1.一种基于大数据的城市交通管理方法，其特征在于，该方法包括以下步骤：S1：获取道路历史停车数据，构建道路停车预测模型，预测道路下一周期的道路停车预测值；

S2：获取道路车流量历史数据，构建道路车流量预测模型，预测道路下一周期的道路车流量预测值；

S3：根据道路下一周期的道路停车预测值和道路车流量预测值得出道路交通拥堵预测数值；

S4：构建城市交通管理模拟平台，设置道路交通拥堵阈值，当道路交通拥堵预测数值超出道路交通拥堵阈值时，调度公交车；

在步骤S1中，构建道路停车预测模型包括：获取道路历史停车数据，所述道路历史停车数据包括国内道路的历史停车数据以及监测道路的历史停车数据；

所述道路的历史停车数据包括停车开始时间、停车结束时间、停车数量、停车时长、停车位置；

所述周期以小时为单位，一小时为一个周期，时间t为周期数；

获取时间数列X＝(Xt，Xt‑1，...，Xt‑N+1)，作为模型输入；

一次移动平均值为：

其中，St为第t期的一次移动平均值，Xt为第t期的观测值，N为移动的平均期数；

对时间序列的一次移动平均值进行第二次移动平均得到二次移动平均值为：道路停车预测模型为：

St+M＝At+Bt*M

At＝2St‑Ht

其中，At为截距，即第t期现象的基础水平，Bt为斜率，即第t期现象单位时间的变化量，M为未来预测的期数，St为第t期的一次移动平均值，Ht为第t期的二次移动平均值，St+M为第t+M期道路停车的预测值；

在步骤S2中，构建道路车流量预测模型包括：获取道路历史车流量数据，所述道路历史车流量数据包括国内道路的历史车流量数据以及监测道路的历史车流量数据；

所述周期以小时为单位，一小时为一个周期，时间t为周期数；

获取时间数列Y＝(y1，y2，...，yn)，作为模型输入；

一次指数平滑公式为：

(1) (1)

St ＝ayt+(1‑a)St‑1(1) (1)

其中，St 为第t期的一次指数平滑值，yt为第t期的观测值，St‑1 为第t‑1期的一次指数平滑值，a为平滑指数；

二次指数平滑公式为：

(2) (1) (2)

St ＝St +(1‑a)St‑1(2) (2)

其中，St 为第t期的二次指数平滑值，St‑1 第t‑1期的二次指数平滑值，a为平滑指数；

道路车流量预测模型为：

Yt+T＝at+bt*T

(1) (2)

at＝2St ‑St

其中，at为截距，即第t期的基础水平，bt为斜率，即第t期单位时间的变化量，T为预期超前期数；Yt+T为时间为第t+T期道路车流量的预测值；

在步骤S3中，根据道路下一周期的道路停车预测值和道路车流量预测值得出道路交通拥堵预测数值；

道路交通拥堵预测数值Z：

Z＝p*St+M+q*Yt+T

其中，道路停车的权重比例记为p，交通车流量的权重比例记为q，St+M为第t+M期道路停车的预测值，Yt+T为时间为t+T期道路车流量的预测值；

在步骤S4中，构建城市交通管理模拟平台，设置道路交通拥堵阈值Z0，当道路交通拥堵预测数值超出道路交通拥堵阈值时，调度公交车；

设置道路交通拥堵数值阈值Z0；当Z＞Z0时，则需要调度公交车；

将一天的时间分为三个时期，分别为早高峰时期、晚高峰时期和正常时期；

设置早高峰时期为：早七点至早九点；设置晚高峰时期为：晚五点到晚七点；设置正常时期为：除去早、晚高峰时期的其他时期；

早、晚高峰时期调度的公交车数量a1为：a1＝k1b+k2(Z‑Z0)；

正常时期调度的公交车数量a2为：a2＝k1b+k3(Z‑Z0)；

其中，原调度计划下的公交车数量记为b，原调度计划下的调度系数记为k1，早、晚高峰时期下的调度系数记为k2，正常时期下的调度系数记为k3。