1.一种智慧交通与柔性车道调控方法，该调控方法基于预设的柔性车道进行，定义中间两车道为柔性车道，终端控制器根据实时车流量数据，智能控制柔性车流开启的时间，其特征在于，包括如下步骤：步骤1：采集包括日期因素、天气情况、各车道承载量、各路段的平均车速、各车道占用率以及前一段时间内每小时的车流量数据的数据，并对其进行预处理；

步骤2：构建金豺优化算法‑改进小波神经网络的GJO‑IWNN车流量预测模型，所述GJO‑IWNN车流量预测模型采用金豺优化算法对改进小波神经网络初始参数进行优化，利用步骤

1采集的预处理数据作为GJO‑IWNN车流量预测模型输入层的节点数据，对未来短期内的车流量进行训练预测，并采用误差二次提取方法降低预测误差；改进小波神经网络具体为：

21)选取小波基函数，小波基函数公式如下所示：

22)构建小波神经网络的输入层、隐含层和输出层，隐含层的输出公式如下所示：其中，wij为输入层与隐含层之间的权重系数，aj为小波基函数的伸缩因子，bj为平移因子，hj为隐含层神经元输出；x11,x12…x1j为各路段平均速度；x21,x22…x2j为车道承载量；x31,x32…x3j为前一段时间内每小时的车流量数据；x41,x42…x4j为各车道占用率；x51,x52…x5j和x61,x62…x6j分别为日期因素和天气因素，且数值为0或1，数值为0表示：非节假日、天气非晴，数值为1表示：节假日、天气晴；

23)输出层构建公式如下所示：

其中，wjk为隐含层与输出层之间的权重系数，该系数会在网络训练过程中不断更新，yk为小波神经网络第k个神经元的输出值；

24)计算网络误差指标函数，计算函数如下所示：

其中，y′k表示真实值，yk表示小波神经网络预测值，E表示误差指标函数，用来衡量真实值与误差值之间的偏差程度；

25)计算第d+1次训练后参数需要调整的变化量 以及计算公式如下所示：

其中，η表示设定的学习速率，E为误差指标函数；

26)采用误差反向传播算法更新权值以及小波因子，更新公式如下所示：其中，d代表参数更新当的代数， 以及 表示第d+1次训练后参数需要调整的变化量；对步骤26)中的更新公式进行改进，改进公式如下所示：其中，α是在[0,1]之间的常数；

步骤3：根据步骤2预测的短期内的车流量数据，智能调控交通指示灯时长以及柔性车道路段不同方向的车道数。

2.根据权利要求1所述的智慧交通与柔性车道调控方法，其特征在于，所述步骤1中采集的数据通过多个定点安装的交通测速仪，获取各路段某个时间段内的平均车速；通过多个定点安装的车流相机，获取当前车流量情况并计算当前各车道占用率。

3.根据权利要求1所述的智慧交通与柔性车道调控方法，其特征在于，所述步骤2中采用金豺优化算法对改进小波神经网络初始参数进行优化，具体为：

51)确定初始解，初始解是随机均匀分布在搜索空间上的，初始解公式如下所示：Y0＝Ymin+rand(Ymax‑Ymin)

其中，Ymin和Ymax是变量的上界和下界，rand是范围在[0,1]之间的随机数；

52)创建初始化矩阵猎物，初始化矩阵公式如下所示：

其中，Yi,j表示第i个猎物的第j维值，n为猎物的数量，d为变量的数量；

53)应用适应度目标函数估计每个猎物的适应度值，适应度值矩阵如下所示：其中，FOA是保存每个猎物适应度的矩阵，f是目标函数，适应度最优的为雄豺，适应度次优的为雌豺；

54)更新雄性豺与雌性豺的位置，更新公式如下所示：

Y1(t)＝YM(t)‑E·|YM(t)‑rl·Prey(t)|Y2(t)＝YFM(t)‑E·|YFM(t)‑rl·Prey(t)|rl＝0.05*LF(y)

1/β

LF(y)＝0.01×(μ×σ)/(|v| )

其中，t表示当前迭代次数，Prey(t)是猎物位置向量，YM(t)和YFM(t)表示雄豺和雌豺的位置，Y1(t)和Y2(t)是对应于猎物的雄豺和雌豺的更新位置，rl是基于表示莱维运动的莱维分布的随机向量，LF为莱维飞行函数，μ和v是范围在(0,1)之间的随机数，β是值为1.5的常数；

55)计算躲避猎物的能力E

E0＝2*r‑1

E1＝c1*(1‑t/T)

E＝E1*E0

其中，E1表示猎物的能力下降，E0表示其能力的初始状态，r是范围在[0,1]之间的随机数，T表示最大迭代次数，c1是等于1.5的常数值，t表示当前迭代次数；

56)更新豺的位置，更新公式如下所示：

57)对雄豺和雌豺一起狩猎的行为在数学上进行建模，建模公式如下所示：Y1(t)＝YM(t)‑E·|rl·YM(t)‑Prey(t)|Y2(t)＝YFM(t)‑E·|rl·YFM(t)‑Prey(t)|。

4.根据权利要求3所述的智慧交通与柔性车道调控方法，其特征在于，所述步骤2中利用误差二次提取方法降低预测误差具体为：

61)将步骤1采集的预处理数据作为GJO‑IWNN车流量预测模型输入端的节点数据，对未来短期内的车流量进行训练预测得到车流量预测结果并得到误差序列，将得到的误差序列作为输入数据，再次用GJO‑IWNN车流量预测模型进行预测，得到误差预测值；

62)将车流量预测结果与误差预测结果叠加，得到经过误差二次提取后的最终预测结果。

5.一种基于权利要求1所述的智慧交通与柔性车道调控方法的智慧交通与柔性车道调控设备，其特征在于，包括：数据采集单元，用于采集包括日期因素、天气情况、各车道承载量、各路段的平均车速、各车道占用率以及前一段时间内每小时的车流量信数据的数据车流预测模块，用于基于权利要求1中智慧交通与柔性车道调控方法进行预测未来短期内的车流量；

智能控制模块，用于根据预测的短期内的车流量数据，智能调控交通指示灯时长以及柔性车道路段不同方向的车道数。

6.根据权利要求5所述的智慧交通与柔性车道调控设备，其特征在于，所述数据采集单元通过多个定点安装的交通测速仪，获取各路段某个时间段内的平均车速；通过多个定点安装的车流相机，获取当前车流情况并计算当前各车道占用率。

7.根据权利要求5所述的智慧交通与柔性车道调控设备，其特征在于，该调控设备基于预设的柔性车道进行，柔性车道路段为双向N车道，定义中间两车道为柔性车道，柔性车道两侧安装多个车道控制灯，车道控制灯显示绿色时，表示正向通行，车道控制灯显示红色时，表示反向通行，车道控制灯由智能控制模块控制，智能控制模块根据车流相机提供的实时车流时间，智能控制柔性车流开启的时间，当柔性车道开启时间即将结束时，智能控制模块会对车道控制灯发出指令，使其闪烁，提醒行车及时更换车道。