1.基于深度學(xué)習(xí)的交通擁堵判別方法，其特征在于，包括以下步驟：
步驟1、獲取訓(xùn)練樣本及添加標(biāo)簽：獲得路段的交通歷史數(shù)據(jù)，交通歷史數(shù)據(jù)包括監(jiān)控視頻文件對(duì)應(yīng)的圖片、監(jiān)控視頻文件對(duì)應(yīng)的圖片對(duì)應(yīng)的測(cè)量數(shù)據(jù)，根據(jù)測(cè)量數(shù)據(jù)的級(jí)別將監(jiān)控視頻文件對(duì)應(yīng)的圖片分類，給每個(gè)分類后的監(jiān)控視頻文件對(duì)應(yīng)的圖片寫(xiě)入對(duì)應(yīng)交通狀態(tài)級(jí)別的類別標(biāo)簽，得到含有標(biāo)簽的監(jiān)控視頻文件對(duì)應(yīng)的圖片；
步驟2、前向傳播：將含有標(biāo)簽的監(jiān)控視頻文件對(duì)應(yīng)的圖片送入設(shè)計(jì)好的卷積神經(jīng)網(wǎng)絡(luò)模型，前向傳播獲得卷積神經(jīng)網(wǎng)絡(luò)模型輸出的類別標(biāo)簽；
步驟3、反向傳播：計(jì)算前向傳播輸出的類別標(biāo)簽與樣本實(shí)際類別標(biāo)簽的損失函數(shù)值，將損失函數(shù)值按極小化誤差的方法反向傳播調(diào)整卷積層的權(quán)值矩陣，得到最終卷積神經(jīng)網(wǎng)絡(luò)模型；
步驟4、交通擁堵判別：選取路段的當(dāng)前監(jiān)控視頻文件對(duì)應(yīng)的圖片中至少1幀圖像傳入訓(xùn)練完成的最終卷積神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行前向傳播，得到最終卷積神經(jīng)網(wǎng)絡(luò)模型的輸出，根據(jù)輸出結(jié)果判斷當(dāng)前監(jiān)控視頻文件對(duì)應(yīng)的圖片中的道路對(duì)應(yīng)的擁堵級(jí)別。
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的交通擁堵判別方法，其特征在于，所述測(cè)量數(shù)據(jù)包括車流量數(shù)據(jù)或/和車速數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的交通擁堵判別方法，其特征在于，所述前向傳播獲得模型輸出的樣本標(biāo)簽的具體過(guò)程為：
將將含有標(biāo)簽的監(jiān)控視頻文件對(duì)應(yīng)的圖片作為輸入信息，
步驟S1：將輸入信息經(jīng)過(guò)第一個(gè)卷積層，卷積層包含兩個(gè)階段，第一階段：將輸入信息通過(guò)可訓(xùn)練的濾波器和可加偏置，第二階段：將經(jīng)過(guò)第一階段后的信息通過(guò)一個(gè)ReLU激活函數(shù)得到特征映射圖；
步驟S2：再將步驟S1的特征映射圖經(jīng)過(guò)第一個(gè)池化層，對(duì)輸入信息做降采樣得到降采樣結(jié)果；
步驟S3：經(jīng)過(guò)下一卷積層時(shí)，將上一池化層的降采樣結(jié)果作為輸入信息重復(fù)卷積層操作得到特征映射圖，經(jīng)過(guò)下一池化層時(shí)，將上一卷積層的特征映射圖作為輸入信息重復(fù)池化層操作得到降采樣結(jié)果；
步驟S4：將最后一層池化層的降采樣結(jié)果傳入全連接層，將得到的特征向量進(jìn)行整合，得到一個(gè)一維長(zhǎng)向量，將一維長(zhǎng)向量傳入分類器判斷含有標(biāo)簽的監(jiān)控視頻文件對(duì)應(yīng)的圖片的類別標(biāo)簽。
4.根據(jù)權(quán)利要求1-3中任意一項(xiàng)所述的基于深度學(xué)習(xí)的交通擁堵判別方法，其特征在于，所述步驟2中的卷積神經(jīng)網(wǎng)絡(luò)為5層網(wǎng)絡(luò)的卷積神經(jīng)網(wǎng)絡(luò)，這5層網(wǎng)絡(luò)分別是2層卷積層、2層池化層、1層全連接層，2層卷積層之間為1層池化層，全連接層與最后一層池化層鏈接。
5.根據(jù)權(quán)利要求1-3中任意一項(xiàng)所述的基于深度學(xué)習(xí)的交通擁堵判別方法，其特征在于，上述損失函數(shù)值的計(jì)算公式為：Lcls（y，c）=||y-c||2，其中y代表前向傳播輸出的類別標(biāo)簽，c代表樣本實(shí)際類別標(biāo)簽，Lcls（y，c）代表?yè)p失函數(shù)值。
6.根據(jù)權(quán)利要求1-3中任意一項(xiàng)所述的基于深度學(xué)習(xí)的交通擁堵判別方法，其特征在于，步驟1中寫(xiě)入對(duì)應(yīng)交通狀態(tài)級(jí)別的類別標(biāo)簽分別為：死鎖=0、堵塞=1、擁擠=2、通暢=3；所述測(cè)量數(shù)據(jù)的級(jí)別劃分為：通暢級(jí)別對(duì)應(yīng)V≥40、擁擠級(jí)別對(duì)應(yīng)15≤V≤40、堵塞級(jí)別對(duì)應(yīng)5≤V≤15、死鎖級(jí)別對(duì)應(yīng) V≤5，V代表測(cè)量數(shù)據(jù)中的車速數(shù)據(jù)，這里V均以km/h作為計(jì)量單位；通暢級(jí)別對(duì)應(yīng)類別標(biāo)簽“通暢=3”，擁擠級(jí)別對(duì)應(yīng)類別標(biāo)簽“擁擠=2”，堵塞級(jí)別對(duì)應(yīng)類別標(biāo)簽“堵塞=1”， 死鎖級(jí)別對(duì)應(yīng)類別標(biāo)簽“死鎖=0”。
7.根據(jù)權(quán)利要求1-3中任意一項(xiàng)所述的基于深度學(xué)習(xí)的交通擁堵判別方法，其特征在于，所述路段為普通路段或交叉路口路段。
8.根據(jù)權(quán)利要求1-3中任意一項(xiàng)所述的基于深度學(xué)習(xí)的交通擁堵判別方法，其特征在于，所述監(jiān)控視頻文件對(duì)應(yīng)的圖片可以選取監(jiān)控視頻文件中的一張或者多張圖片。