状态先验估计； 为上一时刻的路段的状态后验估计；

为当前路段的先验误差估计； 为当前路段状态前一时刻的后验误差估计；

测量更新过程如下：

其中，Kk,g当前路段时刻k的状态估计值的卡尔曼增益， 为当前路段时刻k的状态后验估计，即为最优状态估计值， 为当前k时刻的后验估计；

计算完一次上述过程，反复迭代，将上一时刻的后验估计带入当前时刻的先验估计，直至递推完成，每个时刻k中得出的 即为最终k时刻的路段状态值。