1.一种基于语义轨迹的伴随车辆识别方法，其特征在于，所述方法包括：

获取交通轨迹数据集和轨迹语义词汇表；所述交通轨迹数据集至少包括纬度特征、经度特征、时间特征、车牌特征、车身颜色特征、车辆品牌特征和车辆类别特征；所述轨迹语义词汇表包括轨迹访问点的经度信息、纬度信息以及相应的语义信息；

对所述交通轨迹数据集进行处理，基于车辆不同特征得到车辆时序轨迹序列；

采用多特征匹配的数据补全方法对所述车辆时序轨迹序列进行轨迹数据补全，得到车辆补偿轨迹序列；

对所述轨迹语义词汇表与所述车辆补偿轨迹序列进行特征匹配，将轨迹语义词汇表中的值作为车辆轨迹点的语义标签，得到语义轨迹补偿序列；

计算出所述车辆补偿轨迹序列的上下文轨迹点的拐点夹角，利用拐点特征优化所述语义轨迹补偿序列；

采用多特征向量化模型对优化后的语义轨迹补偿序列进行向量化处理，提取出语义轨迹补偿序列的空间特征向量、时间特征向量、拐点特征向量和语义特征向量，将各个特征向量进行融合，生成语义轨迹向量；

将所述语义轨迹向量按照轨迹对输入到基于多特征注意力机制的双向BILSTM模型中，利用注意力机制学习上下文轨迹点，并对轨迹点进行补偿，从而输出补偿后的语义轨迹向量；

计算出不同车辆的语义轨迹向量之间的相似度，根据所述相似度进行独热编码，根据独热编码状态识别出同类别的伴随车辆。

2.根据权利要求1所述的一种基于语义轨迹的伴随车辆识别方法，其特征在于，采用多特征匹配的数据补全方法对所述车辆时序轨迹序列进行轨迹数据补全包括以所述时间特征为索引，以车牌特征为查询条件获得车牌时轨迹序列，以所述时间特征为索引，以车身颜色特征和车辆品牌特征为查询条件，获得车辆附属属性时轨迹序列；对所述车牌时轨迹序列和所述车辆附属属性时轨迹序列进行全局匹配，通过动态捕捉进行轨迹数据补全，获得车辆补偿轨迹序列。

3.根据权利要求1所述的一种基于语义轨迹的伴随车辆识别方法，其特征在于，对所述轨迹语义词汇表与所述车辆补偿轨迹序列进行特征匹配，将轨迹语义词汇表中的值作为车辆轨迹点的语义标签，得到语义轨迹补偿序列包括将轨迹语义词汇表的经度信息和纬度信息与所述车辆补偿轨迹序列的纬度特征和经度特征进行特征匹配，将轨迹语义词汇表的语义信息值作为车辆补偿轨迹序列中各个车辆轨迹点的语义标签，为所述车辆补偿轨迹序列生成语义轨迹补偿序列。

4.根据权利要求1所述的一种基于语义轨迹的伴随车辆识别方法，其特征在于，计算出所述车辆补偿轨迹序列的上下文轨迹点的拐点夹角，利用拐点特征优化所述语义轨迹补偿序列包括在语义轨迹点的空间特征中引入拐点特征，生成具有拐点特征的语义轨迹补偿序列。

5.根据权利要求1或4所述的一种基于语义轨迹的伴随车辆识别方法，其特征在于，所述车辆补偿轨迹序列的上下文轨迹点的拐点夹角的计算公式表示为：其中，Θ(i)表示轨迹点i的拐点夹角，i∈(1,2,…,T)，T表示车辆补偿轨迹序列中轨迹点的个数；|Ni‑1Ni|表示轨迹点i‑1与轨迹点i之间的距离，|Ni+1Ni|轨迹点i+1与轨迹点i之间的距离，|Ni‑1Ni+1|轨迹点i‑1与轨迹点i+1之间的距离。

6.根据权利要求1所述的一种基于语义轨迹的伴随车辆识别方法，其特征在于，采用多特征向量化模型对优化后的语义轨迹补偿序列进行向量化处理包括采用网格法将空间特征进行离散化，获得语义轨迹点在空间网格的位置编码；将语义轨迹补偿序列中空间网格的位置编码输入到skipGram空间特征嵌入模型中，将网格单元向量化，将语义轨迹点的上下文特征映射到空间单元格中，从而提取出语义轨迹补偿序列的空间特征向量；采用时间切片将语义轨迹点的时间戳映射到时间单元格上进行离散化，获得语义轨迹点在时间单元上的位置编码；将语义轨迹补偿序列中时间戳的位置编码特征输入到skipGram时间特征嵌入模型中，从而获得语义轨迹补偿序列的时间特征向量；将用户日常生活活动地划分为多个属性，将不同属性分别作为相应的语义标签，将各个语义标签输入到Glove模型中学习语义标签的向量表达式，从而获得语义轨迹补偿序列的语义特征向量；将语义轨迹补偿序列的拐点特征输入到skipGram拐点特征嵌入模型中，从而获得拐点特征向量。

7.根据权利要求1所述的一种基于语义轨迹的伴随车辆识别方法，其特征在于，对轨迹点进行补偿的过程包括将所述语义轨迹向量作为高采样轨迹向量，将所述语义轨迹向量进行轨迹向量点抽样获得低采样轨迹向量；将所述低采样轨迹向量的轨迹对作为双向BILSTM模型的编码器输入，利用多特征注意力机制学习具有特征影响力的上下文轨迹点，利用学习到的上下文轨迹点进行轨迹点补偿，并将补偿后的低采样轨迹向量的轨迹对作为双向BILSTM模型的解码器输出；通过优化补偿后的低采样轨迹向量与高采样轨迹向量之间的距离，训练基于多特征注意力机制的双向BILSTM神经网络模型；利用训练完成的基于多特征注意力机制的双向BILSTM神经网络模型对所述语义轨迹向量的所有轨迹点进行补偿，更新所述语义轨迹向量。

8.根据权利要求1所述的一种基于语义轨迹的伴随车辆识别方法，其特征在于，所述计算出不同车辆的语义轨迹向量之间的相似度包括对基于多特征注意力机制的双向BILSTM模型中处理后的语义轨迹向量进行归一化，利用相似度算法计算出不同车辆之间的语义轨迹向量之间的相似度；对当前车辆与目标车辆之间的相似度进行独热编码，当热力图的某一行或者某一列的相似度超过预设阈值时，则识别出目标车辆为当前车辆的伴随车辆。