1.一种智能化交通流量实时预测方法，其特征在于，包括以下步骤：步骤一：获取在线监测得到历史交通流量数据，对数据进行预处理；

步骤二：构建基于并行卷积层‑长短时记忆层并结合多头注意力机制的混合特征网络模型框架，设置待寻优超参数及寻优范围；

步骤三：基于鲨鱼和金枪鱼联盟优化算法和历史交通流量数据，优化混合特征网络模型的超参数；

所述鲨鱼和金枪鱼联盟优化算法，包含以下四个阶段：（一）种群初始化：

0 0

1、生成初始种群：随机生成初始种群Mi ，其中每个个体Mi 的位置由以下公式确定：0

Mi =lb+(ub‑lb)×rand(1,dim)0

其中Mi 代表第i个个体的位置，i代表个体的序号，i=1,2,…,N，N为种群规模，上标代表迭代次数，其中0代表初始化阶段；lb和ub分别为搜索空间的下限及上限，dim为待优化问题的维度，rand(1,dim)生成一个1×dim的随机向量，其元素取值范围为[0,1]；

2、计算初始适应度值：

0

计算每个个体的适应度值fitness(i)，fitness(i)=fobj(Mi)，其中fobj()为适应度函数；记录历史最优解位置best_M和历史最优适应度值best_cost，并将适应度最优的个体标记为鲨鱼个体，其他个体标记为金枪鱼个体；

（二）鲨鱼个体更新：

鲨鱼个体通过莱维飞行和随机扰动进行全局搜索：iter+1 iter iter

xshark =xshark +α×levy(β,dim)+γ×(best_M‑xshark )+0.1×randn(1,dim)iter其中xshark 是鲨鱼个体的位置，iter为当前迭代次数，levy(β,dim)是莱维飞行函数，randn(1,dim)生成一个1×dim的矩阵，元素服从标准正态分布，参数α、β和γ 计算公式为：α=0.1×(1‑iter/T)

β=1.5×(1‑iter/T)

γ =1‑0.5×(1‑iter/T)

其中，T为最大迭代次数；

（三）金枪鱼个体更新：

金枪鱼个体更新步骤为：1、对每个金枪鱼个体i，生时一个0~1间的随机数Ri；2、根据Ri值选择是直接更新还是镜像更新：当Ri≥0.5，该金枪鱼为直接更新，直接更新方式为：iter+1 iter iter iterMi =Mi +C1×rand(1,dim)×(xshark ‑Mi );其中C1为直接更新系数；

当Ri＜0.5，该金枪鱼为镜像更新，分为3个步骤：iter

步骤一：生成镜像个体xmirror,i ：iter iter iter

xmirror,i =2×xshark ‑ Mi +0.1×randn(1,dim)步骤二：判断镜像个体在各维度是否超出搜索空间边界，若在第j个维度超出边界，则对该维度位置进行修正：iter iter iter

xmirror,i,j =ubj‑Ri×(ubj ‑xshark,j ) if xmirror,i,j >ubjiter iter iter

xmirror,i,j =lbj+Ri×(xshark,j ‑ lbj) if xmirror,i,j

其中xmirror,i,j 为第i个个体在第j个维度的修正镜像位置，xshark,j 代表鲨鱼个体在第j个维度的值；j=1,2,…,dim; ubj和lbj分别代表在第j个维度的搜索上限及下限；

步骤三：根据镜像个体的位置，更新金枪鱼个体位置：iter+1 iter iter iterMi =xmirror,i +C2×rand(1,dim)×(xshark ‑xmirror,i );其中C2为镜像更新系数；

（四）适应度更新与迭代终止：

1、重新计算所有个体最新位置的适应度值，更新best_M和best_cost；

2、判断是否达到迭代终止条件，若满足迭代终止条件，则输出best_M和best_cost值，计算终止；若不满足终止条件，则将该次迭代下适应度值最优个体更新为鲨鱼个体，其余个体定义为金枪鱼个体，重复计算阶段（二）阶段（四）;~

步骤四：基于优化的超参数和历史交通流量数据，构建并训练得到混合特征网络模型；

步骤五：设置移动平均误差窗口大小W1、动态更新启动误差E和动态更新窗口大小W2；

每获取最新监测数据，计算最近的W1个预测值的平均值，即移动平均误差P，若P大于E，则提取最新的W2个监测数据对混合特征网络进行实时训练和微调，实现混合特征网络的实时动态更新；

步骤六：根据最新的混合特征网络对下一时间段的交通流量进行预测。

2.如权利要求1所述的一种智能化交通流量实时预测方法，其特征在于，步骤一中，所述历史交通流量数据，包括日期、时间、星期几、是否为节假日、车流量数据；所述对数据进行预处理，包括使用移动平均法对车流量数据进行平滑处理、将高频数据聚合为低频数据、数据归一化。

3.如权利要求1所述的一种智能化交通流量实时预测方法，其特征在于，步骤二中，所述混合特征网络模型框架，包括将输入层连接至并联的多尺度卷积层和长短时记忆层，然后通过拼接层将并联的输出拼接为一个输出、并依次串联经过最大池化层、多尺度自注意机制层、随机丢弃层、全局池化层、全连接层和输出层。

4.如权利要求1所述的一种智能化交通流量实时预测方法，其特征在于，步骤二中，所述超参数包括卷积层的滤波器数量、学习率、随机丢弃率、L2正则化强度、长短时记忆层的单元数、多头注意力机制的头数。