1.一种基于量子粒子群优化策略的车联网交通流量预测方法，其特征在于该方法主要包括如下步骤：第1、构建交通流量预测数学模型；根据影响交通流量数据的几个要素，针对固定某一路段，建立基于该路段当前时刻、过去时段和上游流量状况的关系模型F(Vt,Ut,t)＝yt，其中t为当前时刻，Vt为所测路段的上游路段l个路口的流量状况，Ut为所测路段前d个时间段的流量状况，yt为最终预测的交通数据流量；

第2、使用模拟退火算法(SA)和遗传算法(GA)优化量子粒子群优化策略的初始聚类中心；算法流程如下：(1)、编码方式，针对交通流量数据的特点和数据量，采用实数编码；每条染色体由h个聚类中心组成：C＝c1,c2,...,ch，其中ci为第i个聚类中心点，C为h个聚类中心点的集合，对于维度为p的样本，染色体长度为h*m；

(2)、设置适应度函数，适应度函数是遗传算法在搜索操作中的重要判断依据，进化搜索也是建立在对每一个个体的适应度函数值的判断上，故选择合适的适应度函数直接决定了算法的优良性能；每个个体的目标函数Jm根据公式fi＝1/Jm计算得到，Jm越小说明类内离散度和越小，对应个体适应度越高；

(3)、交叉操作，个体间互换基因，通过基因的重组产生具有更高适应度值的新个体；

(4)、变异操作，以一定的概率对每个基因位上的实数进行变异操作，然后用一个随机数替换发生变异的基因位；

(5)、个体模拟退火，模拟退火算法中的能量值选用个体适应度值表达，当该值变大时，则选择当前值作为下一个当前解，当该值变小时，则以一定的概率接受当前解；

第3、优化RBF神经网络参数，使用改进和优化后的量子粒子群优化策略，增大粒子位置的随机性，输出最优化的RBF神经网络参数；

第4、采用模糊c均值聚类算法(FCM)对径向基函数神经网络(RBF)进行训练，聚类得到的每组子样本都构成神经网络中的一个神经元；

第5、使用实际交通流量数据训练最终优化后的RBF神经网络；最后使用该路段的当前时刻，过去时段和上游流量状况数据运用在训练后的RBF神经网络上，最终获得当前时刻交通流量预测数据。

2.根据权利要求1所述一种基于量子粒子群优化策略的车联网交通流量预测方法，其特征在于，第2步所述优化量子粒子群优化策略的初始聚类中心包括：第2.1、创建初始种群并赋初值，初始化隶属度矩阵U，建立初始聚类中心矩阵V；

第2.2、在全局空间范围内搜索最优解；对每个个体进行遗传算法操作，由此产生的全新个体再经过模拟退火延续至下一代群体；通过反复不断迭代，直到达到终止条件，从而得到最优解，该最优解即为确定的量子粒子群优化策略初始聚类中心。

3.根据权利要求1所述一种基于量子粒子群优化策略的车联网交通流量预测方法，其特征在于，第3步所述优化RBF神经网络参数包括：第3.1、随机创建初始种群，并给各粒子的位置和速度随机赋予初值；

第3.2、计算各个粒子的适应度值，之后比较所有粒子适应度值，取得具有最优适应度的粒子位置；

第3.3、更新粒子的速度和位置；

第3.4、比较当前所有的粒子最优解和上一迭代周期的全局最优解，更新全局最优解，得到的全局最优解即为优化后的RBF神经网络参数。

4.根据权利要求1所述一种基于量子粒子群优化策略的车联网交通流量预测方法，其特征在于，第4步所述采用模糊c均值聚类算法(FCM)对径向基函数神经网络(RBF)进行训练包括：第4.1、采用模糊c均值聚类算法(FCM)对RBF神经网络进行训练，计算初始聚类中心c和隶属度矩阵U，将聚类的每组子样本作为RBF神经网络的神经元；选择初始聚类中心c和隶属度矩阵U中的一个变量进行赋值，利用两个变量相互关联性，使得两个变量通过不断的迭代和更新，不断减小目标函数的值，直到系统到达平稳状态，而平稳状态下即为所求的初始聚类中心c和隶属度矩阵U；

第4.2、聚类后所获得的聚类样本组作为RBF神经网络的神经元。