1.一种公路路面降雨量分布估计方法，其特征在于，包括以下步骤：S1、根据目标区域内采样点的采样信息，构建包含采样位置与路面降雨量的采样数据库，并初始化参数，目标区域内采样点的采样信息为：T

Y＝[S,M]

其中， 表示固定传感器的采样信息， 表示移动传感器的采样信息，区域估计算法的数据集合为：

D＝{P,Y}

其中，D为包含采样位置信息的采样数据集合，P为传感器采样位置集合；

S2、采用自触发机制下的动静混合传感器采样模型，根据传感器在当前执行周期内采样值与前一个执行周期内平均采样值之间的误差，通过归一化定义路面降雨量的采样阈值Δ，对路面降雨量的阈值Δ进行划分，形成多个采样误差区间，确定传感器在不同采样误差区间内的采样间隔，动态更新步骤S1采样数据库内的采样数据；

S3、采用曲面拟合的方法，根据步骤S2动态更新的采样数据设计路面降雨量估计模型，针对目标区域的降雨量估计，定义径向基函数，以公路路面为中心，确定公路两侧和公路路面上的径向基中心点，径向基函数具体为：其中， ψj(P)表示径向基函数向量组中第j个径向基函数；l是向量组的维数，σj是径向基函数的宽度，βj是归一化常数，ξj是径向基函数的中心点，P表示目标区域内任意一点，公路两侧中心点的选取如下：其中，i＝1,…,ns表示固定传感器的个数，n表示中心点的选取个数，d1表示目标区域内公路的长度，d2表示公路两侧的宽度，m表示公路两侧中心点所在的总行数，j表示第j行；

公路路面上中心点的选取如下：

其中，i＝1,…,nm表示移动传感器的个数；

T

径向基函数的向量形式表示为ψ(P) ＝[ψ1(P),…,ψl(P)]，目标区域内降雨量的采样集合表示为：T

φ(P,t)＝ψ(P) x(t)

T

其中，x(t)＝[x1(t),…xl(t)]表示径向基函数的权重系数；

S4、利用卡尔曼滤波算法将步骤S3曲面拟合后路面降雨量估计模型的权重系数与传感器网络的采样位置相结合，构成卡尔曼滤波中的状态变量，然后调整卡尔曼滤波算法中观测方程的参数，改进卡尔曼滤波状态估计算法，根据当前时刻卡尔曼滤波的状态变量估计目标区域内任意位置的降雨量，具体为：S401、以径向基函数中的权重系数x作为线性路面降雨量估计模型中的状态变量，线性动态系统如下：x(k+1)＝Ax(k)+ω(k)

其中， 表示系统矩阵，噪声 为零均值高斯白噪声，方差记为W；

S402、确定每个采样设备在执行周期内的采样值集合 给出观测方程Si(k)如下：

其中， 表示系统矩阵， 表示观测矩阵，W为噪声 的方差；

S403、设定卡尔曼增益矩阵Ki(k)如下：

其中，Ki(k)为k时刻所得到的卡尔曼增益矩阵，Q(k|k‑1)为第k‑1时刻的估计预测协方差矩阵，Si(k)为采样噪声协方差矩阵；

S404、设初始时刻的状态变量为 计算下一时刻的状态变量S405、设定卡尔曼滤波算法中误差协方差矩阵的初值为Q(0|0)，更新估计预测协方差矩阵；

S406、设定噪声协方差矩阵S(0)的初值，计算协方差阵Q(k|k)；

S407、计算当前时刻降雨量在q点的估计值

S5、根据梯度下降法，通过调整移动传感器采样位置的手段，优化步骤S4目标区域内降雨量的估计结果，完成降雨量分布估计，优化步骤S4目标区域内降雨量估计结果的控制策略为：其中，O为目标区域，W为系统噪声协方差，J为估计误差代价函数，pi为传感器的采样位置，Q为估计误差协方差阵，ψ(p)为径向基函数，K为卡尔曼增益矩阵，S为噪声协方差矩阵。

2.根据权利要求1所述的方法，其特征在于，步骤S2中，将传感器网络的估计执行周期与信息采样周期分离，确定固定执行周期内传感器的采样次数，给定固定的传感器执行周期，在一个执行周期内当前采样值与前一个执行周期采样均值的误差作为路面降雨量阈值Δ；对阈值Δ进行归一化处理，根据当前时刻的采样间隔 调整设备采样的采样时刻，并更新估计系统的采样数据Y。

3.根据权利要求2所述的方法，其特征在于，阈值Δ表示如下：其中， 表示第m个执行周期的第i个采样值， 表示第m‑1个执行周期的采样均值；对阈值Δ进行归一化处理如下：其中，Δ＞0，e的值域为[0,1]；将e分为三段，采样间隔 的上限和下限分别记为 和采样间隔 根据e的变化规律如下：其中，0≤c1＜c2≤1，θ为增加采样间隔的最小步长。

4.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1或2或3所述的方法中的任一方法。

5.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1或2或3所述的方法中的任一方法的指令。