1.基于空间数据挖掘的自适应交通控制子区划分方法，其特征在于，包括以下步骤：步骤1、进行高低峰时段与高、中、低流量阈值的特征抽取；

步骤2、选取影响控制子区划分的交通信息特征；

所述交通信息特征包括：交通流影响特征TF、交叉路口距离影响特征IF、交通流构成影响特征CI、周期影响特征CE；

步骤3、建立基于时空特征的影响力权重计算模型，得到为特征r的权重L'r，r∈[1,4]为交通信息特征中的特征标号，表示交通流影响特征TF、交叉路口距离影响特征IF、交通流构成影响特征CI、周期影响特征CE；

步骤4、基于动态模块度划分的带权社区发现算法实现交通控制子区的划分，具体过程包括以下步骤：步骤4.1、通过对上述基于时空特征的影响力权重计算模型所计算的每一个特征权值进行乘积累加得到两两交叉路口间计算协调系数CCij作为该路段的权重，其中R分别为IF、CI、CE、TF的值；

步骤4.2、初始化社区矩阵时，图中的每个节点为一个独立的社区，初始状态中社区数目与节点个数一致，用邻接矩阵表示该有权无向图，计算每个节点的度数权值和；

步骤4.3、每个节点和相邻结点尝试进行合并社区运算，得到分配前与分配后的模块度变化值ΔQ，记录ΔQ值最大且ΔQ的值大于0的社区合并状态，把节点分配到该相邻节点所在的社区，否则保持不变；

步骤4.4、直到带权无向图的社区结构变化所引起的模块度变化值小于阈值，即模块度的值最大，完成一次合并运算；

步骤4.5、根据记录的合并社区状态对图进行压缩，所有在同一个社区的节点重构为一个新节点，创建新社区矩阵，社区内节点间边的权重转化为新节点环的权重，社区间边的权重转化为新节点间的边权重；

步骤4.6、反复进行步骤4.2至步骤4.5的计算过程，直到整个图的模块度变化值小于阈值，最终实现交通控制子区的划分。

2.根据权利要求1所述的基于空间数据挖掘的自适应交通控制子区划分方法，其特征在于，步骤1所述进行高低峰时段与高、中、低流量阈值的特征抽取的过程包括以下步骤：步骤1.1、计算经过交叉路口的不同行进方向的交通流量，即计算从两条相交道路上的一条道路进入交叉路口后始向不同方向的道路的交通流量；

步骤1.2、根据各个时间区间对应的交通流量划分高低峰时段：计算交叉路口不同行进方向的交通流量后，在高低峰时段划分基础上，构建求解高、中、低流量阈值的数学模型；设计根据实时的交通流量，为不同的高低峰时间区间设定动态权值参数sj，定义权值公式sjsj＝α/γ

其中，α为当前高峰时段交叉路口的交通流量，γ为当前路口所有高峰时段交通流量总和；

则建立单一路口高峰时段的交通流量：

其中，j∈(高峰时段)，i∈[1,12]及车辆的行进方向，num表示高峰时段个数；

建立：单一路口的高、低峰时段流量的元组表示，单一路口的高峰时段流量元组Dth为Dth＝[dth1,dth2,...,dth12]同理可求单一路口的低峰时段流量元组Dtl为

Dtl＝[dtl1,dtl2,...,dtl12]步骤1.3、将单一交叉路口的同一方向的交通流量进行排序，则每一交叉路口的流量矩阵为其中，qIJ表示经过交通流量排序后的交通流量值，I∈[1，12]表示行进方向，J表示时间区间，时间区间记为时段；

步骤1.4、根据Dth和Dtl中相同行进方向上的dthi和dtli将排序后的流量矩阵Q中相同行进方向的时间区间对应交通流量划分低流量区域SL，中流量区域SM，高流量区域SH：三个序列的长度分别记为l1，l2，l3；针对i行进方向，分别取SL，SM的50分位作为i行进方向的中低流量代表值rli和中流量代表值rmi，取SH的70分位作为第i方向的高流量代表值rhi：将流量阈值矩阵表示为R(I∈[1,12])；

3.根据权利要求2所述的基于空间数据挖掘的自适应交通控制子区划分方法，其特征在于，步骤1.1的具体过程包括以下步骤：步骤1.1.1、将交叉路口的两条相交道路分为记为第一道路和第二道路，第一道路和第二道路各自的两侧边缘作为边界；交叉路口将两条相交道路分成5个区域，分别为交叉路口、第一道路交叉路口前段、第一道路交叉路口后段、第二道路交叉路口前段、第二道路交叉路口后段；

步骤1.1.2、判断车辆的原始行驶方向，即车辆从哪一方向进入交叉路口；

然后根据当前车辆的后继轨迹方向，判断车辆的行进方向；

步骤1.1.3、根据当前轨迹点的时间标签，判断当前车辆所属于的时间区间；

步骤1.1.4、将当前车辆累计至交通流量矩阵(μit,λ)中，i表示行进方向，i∈[1,12]；t表示时间区间的序号，μit表示i行进方向t时间区间的交通流量；λ为路口标识。

4.根据权利要求1所述的基于空间数据挖掘的自适应交通控制子区划分方法，其特征在于，步骤2所述交通流影响特征如下：交通流影响特征TF：

其中，q(t)为t时间区间流量，σ为路口t时间区间一个方向流量，λ为不同交通流方向的权重因子；λ的引入实际上就是将算出来的TF值调整到0至100之间。

5.根据权利要求1所述的基于空间数据挖掘的自适应交通控制子区划分方法，其特征在于，步骤2所述交叉路口距离影响特征如下：设定相邻交叉路口间距为L；

最大-最小间距原则如下：

最大间距原则：

ρ＝avg(C1(t),C2(t))

最大间距原则中，Rmin相邻两交叉路口中高流量代表值的平均值，Nin当前绿灯周期内可行驶的车辆方向；C1(t)、C2(t)分别表示相邻两交叉路口中前一个交叉路口和后一个交叉路口的信号周期；Tsample是时间单位的长度，ρ是相邻交叉路口的信号周期中的平均值，Lmax表示相邻路口最大间距，hcar是车辆平均长度，Nlane是车道数，β车辆离散距离，F交通流离散系数；

最小间距原则：

ρ＝max(C1(t),C2(t))

最小间距原则中，Rmax相邻两交叉路口中高流量代表值的较大值，Tsample是时间单位的长度，ρ是相邻交叉路口的信号周期中的较大值，μ是防拥堵因子，Lmin表示相邻路口最小间距，hcar是车辆平均长度；

在路口最大-最小原则的基础上，建立交叉路口距离影响特征IF：其中，χ为平衡因子；l为当前路段的长度。

6.根据权利要求1所述的基于空间数据挖掘的自适应交通控制子区划分方法，其特征在于，步骤2所述交通流构成影响特征如下：交通流构成是交通信息特征的重要参数，为下游路口直行车辆中上游路口车辆的占比，决定了车流的离散性大小和上下游路口的协调性大小，建立交通流构成影响特征CI：CI＝O*F

其中，O为上游直行的车辆在下游继续直行的比例，取值范围[0,1]，F为交通流离散系数。

7.根据权利要求1所述的基于空间数据挖掘的自适应交通控制子区划分方法，其特征在于，步骤2所述周期影响特征如下：建立周期影响特征CE：

其中，T1为两相邻交叉路口中绿灯时间中时间长的绿灯时间，T2为两相邻交叉路口中绿灯时间中时间短的绿灯时间。

8.根据权利要求1至7之一所述的基于空间数据挖掘的自适应交通控制子区划分方法，其特征在于，步骤3所述建立基于时空特征的影响力权重计算模型，得到为特征r的权重L'r的过程如下：步骤3.1、取交通信息特征中的特征r的所有样本构成集合Xr：T

Xr＝[x1,x2,...,xn]

其中n为样本总个数，r∈[1,4]为交通信息特征中的特征标号，代表交通流影响特征、交叉路口距离影响特征、交通流构成影响特征、周期影响特征；x1,x2,...,xn分别特征r对应的特征值的样本表示形式；

如果一个样本点xi'是另一个样本点xj'的最邻近k个样本点之一，则xi'和xj'之间存在一条边，利用该规则分别建立每个特征的特征无向图；

步骤3.2、计算特征无向图中每条边的权重Wi'j'，构成权重矩阵Wr，形成一个邻接矩阵；

步骤3.3、计算该特征所有样本的方差；Dr是对角阵，其对角线元素值为每一个样本点的出度权值和，并基于Dr中的元素值得到中间变量Xr′：Dr＝diag(Wr*1)1＝(1,1,...,1)T由此计算该特征所有样本的方差大小

Var(Xr)＝Xr′DrXr′

步骤3.4、已知Wr为权重矩阵，对该特征进行时空特征的影响力权重计算，则计算可得Lr＝Dr-Wrxri'、xrj'分别表示特征r对应的样本点xi'、xj'；

所以特征r的权重为：

9.根据权利要求8所述的基于空间数据挖掘的自适应交通控制子区划分方法，其特征在于，所述的k＝5。