1.一种基于全量全样实时交通数据的多参数融合方法，其特征在于，所述方法包括：
步骤1，基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，所述车辆类型包括大型车辆和小型车辆；
步骤2，基于雷达微波数据和地磁线圈数据分别提取交通流数据；
步骤3，对所述车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
2.根据权利要求1所述的方法，其特征在于，所述车辆轨迹数据包括：时间戳、车辆id、车辆类型、车速、位置信息、所在车道信息和轨迹方向角的时序轨迹数据。
3.根据权利要求2所述的方法，其特征在于，得到所述车辆轨迹数据的方法包括：
步骤101，从所述监控视频的图像序列中提取所述运动车辆；
步骤102，在所述监控视频的初始帧给定的目标检测框得到要跟踪的目标运动车辆；
步骤103，通过深度学习得到所述目标运动车辆的特性，根据所述特性在各个视频帧中定位所述目标运动车辆；
步骤104，根据监控摄像机像素坐标与世界坐标系的映射关系，获得所述目标运动车辆在任一时间戳下的车辆id、车辆长、车辆宽、位置信息、所在车道信息和轨迹方向角；
根据车辆长和车辆宽确定车辆类型；根据两个采样点之间的车辆位置坐标变化与采样时间间隔比值计算所述车速；根据两个采样点之间的车辆位置坐标变化确定所述轨迹方向角。
4.根据权利要求1所述的方法，其特征在于，所述交通流数据包括：路段断面车流量、实时单车速度、平均速度、交通密度、占有率、车辆类型、排队长度以及车头时距。
5.根据权利要求1所述的方法，其特征在于，所述步骤1中还包括：基于所述监控视频提取道路环境特征数据，所述道路环境特征数据包括天气特征参数和突发事件发生状况。
6.根据权利要求5所述的方法，其特征在于，所述步骤3中，根据天气特征参数、基于车辆轨迹数据的车流量、基于车辆轨迹数据的平均车速和基于车辆轨迹数据的大车比例确定各个权重，计算所述参数的加权平均值为融合后的参数值。
7.根据权利要求1所述的方法，其特征在于，所述步骤3中还包括剔除所述车辆轨迹数据中异常轨迹。
8.一种基于全量全样实时交通数据的多参数融合系统，其特征在于，所述系统包括：监控视频数据处理模块、雷达微波和地磁线圈数据处理模块和数据融合模块；
监控视频数据处理模块，用于基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，所述车辆类型包括大型车辆和小型车辆；
雷达微波和地磁线圈数据处理模块，用于基于雷达微波数据和地磁线圈数据分别提取交通流数据；
数据融合模块，对所述车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于全量全样实时交通数据的多参数融合方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于全量全样实时交通数据的多参数融合方法的步骤。