1.一种基于循环神经网络算法的智慧节能灯杆组控制方法，其特征在于，包括以下步骤：S1.通过视频采集摄像头采集连续的多帧视频图像信息，对视频图像信息进行预处理，得到预处理图像信息；

S2.将预处理图像信息传输至循环神经网络(RNN)算法模块，通过已训练的循环神经网络系统对视频图像中的车辆进行识别及目标跟踪；

S3.对所识别车辆的运动轨迹进行跟踪，通过对连续多帧图像建立运动联系，计算图像中识别出的车辆的速度；

S4.当灯杆A的逆交通流向视频采集摄像头检测到有车辆通过时，以该灯杆A为起始点，将顺交通流前方4个灯杆组灯杆的照明灯亮度转换为照明模式，当在灯杆A下一个灯杆组的灯杆B检测到车辆经过灯杆B位置时，灯杆A所在灯杆组转换为节能模式，照度降低，其中照明模式的优先级大于节能模式；

S5.通过对视频图像中车辆速度的计算，判断驾驶者是否存在危险驾驶行为，包括超速和疲劳驾驶，若检测到车辆瞬时车速超过路段限制最高速度的20％或车辆车速超过限制速度且在连续20组灯杆内车速标准差小于2.5km/h，则认定为疲劳驾驶，开启扬声器发出警报，并将顺交通流前方2个灯杆组内照明灯照明模式转化为频闪模式5秒，若检测到车辆瞬时速度小于10km/h则认定为此地发生突发事件，将逆交通流方向2个灯杆组照明灯转化为缓和闪烁；

S6.通过对视频图像信息照度的检测，若采集到的视频信息照度保持≤20lx超10分钟时将照明灯开启，若采集到的视频信息照度保持≥20lx超10分钟时则将照明灯关闭；

S7.通过获取地图信息，将快速路匝道口及路线目的地信息在LED显示屏上发布，通过对交通事故、道路拥堵的检测，若检测到该路段发生交通事故，则将该路段后方所有灯杆组LED显示屏实时发布前方道路堵塞信息，通过引导性显示，引导车辆选择合适的匝道口离开；

智慧节能灯杆组具体为，设灯杆组内灯杆杆间距为 l、相邻灯杆组之间的组间距为 l，灯杆组内包括灯杆数n，则长为L的直线路段包括的灯杆数N＝L/l+1，灯杆组数G＝L/nl；

为提高信息的传输和处理速度，提高系统运行的实时性，采用搭载5G模块，利用其大带宽、低时延特性提高传输速度，采用循环神经网络(RNN)算法，结合长短期记忆神经网络(LSTM)算法进行优化；

所述步骤S2中所述RNN‑LSTM算法模块具体包括以下步骤：

S31.RNN‑LSTM算法模块接收到经过分割的预处理图像信息后将样本图像输入至已训练完成的神经网络系统作为网络结构的输入项x，在时间节点l‑T中，该时间节点的样本图像即为输入层的输入项xt；在t时间序列节点，隐藏层对应的隐藏状态ht可由上一节点的隐藏状态ht‑1、当前节点的输入项xt、长期记忆知识元Ct‑1，以及权重矩阵U、W、X计算得到，即对输入项、长期记忆知识元及上一节点隐藏状态施加权重矩阵：Uxt+WCt‑1+Xht‑1，得到短期记忆遗忘元St，随后对输入项、短期记忆遗忘元和上一节点隐藏状态施加权重矩阵：Uxt+WSt+Xht‑1，得到长期记忆知识元Ct并将其存储，随后对输入项、长期记忆知识元及上一节点隐藏状态施加权重矩阵：Uxt+WCt+Xht‑1，并利用激活函数激活得到隐藏状态ht；

同理此节点的输出项由该节点的隐藏状态ht及权重矩阵V、激活函数g计算得到：

ot＝g(Vht)

由此可得出各个序列节点的预测输出值ot，结合损失函数Et得到序列节点的实际输出yt，判断是否为车辆经过，并跟踪所识别出的车辆；

S32.通过反向传播方法计算各节点的损失项，设第m层在t时刻的损失项为 将其沿层和时间线分别传播到输入层和隐藏层的上一层、上一时刻，以及长期记忆知识元的本层，得到 和 设nt为系统在t时间序列节点处的加权输入，即：nt＝Uxt+WCt+Xht‑1

ht＝nt

通过将 项分解为 计算损失项α反向传播的规律得到任意时刻k的损失项

其中diag[x]的作用为根据x向量建立一个对角矩阵；

S33.计算损失函数E对各权重矩阵U、W、X、V的梯度；

损失函数E对权重矩阵U的梯度，通过将t时刻的损失项 与输入项xt相乘，在时间序列上重复操作并求和既得权重矩阵U的梯度同理损失函数E对权重矩阵W的梯度通过将t时刻的损失项 与本时刻的长期记忆知识元Ct相乘，在时间序列上重复操作并求和既得权重矩阵W的梯度同理损失函数E对权重矩阵X的梯度通过将t时刻的损失项 与上一时刻的隐藏项ht‑1相乘，在时间序列上重复操作并求和既得权重矩阵X的梯度 损失函数E对权重矩阵V的梯度：梯度的公式均为求和，很可能由于序列长度而产生梯度消失或梯度爆炸的问题；

所述步骤S33中所述RNN‑LSTM算法由于数据信息的长短可能会出现的梯度消失或梯度爆炸的问题，本方法采用GRU网络结构对RNN‑LSTM算法进行改良，具体包括以下步骤：S431.在RNN‑LSTM原有的基础上，GRU保留了双输入双输出的结构，增加了“更新门”、“重置门”两个内部门结构；通过上一序列节点传输获得的隐藏状态ht‑1及当前节点的输入项xt及权重矩阵Q、激活函数β获得门控信号N、S，其中N控制更新门(renewgate)，S控制重置门(resetgate)；N、S数值属于(0，1)范围；

S432.通过获得的“重置门”门控信号S，对数据进行“重置”：

h′t‑1＝ht‑1*S

将得到的重置后的隐藏状态h′t‑1与当前节点的输入项xt结合，通过函数th将数值控制在(‑1，1)区间内获得h′t：利用获得的“更新门”门控信号N与h′t对该节点的ht进行“更新”，通过N的值来控制上一节点对该节点的影响，N数值属于(0，1)范围，数值越接近于0影响越小：ht＝N(ht‑1‑h′t)+h′t。

2.根据权利要求1所述一种基于循环神经网络算法的智慧节能灯杆组控制方法，其特征在于，所述步骤S31中的RNN‑LSTM算法可通过时间并行计算减少计算复杂度，提升计算效率；具体步骤如下：S51.对上一节点的隐藏状态ht‑1和当前节点的输入项xt施加权重矩阵：Uxt+Xht‑1，直接并行求解得到遗忘门中间变量it、输入门中间变量ft和zt、输出门中间变量ot；

S52.对并行计算得到的遗忘门中间变量it和长期记忆知识元Ct‑1施加权重矩阵：it+WCt‑1，得到短期记忆遗忘元St；同时将输入门中间变量ft和zt加合为和长期记忆知识元中间变量c′t；

S53.对短期记忆遗忘元St和长期记忆知识元中间变量c′t施加权重矩阵：c′t+WSt，得到长期记忆知识元Ct并将其存储，随后对输出门中间变量ot、长期记忆知识元Ct施加权重矩阵：ot+WCt，并利用激活函数激活得到隐藏状态ht；后续激活函数步骤与所述步骤S31中相同。

3.根据权利要求1所述一种基于循环神经网络算法的智慧节能灯杆组控制方法，其特征在于，所述步骤S3中识别计算车辆速度的具体方法是将视频中识别出的车辆以其车灯为基点，对其通过指定的两个虚拟截面所用时间计算车辆在该路段的平均速度，等效为车辆在此处的瞬时速度。