1.一种城市交通优化系统，其特征在于：包括传感器综合模块（100）、摄像头监控模块（200）和比对与优化模块（300），其中：

所述传感器综合模块（100）利用多种传感器收集车辆交通传感数据，并利用决策树算法模型对车辆交通传感数据进行车辆数量的预测；所述摄像头监控模块（200）利用摄像头收集车辆交通图片数据，并利用YOLO神经网络模型对车辆交通图片数据进行车辆数量的预测；

所述比对与优化模块（300）收集交通流量管理所规定的车辆数量阈值范围，并接受传感器综合模块（100）和摄像头监控模块（200）预测的车辆数量，进行求和平均，将求和平均的结果与阈值范围进行比较，求和平均的结果未超过阈值时，确定求和平均的结果为最终结果；

求和平均的结果超过阈值时，对传感器综合模块（100）中的决策树算法进行剪枝优化处理，对摄像头监控模块（200）进行图像数据增强的优化处理，将优化后的预测结果进行再次的求和平均，多次迭代，直到求和平均结果未超过阈值为止；

所述传感器综合模块（100）包括传感器数据获取单元（101）和传感器数据分析单元（102）；

所述传感器数据分析单元（102）利用决策树算法根据车辆交通传感数据进行车辆数量的预测，具体包括：

决策树从根节点开始，通过计算各个特征对于损失函数的信息增益，其中信息增益是指用来评价一个属性对样本集分类能力的指标，选择最佳的分裂特征和分裂点，分裂点是该特征的一个值，它将数据集分成两个子集；根据这个分裂特征和分裂点，当前的节点被分裂成两个子节点，每个子节点只包含满足特征值大于和小于分裂点的数据；对于每个子节点，重复计算特征对于损失函数的贡献，选择最佳分裂特征和点来生长树，直到满足停止条件，停止条件包括节点内没有再产生进一步信息增益的特征可用来分裂；当满足停止条件时，递归生长过程结束，这时候的节点被确定为叶节点，代表着最终的预测结果；

所述摄像头监控模块（200）包括图像获取单元（201）和图像分析单元（202），所述图像分析单元（202）利用YOLO神经网络算法对图像数据进行车辆数量的预测，具体包括：YOLO网络在训练过程中将图像分割为SxS的网格，每个网格单元负责预测包含在该网格中的物体；对于每个网格单元，YOLO会预测B个边界框以及这些边界框内包含物体的类别概率，B表示每个网格单元预测的边界框的数量，边界框由坐标表示；在训练过程中，YOLO用损失函数来衡量预测边界框和实际边界框之间的差异，损失函数结合了边界框坐标的误差、置信度误差和分类误差，并通过梯度下降方法对网络权重进行优化，更新网络训练参数；

将要进行车辆检测的图像输入已经完成训练的YOLO神经网络模型中；YOLO网络对图像进行前向传播计算，YOLO检测图像中的车辆，并为每个检测到的车辆预测边界框和置信度，边界框包括框的位置以及每个边界框中包含车辆的置信度；应用非最大抑制算法处理重叠的边界框，确保每辆车只被计数一次；对经过筛选和应用非最大抑制算法处理的检测结果进行计数，得到图像中车辆的总数；

所述比对与优化模块（300）包括结果比对单元（301）和方法优化单元（302），所述方法优化单元（302）将对传感器数据分析单元（102）和图像分析单元（202）中的方法进行优化处理，具体包括：对于传感器数据分析单元（102），关于每个叶节点，分别计算剪枝前后在测试集上的准确率的变化，其中准确率为计算出模型预测的标签数组与测试集的标签数组之间准确预测的样本数目，并将准确预测的样本数目除以测试集的样本数目乘以百分比得到；剪枝后性能没有下降时，将该叶节点剪枝成为一个叶节点的父节点，并将该节点预测为在测试集上频率最高的类别，否则，判断下一个叶节点剪枝后的性能；逐步向上剪枝，直到所有叶节点剪枝后的性能导致准确率＜百分之90时为止；

对于图像分析单元（202），将对其中的历史数据进行数据增强处理，对图像进行随机角度和固定角度的旋转变换，模拟真实场景中车辆不同朝向的情况；将图像进行水平或垂直方向的镜像翻转，使模型学习到车辆在不同方向上的外观特征，增加了数据在空间上的多样性；对图像进行随机和固定比例的缩放变换，模拟不同距离下车辆的大小变化；对图像进行随机和固定位置的裁剪，模拟部分车辆被遮挡或截断的情况；向图像中加入随机的噪声，提高模型对噪声干扰的鲁棒性，使模型更能应对现实中的噪声情况；对图像的色彩通道进行调整，增加模型对不同光照条件下的适应能力。

2.根据权利要求1所述的城市交通优化系统，其特征在于：所述传感器数据获取单元（101）利用多种传感器收集车辆交通传感数据，并将收集的车辆交通传感数据发送给传感器数据分析单元（102）；所述传感器数据分析单元（102）利用决策树算法根据车辆交通传感数据进行车辆数量的预测，并将预测的结果发送给比对与优化模块（300）。

3.根据权利要求2所述的城市交通优化系统，其特征在于：所述图像获取单元（201）利用高分辨率和高帧率的摄像头收集车辆交通图片数据，并将图片数据发送给图像分析单元（202）；所述图像分析单元（202）对图像数据进行预处理，并利用YOLO神经网络算法对图像数据进行车辆数量的预测，并将预测的结果发送给比对与优化模块（300）。

4.根据权利要求3所述的城市交通优化系统，其特征在于：所述比对与优化模块（300）包括结果比对单元（301）和方法优化单元（302），所述结果比对单元（301）通过当地的交通规划标准所获取车辆数量阈值大小，并将传感器数据分析单元（102）和图像分析单元（202）预测的车辆数量结果进行求和平均，求和平均结果未超过阈值，将求和平均结果确定为最终的结果；求和平均的结果超过阈值，所述方法优化单元（302）将对传感器数据分析单元（102）和图像分析单元（202）中的方法进行优化处理。

5.根据权利要求2所述的城市交通优化系统，其特征在于：所述传感器数据获取单元（101）利用多种传感器收集车辆交通传感数据，具体包括：

地感应线圈传感器：地感应线圈是埋设在道路表面下的线圈，当车辆靠近传感器时，车辆的金属部分会改变线圈的电感，引起线圈中感应电流的变化，检测到车辆的存在，能够准确地检测车辆的存在和移动，监测交通流量；

红外传感器：红外传感器利用红外线来检测物体的存在和移动，当车辆进入红外传感器范围时，传感器会检测到被动红外辐射或主动红外辐射，确定车辆的位置和速度；

雷达传感器：雷达传感器利用电磁波来探测周围物体的位置和运动，当雷达传感器发射电磁波，接收波的回弹，根据回弹的时间和强度来确定车辆的存在和移动，适用于不同天气条件下的长距离监测；

超声波传感器：超声波传感器利用超声波的回声来检测物体的位置和运动，超声波传感器发出声波并接收回声时，根据回声的时间和强度来确定车辆的存在和移动，适用于对距离和位置精度要求较高的场景。