1.基于人工智能的车流量预测方法，其特征在于，该方法包括以下步骤：

采集各时刻的交通流量相关数据，包括道路的车流量、汽车行驶密度和各车道的车辆通行指数，以及各车辆之间的车间距、各车辆到前方路口的距离和各车辆的车身长度；其中车流量为固定时间段内经过的车辆数，汽车行驶密度为道路中车辆的平均间距，各车道的车辆通行指数为固定时间段内各车道经过的车辆数；

根据车辆之间的车间距、各车辆到前方路口的距离及各车辆的车身长度得到各时刻各辆车的司机变道意向指数；根据司机变道意向指数及车辆通行指数得到各时刻的车流变道阻塞指数；根据车流变道阻塞指数与车流量之间的相关性得到历史车流量序列及第一车流变道阻塞指数修改序列；根据历史车流量序列及第一车流变道阻塞指数修改序列得到各初始样本序列及对应的标签序列；根据历史车流量序列的自相关性得到历史车流量序列的周期；根据历史车流量序列的周期、初始样本序列及对应的标签序列得到各修正样本序列及对应的标签序列；根据各修正样本序列及对应的标签序列对长短时记忆网络模型进行模型训练得到训练好的LSTM模型；

根据车流量数据及训练好的LSTM模型进行车流量预测；

所述根据车辆之间的车间距、各车辆到前方路口的距离及各车辆的车身长度得到各时刻各辆车的司机变道意向指数，表达式为：其中， 表示道路上第t个时刻中第i辆车的司机变道意向指数； 表示道路上第t个时刻中第i辆车到前方路口的距离； 表示取二者的最大值； 表示道路上第t个时刻中第i辆车左侧车道中最临近的车间距； 表示道路上第t个时刻中第i辆车右侧车道中最临近的车间距； 表示道路上第t个时刻中第i辆车的车身长度；

表示道路上第t个时刻中第i辆车与当前车道中前一辆车之间的车间距；

所述根据司机变道意向指数及车辆通行指数得到各时刻的车流变道阻塞指数，具体包括：

获取各时刻各车辆与同车道前一车辆之间的车间距；计算各时刻所有车辆的所述车间距的平均值；计算各时刻各车辆所在车道与对应左边车道的汽车通行指数之间的差值绝对值，记为第一差值绝对值；计算各时刻各车辆所在车道与对应右边车道的汽车通行指数之间的差值绝对值，记为第二差值绝对值；获取第一差值绝对值与第二差值绝对值之间的最大值；计算所述最大值与各时刻各车辆的司机变道意向指数的乘积；计算各时刻所有车辆的所述乘积的和值；将所述和值与所述平均值的乘积作为各时刻的车流变道阻塞指数；

所述根据车流变道阻塞指数与车流量之间的相关性得到历史车流量序列及第一车流变道阻塞指数修改序列，具体为：将所有时刻的车流量组成的序列作为历史车流量序列；将所有时刻的车流变道阻塞指数组成的序列作为车流变道阻塞指数序列；计算不同移动步长下各时刻车流变道阻塞指数的修改值的表达式为：其中， 表示移动步长为g时第t时刻车流变道阻塞指数的修改值； 表示

车流变道阻塞指数序列B中第 时刻的值；

将移动步长为g时所有时刻的车流变道阻塞指数的修改值组成的序列作为移动步长为g时的车流变道阻塞指数修改序列；

计算各移动步长的车流变道阻塞指数修改序列与历史车流量序列之间的皮尔逊相关系数；将皮尔逊相关系数最大值对应的移动步长作为第一移动步长；将第一移动步长下的车流变道阻塞指数修改序列记为第一车流变道阻塞指数修改序列。

2.如权利要求1所述的基于人工智能的车流量预测方法，其特征在于，所述根据历史车流量序列及第一车流变道阻塞指数修改序列得到各初始样本序列及对应的标签序列，具体为：将历史车流量序列中第t个时刻的车流量与第一车流变道阻塞指数修改序列第t个时刻的车流变道阻塞指数组成的矩阵作为第t个时刻的矩阵数据；将第t个到第 个时刻的矩阵数据组成的序列作为第t个初始样本序列；将第 个到第 个时刻的车流量数据组成的序列作为第t个初始样本序列对应的标签序列。

3.如权利要求1所述的基于人工智能的车流量预测方法，其特征在于，所述根据历史车流量序列的自相关性得到历史车流量序列的周期，具体为：通过STL时间序列分解算法对历史车流量序列进行分解得到季节项序列，记为第一季节项序列；

通过自相关函数AFC获取不同滞后阶数下的季节项序列的滞后序列，以及得到不同滞后阶数下的季节项序列的滞后序列与第一季节项序列之间的相关性；将相关性最大值对应的滞后阶数作为历史车流量序列的周期。

4.如权利要求1所述的基于人工智能的车流量预测方法，其特征在于，所述根据历史车流量序列的周期、初始样本序列及对应的标签序列得到各修正样本序列及对应的标签序列，具体包括：获取第t个初始样本序列中第k个时刻与第t个初始样本序列的标签序列中第一个时刻之间的时间间隔；计算所述时间间隔对历史车流量序列周期进行取余操作的计算结果；计算以自然常数为底数、以所述计算结果为指数的指数函数的计算结果；将所述指数函数的计算结果的相反数作为第t个初始样本序列中第k个时刻的矩阵数据中车流量的权重系数；

将各矩阵数据中车流量与对应的权重系数相乘后的矩阵数据作为各新矩阵数据；将各初始样本序列中所有时刻的新矩阵数据组成的序列作为各修正样本序列；将各初始样本序列的标签序列作为各修正样本序列的标签序列。

5.如权利要求1所述的基于人工智能的车流量预测方法，其特征在于，所述根据各修正样本序列及对应的标签序列对长短时记忆网络模型进行模型训练得到训练好的LSTM模型，具体为：将所有修正样本序列及对应的标签序列进行训练集、验证集和测试集划分；将训练集、验证集和测试集输入长短时记忆网络模型进行模型训练，得到训练好的LSTM模型。

6.如权利要求1所述的基于人工智能的车流量预测方法，其特征在于，所述根据车流量数据及训练好的LSTM模型进行车流量预测，具体为：通过修正样本序列的获取方式，获取当前时刻前m个时刻的数据对应的修正样本序列，记为最新修正样本序列；将最新修正样本序列输入训练好的LSTM模型进行车流量预测，LSTM模型的输出为未来v个时刻的车流量的预测值。

7.基于人工智能的车流量预测系统，包括存储器、处理器以及存储在所述存储器中并在所述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实现如权利要求1‑6任意一项方法的步骤。