1.一种基于数字孪生的公路交通态势仿真方法，其特征在于包括以下步骤：S001：计算分析模块通过信息提取模块获取目标对象的信息及目标对象所处空间的信息；

S002：对孪生目标对象特征信息进行读取和预处理，计算分析模块通过基于数字孪生的建模方法进行建模，并完成模型自优化，选取最优模型进行仿真，生成公路态势评估结果；

S003：将公路态势评估结果通过通信模块发送至预设接收端；

S004：将公路态势评估结果进行可视化转换，并通过高帧率视频的方式，在可视化模块上进行可视化视频数据的生成；

在S002中，基于数字孪生的建模方法所建模型包括孪生目标对象特征模型、孪生目标对象模型、孪生仿真路径模型；

孪生目标对象模型采用修饰原始Agent的方法建立，包括以下步骤，S31：初始化阶段：车辆物理实体初始化为Agent，Agent的属性定义为：其中id表示Agent的唯一标示编号； 表示Agent的速度矢量；pos(t)表示Agent的位置；H表示Agent的长度；R表示Agent的宽度；P表示Agent的平均速度；t表示时间步；

S32：交互阶段：每个Agent通过与其它的Agent及其所处的环境进行信息交互，并以坐标形式记录当前所在位置；

S33：行动阶段：每个Agent依据社会力模型的驱动进行运动，并不断更新位置信息直至行动停止；

S34：记录并返回在路段上行动的速度变化情况，并依据在行驶时间段内，agent行动低速时间段的占比，判定并返回道路交通缓滞情况；

孪生仿真路径模型采用贝叶斯网络模型建立并训练，包括以下步骤，S21：据随机森林模型学习仿真所得的特征样本集{A1，A2……Am}，将其发生概率与对应发生时段与样本标签组合，形成带有发生概率值的特征集样本T，发生概率记为先验概率，并进行特征样本更新，利用贝叶斯公式对所有的先验概率进行修正，求后验概率；

S22：取与路段交通态势的相关参数作为节点，包括可观测的节点和隐藏节点；其中可观测的节点包括路段的平均行程时间和路段的相对密度会造成交通，隐藏节点包括路段的交通态势以及路段发生交通事故的历史概率；

S23：采用贝叶斯公式计算对应路段发生交通缓滞的概率，贝叶斯公式为：其中P(A|B)是在B发生的情况下A发生的可能性，A1、……、Ai为完备事件组，P(A)是A的先验概率或边缘概率，P(A|B)是已知B发生后A的条件概率，P(B|A)是已知A发生后B的条件概率，P(B)是B的先验概率或边缘概率；

S24：形成预估道路交通缓滞情况的贝叶斯斯网络，并输出结果；

将S24的贝叶斯网络输出的结果作为对象供孪生目标对象模型仿真所得的结果进行对抗学习综合评述，建立对抗学习模型，采用孪生仿真路径模型输出的结果对孪生目标对象模型输出的结果进行评述，根据综合评估方法对结果进行评价，综合评估方法包括以下步骤，S41：生成损失函数gloss，公式为:

loss＝ganWeight×ganLoss+modelWeight×modelLoss；

其中，ganWeight为对抗损失函数ganLoss的权重，取值为0～30；modelWeight为由孪生目标对象模型输出结果与孪生仿真路径模型输出结果差值的损失函数modelLoss的权重，取值为0～50；

modelLoss表示孪生目标对象模型输出结果与孪生仿真路径模型输出结果的差值，计算公式如下：ij ij

其中，RP 表示的是孪生目标对象模型输出结果，QP 表示孪生仿真路径模型输出结果，这两种结果采用二维矩阵方式表示；

S42：生成ganLoss为对抗损失函数，公式为：

其中，Pmodel为对抗学习时，对抗学习模型认为孪生目标对象模型输出的结果与孪生仿真路径模型输出的结果完全一致的概率矩阵，所述矩阵为二维矩阵，收纳了不同时间段不同道路的Pmodel值；EPCG为梯度下降时的维度稳定因子，在模拟中EPCG采用伪随机函数‑4 ‑11在[10 ,10 ]区间中通过伪随机方式取一值；

S43：采用判别公式对随时函数进行判别，损失函数越小，仿真结果越准确，其中判别公式为：其中， 为期望概率，即实际情况与孪生目标对象模型输出的结果一致的概率矩阵。

2.根据权利要求1所述的基于数字孪生的公路交通态势仿真方法，其特征在于：孪生目标对象特征模型采用随机森林建模方法搭建，包括以下步骤，S101:计算分析模块通过信息提取模块获取交通路况的降噪和融合后的道路特征数据；

S102：计算分析模块对交通路况的降噪和融合后的道路特征数据进行读取和预处理，通过随机森林模型对预处理后的降噪和融合后的道路特征数据进行建模分析，生成重要性排序结果；

S103:计算分析模块提出重要性低于5％的道路特征数据，输出得到孪生目标对象特征结果；

S104:将得到孪生目标对象特征结果保存为矩阵形式的数据集形成孪生目标对象特征模型。

3.根据权利要求2所述的基于数字孪生的公路交通态势仿真方法，其特征在于：在S102中，随机森林模型的建模分析包括以下步骤，S11：将森林中总的树的数目M平均分成4个部分分给各个进程分担，每个进程创建M/4棵决策树，创建好的M/4棵决策树以列表的形式返回主进程；

S12：主进程获取4个子进程的决策树列表后，将4个子列表整合到一个长度为M的决策树列表L中；

S13：为每棵决策树产生训练集，使用bagging中的bootstrap aggregating方法从原始训练样本集中有放回的重复随机抽取n个样本作为一组训练集；

S14：构建单棵决策树，从每个样本的特征中随机抽取m个特征，使用基于特征的方式将m个特征划分为样本集B来计算基尼指数，将样本集合为等于指定特征的样本集D1和不等于给定特征的样本集B2，则：其中，A为当前的特征，然后从所有Gini(B，Ai)中找出基尼指数最小的划分A，使用特征A作为分裂特征，重复本步骤获取决策树；

S15：每个进程重复按照步骤S13和步骤S14构造M/3棵决策树，整合组成随机森林，每棵决策树的最后一个叶节点为对网络安全影响最大的特征，构成特征集A1，A2……Am；

S16：根据准确率来判定模型的有效性并选取最佳参数：

其中TP为真阳性，表示实际类别为正，算法输出类别也为正；FP为假阳性，表示实际类别为负，样本输出类别为正；TN为真阴性，表示实际类别为负，算法输出类别也为负；FN为假阴性，表示实际类别为正，算法输出类别为负；超参数θ设置为：max_features＝0.2，决策树数量trees＝18。