1.一种基于聚类与进化深度学习的交通流预测方法，其特征在于，包括以下步骤：(1)预先获取指定路口的多个断面的交通流数据，并将采集后的数据进行预处理；

(2)采用改进的聚类算法进行聚类，获得粗略的数据标签，使用分类算法计算准确率，通过不断迭代，结合找到准确率和聚类的内部标准来判断下聚类类别数量，进而将交通流数据划分；

(3)采用欧拉特征提取方法从交通流数据中提取出有关时间序列的振幅、相位和频率特征信息，用来表示和描述交通流的动态变化和特征；

(4)采用Tent混沌映射、非线性惯性权重因子和领导者策略对EDO算法进行改进，得到IEDO算法；

(5)利用IEDO算法优化CLformer模型的参数，把提取有效的交通流数据送入CLformer模型中进行训练，基于训练优化后的CLformer模型预测交通流。

2.根据权利要求1所述的一种基于聚类与进化深度学习的交通流预测方法，其特征在于，所述步骤(1)实现过程如下：对原始数据使用拉格朗日插值法填充缺失值，将异常的数据剔除；把处理过的数据分为两部分，即70％训练集，30％测试集，其中，训练集用于模型构建，测试集用于模型验证。

3.根据权利要求1所述的一种基于聚类与进化深度学习的交通流预测方法，其特征在于，所述步骤(2)所述改进的聚类算法为：运用聚类算法结合K近邻算法，来判定最佳聚类数，在确定聚类的最佳聚类之后，将最佳聚类得到的结果进行分类：首先输入聚类得到的带有聚类标签交通流数据，接着计算每个日期流量序列之间的距离，然后根据交通流的现实特点，设定阈值，并找到距离测试数据最近的数据，找到最多的分类标签，将其作为测试数据的分类标签；在得到的分类标签中，找到该日期及对应的分类标签。

4.根据权利要求1所述的一种基于聚类与进化深度学习的交通流预测方法，其特征在于，步骤(2)所述交通流数据划分为畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个类别。

5.根据权利要求1所述的一种基于聚类与进化深度学习的交通流预测方法，其特征在于，所述步骤(3)实现过程如下：对于给定交通流的时间序列X＝{x1,x2,……xn}，将其所有的值压缩在区间[‑1,1]内；

其中，xi为交通流的原时间序列， 为压缩后交通流的时间序列；

压缩值被编码为角余弦：

结合角余弦，交通流的原始时间序列和压缩后交通流的时间序列，得到两个欧拉提取公式：对于FirstEuler，将其变形为三个不同的FirstEuler，即A‑FirstEuler，B‑FirstEuler和C‑FirstEuler；

其中，A‑FirstEuler表示的是A类型FirstEuler欧拉提取公式；B‑FirstEuler表示的是B类型FirstEuler欧拉提取公式；C‑FirstEuler表示的是C类型FirstEuler欧拉提取公式。

6.根据权利要求1所述的一种基于聚类与进化深度学习的交通流预测方法，其特征在于，所述步骤(4)实现过程如下：在初始化阶段，用一组以高度分散的值为特征的N个随机生成的解来初始化总体Xwinners：Xwinnersi,j＝lb+rand.(ub‑lb)

其中，Xwinners为交通流预测时应用进化算法个体集合，N代表种群中初始个体解的数量，lb,ub为寻优的上下边界，rand为(0,1)之间的随机数；

开发阶段使用指数分布模型的几个特征，引导解Xguide被定义为交通流中排序种群的前三个最佳解的平均值：其中， 代表交通流中种群迭代时获得的导向解；time代表交通流中种群迭代次数；

基于开发性优化模型来更新当前服从指数分布的新解决方案，该解决方案依赖于两种类型的解决方案：赢家和输家；为了更新新的解决方案 假设：

10

a＝(f)

5

b＝(f)

f＝2×rand‑1

其中， 代表的是第i个车辆个体的记忆矩阵，rand是[0,1]中均匀生成的2

随机数，a,b是自适应参数，σ代表指数方差；f是[‑1,1]中生成的随机数；

探索阶段识别搜索空间中被认为具有全局最优解的有希望的区域，EDO勘探阶段的优化模型是使用服从指数分布的原始种群中的两个赢家建立的，新的解决方案将使用以下公式进行更新：time

其中，M 代表的是在交通流原始总体中得到的所有解的平均值；c代表的是一个调整后的自适应参数；Z1和Z2都代表是含有交通流数据信息的向量；

使用Tent混沌映射使指数分布个体尽可能均匀的分布在寻优范围内，Tent混沌的表达式如下：用Tent混沌策略对EDO算法种群初始化进行改进，表示式如下：使用非线性惯性权重因子ω用于调整指数分布位置更新与当前指数分布位置信息的相关度，非线性惯性权重因子ω的计算方式如下：在算法迭代初期，ω的值较小，寻优个体位置的更新受到当前指数分布位置的影响较小，有利于算法在更大的范围内进行搜索，提高算法的全局开发能力；随着寻优过程的推进，ω的值逐渐增大，寻优个体位置的更新受到当前指数分布位置的影响变大，缩小算法的寻优范围，有助于算法搜索最优解；

为平衡EDO算法的全局搜索和局部寻优能力，运用樽海鞘群算法的领导者策略更新个体位置：其中， 表示车辆个体在t维的位置；Ft表示交通流数据在t维的位置；ub表示寻优范围的上限值；lb表示寻优范围的下限值；k2，k3均为[0,1]内的随机数，k2用于调整步长，k3用于规定交通流数据在第j维下一个位置的方向，k1用于协调算法的局部和全局寻优能力；

在EDO勘探阶段中引入非线性惯性权重因子，改进后的指数分布位置更新公式如下：其中，Pj表示交通流数据在第j维的位置，Fp，Fi表示交通流数据的目标函数值。

7.根据权利要求1所述的一种基于聚类与进化深度学习的交通流预测方法，其特征在于，步骤(5)所述CLformer模型引入基于扩展卷积的时间卷积块作为CLformer的内置块，并采用局部分组自相关取代自耦器中的编码器‑解码器的自相关。

8.根据权利要求1所述的一种基于聚类与进化深度学习的交通流预测方法，其特征在于，所述步骤(5)实现过程如下：采用IEDO算法对CLformer模型最优超参数进行寻找，随着不断迭代，IEDO算法中出现适应度值很高的个体即超参数的最优值；聚类和欧拉特征提取后的交通流数据是CLformer的输入，然后经过IEDO算法寻找的最优超参数来优化模型对交通流的预测精度；

IEDO算法对CLformer模型寻优是对模型中的权重这一参数进行调整；在时间卷积块中使用不同权重来针对模型中延迟序列中的所有点，卷积核为不同的时间步长分配不同的权重，允许模型捕获序列的局部时间动态；

L*m L*D

编码器输入的交通流时间序列Xen∈R 通过嵌入层变换为Xen∈R ；其中，Xen代表的是L*m L*D交通流时间序列构成的矩阵；R 代表的是L行m列的交通流实数集；R 代表的是L行D列的交通流实数集；

把Xen作为编码器的输入，即将 其送入编码器层，编码器的输出是其中， 代表的是交通流预测中编码时初始时间步的数据集； 代表的是N个时间步与交通流相关的实数数据集；

在译码器中，输入含有季节性组件 和趋势周期分量 其

中，O是预测地平线的位置； 代表的是交通流预测中季节性组件译码时初始时间步的数据集； 代表的是交通流预测中趋势周期分量译码时初始时间步的数据集； 和 中长度为 的部分分别是对编码器输入 后半部分进行分解得到的周期分量和趋势分量；将和 中长度为O的部分初始化为0，将 的平均值初始化为0；通过嵌入层将 转化为其中D为隐藏状态的维数；随着种群的进化，最终找到全局最优解，即是最优超参数。