1.一种交通流速度预测方法，其特征在于，所述方法包括：
获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；
对模糊神经网络模型进行改进，具体包括：
对所述样本数据进行分类；
根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；
采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；
采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；
根据所述拟合曲线获取t时刻的交通流速度的周期特性拟合曲线预测值；
根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，综合确定t时刻的交通流速度。
3.根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行分类，具体包括：
采用K均值法对所述样本数据进行分类。
4.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数，具体包括：
获取每类样本数据的聚类中心；
将所述隶属函数 中的参数μ确定为所述聚类中心的值；
将所述隶属函数 中的参数σ确定为所述样本数据与所述样本数据所
属类的聚类中心之间的距离的方差。
5.根据权利要求1所述的方法，其特征在于，所述对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线，具体包括：
采用三角函数多项式
对所述交通流速度数据进行曲线拟合，其中，Mt表示拟合的采样时刻为t的周期性函数，t＝
1,2,…720，n表示三角函数多项式的数量，m0,m1,…,m2n为系数。
6.根据权利要求2所述的方法，其特征在于，所述根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度，具体包括：
根据公式 计算t时刻的所述交通流速度St，其中， 为神经网络预
测值，Mt为周期特性拟合曲线预测值。
7.一种交通流速度预测系统，其特征在于，所述系统包括：
样本数据获取模块，用于获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；
神经网络模型改进模块，用于对模糊神经网络模型进行改进，所述神经网络模型改进模块具体包括：
分类单元，用于对所述样本数据进行分类；
参数确定单元，用于根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；
规则函数优化单元，用于采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；
神经网络模型预测模块，用于采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。
8.根据权利要求7所述的系统，其特征在于，所述系统还包括：
周期特性曲线拟合模块，用于对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；
周期特性曲线拟合预测模块，用于根据所述拟合曲线获取t时刻的交通流速度的周期特性拟合曲线预测值；
交通流速度确定模块，用于根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度。
9.根据权利要求7所述的系统，其特征在于，所述分类单元，具体包括：
分类子单元，用于采用K均值法对所述样本数据进行分类。
所述参数确定单元，具体包括：
聚类中心获取子单元，用于获取每类样本数据的聚类中心；
第一参数确定子单元，用于将所述隶属函数 中的参数μ确定为所述聚
类中心；
第二参数确定子单元，用于将所述隶属函数 中的参数σ确定为所述样
本数据与所述样本数据所属类的聚类中心之间的距离的方差。
所述周期特性曲线拟合模块，具体包括：
周期特性曲线拟合单元，用于采用三角函数多项式
对所述交通流速度数据进行曲线拟合，其中，Mt表示拟合
的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m0,m1,…,m2n为系数。
10.根据权利要求8所述的系统，其特征在于，所述交通流速度确定模块，具体包括：
交通流速度确定单元，用于根据公式 计算t时刻的所述交通流速度St，
其中， 为神经网络预测值，Mt为周期特性拟合曲线预测值。