1.一种基于PSO‑LSTM神经网络的交通信号相位自适应调整方法，其特征在于，其包括如下步骤：S1：在灯控路口处安装数据采集设备，用于采集路口各个交通信号的不同相位 t 对应的各个车道上的等待车辆数 ；将其作为第一特征数据；

其中， 表示 t 相位行驶方向 所处车道 对应的等待车辆数，且满足：， ；

S2：记录灯控路口每个交通信号的相位 t 对应的工作日期day、天气weather和时段time的信息；将其作为第二特征数据；

S3：利用同步采集到的相互关联的第一特征数据和第二特征数据生成对应的交通特征T时间序列X：X=(x1，x2，…，xt) ，

其中，xt表示 t 相位的交通特征向量；

；

上式中，T表示序列或向量的长度；

S4：构建一个利用PSO算法优化超参数的LSTM神经网络，将其作为交通预测网络；所述交通预测网络用于根据历史周期内的交通特征时间序列预测下一相位对应的各个车道等待车辆数；

S5：将采集到交通特征时间序列X的历史数据作为样本数据，用于训练所述交通预测网络；保存满足训练目标的网络模型的参数；

S6：利用经过训练的所述交通预测网络对实时采集到的交通特征时间序列进行分析和预测，并根据预测结果做出如下决策：S61：预测得到下一相位t+1行驶方向 所处车道 的等待车辆数 ；

S62：结合多相位交叉路口中各个车道的设计通行能力 ，通过下式计算各个车道的交通流量比 ：；

S63：根据当前路口完整通行周期内各个相位上的交通流量比，计算总交通流量比Qt+1；

S64：预设启动损失时间Ls，黄灯时间A，绿灯间隔时间It+1，并计算信号周期损失时间Lt+1，最佳信号周期Tt+1和总有效绿灯时间 ；

S65：通过下式计算出当前路口各相位上的有效绿灯时间 ：；

并根据有效绿灯时间对路口各向上的交通信号灯时长进行自适应调整。

2.如权利要求1所述的基于PSO‑LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S1中，所述数据采集设备采用部署在灯控路口停止线到车流来向上的指定区间内的摄像头组；所述摄像头组拍摄下方道路的图像，并经AI识别算法识别出道路上停留的等待车辆。

3.如权利要求2所述的基于PSO‑LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S2中，所述第二特征数据的数据格式如下：当 ，则表示相位t属于第m个工作日， ；

当 ，则表示相位 t  处于第 j 种天气状况下， ；N表示天气状况的类型数量；

当 ，则表示相位t属于第o类时段， ；O表示时段的类型数量。

4.如权利要求1所述的基于PSO‑LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S4中，基于LSTM神经网络构建的所述交通预测网络包括：输入单元、输入门、遗忘门、输出门、记忆单元、隐藏单元和输出单元；

所述输入单元的原始输入即为 t 相位的交通特征向量 ；所述记忆单元用于更新输入门和遗忘门的连接权重；所述隐藏单元用于更新输出门和记忆单元连接权重；所述输出单元的输出yt即对应相位t+1行驶方向 所处车道 等待车辆数 的预测结果：，上式中，wyh表示输出单元与隐藏单元连接的权重矩阵；ht表示隐藏单元的输出；by表示记忆单元对应的偏置向量。

5.如权利要求4所述的基于PSO‑LSTM神经网络的交通信号相位自适应调整方法，其特征在于：所述输入门、遗忘门和输出门的传递函数 分别如下：；

上式中，it、ft、ot分别为输入门、遗忘门和输出门的输出；ht‑1表示隐藏单元的输入；ct‑1表示记忆单元的输入；wix、wih和wic分别表示输入门与输入单元，输入门与记忆单元，以及输入门与输出单元连接的权重矩阵；bi表示输入门对应的偏置向量；wfx、wfh和wfc分别表示遗忘门与输入单元，遗忘门与记忆单元，以及遗忘门与输出单元连接的权重矩阵；bf表示遗忘门对应的偏置向量；wox、woh和woc分别表示输出门与输入单元，输出门与记忆单元以及输出门与输出单元连接的权重矩阵；bo表示遗忘门对应的偏置向量。

6.如权利要求5所述的基于PSO‑LSTM神经网络的交通信号相位自适应调整方法，其特征在 于：步骤 S4中 ，P SO 算法 用于优 化L ST M神经 网络 的超 参数 ：；其中，hnum表示隐藏单元神经元数量； 表示初始学习率；

emax表示最大周期； 表示学习率下降因子； 表示学习率下降周期；

PSO算法对所述LSTM神经网络的超参数的迭代寻优过程如下：步骤一、初始化PSO参数，包括：粒子维度J，粒子群规模K，迭代次数L，学习因子 和 ，惯性权值 ，以及粒子的速度 与位置 ；

步骤二、通过如下的适应度函数计算粒子群中各粒子的适应度值 ，根据粒子的适应度计算个体历史最优适应值 和群体历史最优适应值 ；

；

上式中，T取值为样本数据中交通特征时间序列的长度； 表示等待车辆数的预测值，表示等待车辆数的真实值；

步骤三、采用下式更新粒子的速度与位置：

；

上式中， 和 分别表示第k轮更新前的粒子的速度和位置； 和分别表示更新后第k+1轮的粒子的速度和位置；其中，下标 i  对应粒子序号，j 表示解的维度；r1和 r2分别预设的用于增加搜索随机性的参数，且满足： ；

步骤四、循环执行前述步骤一到步骤三，不断更新迭代直至达到最大迭代次数，完成LSTM神经网络的超参数优化，得到优化后的超参数 ： ，并用于改善所述LSTM神经网络。

7.如权利要求1所述的基于PSO‑LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S63中，在两道路相交的十字路口中，单一同行周期包括四个相位；总交通流量比 的计算公式如下：；

上式中， 、 、 和 分别表示第一相位、第二相位、第三相位和第四相位的交通流量比。

8.如权利要求1所述的基于PSO‑LSTM神经网络的交通信号相位自适应调整方法，其特征在于：步骤S5中，所述交通预测网络训练阶段采用的损失函数loss为：；

上式中， 取值为训练阶段采用的交通特征时间序列的长度； 表示等待车辆数的预测值， 表示等待车辆数的真实值。

9.一种基于PSO‑LSTM神经网络的交通信号相位自适应调整系统，其特征在于：其采用如权利要求1‑8中任意一项所述的基于PSO‑LSTM神经网络的交通信号相位自适应调整方法，根据实时采集到的交通特征时间序列的数据，预测当前路口各相位未来的等待车辆数，并对各相位的绿灯时长进行自适应调整；

所述基于PSO‑LSTM神经网络的交通信号相位自适应调整系统包括：滞留信息获取单元，其用于获取交叉路口的各个相位中每条车道上的等待车辆数；

关联因子获取单元，其用于实时获取每个交通信号的相位t对应的工作日期、天气、时段的信息；

交通特征时间序列生成单元，其用于按照预设的数据格式，将关联的等待车辆数和工作日期、天气、时段的信息整合为一个对应的交通特征向量，并按照时间顺序生成对应的交通特征时间序列；

交通预测网络，其由利用PSO算法进行超参数优化的LSTM神经网络训练而成，所述LSTM神经网络采用所述交通特征时间序列的历史数据进行训练；所述交通预测网络用于根据历史周期内的交通特征时间序列预测下一相位对应的各个车道等待车辆数；以及灯时调整模块，其用于根据多相位交叉路口中各个车道的设计通行能力和预测出的下一相位各个车道上的等待车辆数，先计算出各个车道上的交通流量比，再计算各个相位的交通流量比和总交通流量比；接着根据预设的启动损失时间，黄灯时间和绿灯间隔时间，计算信号周期损失时间、最佳信号周期和总有效绿灯时间；最后根据有效绿灯时间、总交通流量比，以及各相位和车道的等待车辆数，计算出当前路口各相位上的有效绿灯时间；并根据有效绿灯时间对交叉路口各方向上的信号灯时长进行自适应调整。

10.一种基于PSO‑LSTM神经网络的交通信号相位自适应调整设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时，执行如权利要求1‑8中任意一项所述的基于PSO‑LSTM神经网络的交通信号相位自适应调整方法的步骤；进而实现根据实时采集的交通特征时间序列对路口的等待车辆数进行预测，并根据等待车辆数的预测结果适应性调整路口各方向上的信号灯时长。