1.一种基于大数据和人工智能的数据分析方法，其特征在于，包括：
获取所述待调度交通路段中的机动车交通流数据和非机动车交通流数据；
基于所述待调度交通路段中的机动车交通流数据和非机动车交通流数据之间的交通流数据的路网干扰信息，对所述待调度交通路段中的机动车交通流数据和非机动车交通流数据进行拥堵状态分析，得到交通拥堵状态分析结果；
将拥堵状态分析过程中存在拥堵标签的非机动车交通流数据确定为待调度非机动车交通流数据，根据所述交通拥堵状态分析结果中的非机动车交通流数据与所述待调度非机动车交通流数据之间的交通线路轨迹的相关性信息，确定与所述待调度非机动车交通流数据相对应的交通引导调度策略；
对与所述待调度非机动车交通流数据相对应的交通引导调度策略和所述待调度非机动车交通流数据进行拥堵状态分析，得到针对所述交通引导调度策略的目标拥堵状态分析结果；
根据所述针对所述交通引导调度策略的目标拥堵状态分析结果和所述交通拥堵状态分析结果，确定所述待调度交通路段中的机动车调度策略和所述机动车调度策略对应的调度执行指示信息。
2.根据权利要求1所述的方法，其特征在于，所述获取待调度交通路段中的机动车交通流数据和非机动车交通流数据，包括：
获取所述待调度交通路段中的至少两组机动车行驶轨迹数据和至少两组非机动车行驶轨迹数据；
获取所述至少两组机动车行驶轨迹数据之间的机动车行驶轨迹数据的行驶轨迹变化信息和机动车行驶轨迹数据的道路错车数据，获取所述至少两组非机动车行驶轨迹数据之间的非机动车行驶轨迹数据的行驶轨迹变化信息和非机动车行驶轨迹数据的道路错车数据；
根据所述机动车行驶轨迹数据的行驶轨迹变化信息和所述机动车行驶轨迹数据的道路错车数据，对所述至少两组机动车行驶轨迹数据进行融合，得到所述待调度交通路段中的机动车交通流数据；一组机动车交通流数据包括至少一组机动车行驶轨迹数据；
根据所述非机动车行驶轨迹数据的行驶轨迹变化信息和所述非机动车行驶轨迹数据的道路错车数据，对所述至少两组非机动车行驶轨迹数据进行融合，得到所述待调度交通路段中的非机动车交通流数据；一组非机动车交通流数据包括至少一组非机动车行驶轨迹数据。
3.根据权利要求2所述的方法，其特征在于，所述基于所述待调度交通路段中的机动车交通流数据和非机动车交通流数据之间的交通流数据的路网干扰信息，对所述待调度交通路段中的机动车交通流数据和非机动车交通流数据进行拥堵状态分析，得到交通拥堵状态分析结果，包括：
将所述待调度交通路段中的非机动车交通流数据确定为针对拥堵状态分析的非机动车交通流数据，将所述待调度交通路段中的机动车交通流数据确定为针对拥堵状态分析的机动车交通流数据；所述针对拥堵状态分析的非机动车交通流数据中的非机动车行驶轨迹数据是从针对所述待调度交通路段的监控视频对应的行驶轨迹数据中所确定的；
获取所述监控视频对应的行驶轨迹数据中的机动车行驶轨迹数据；将所述监控视频对应的行驶轨迹数据中的机动车行驶轨迹数据与所述针对拥堵状态分析的机动车交通流数据中的机动车行驶轨迹数据之间的行驶轨迹数据的行驶轨迹变化信息，确定为所述针对拥堵状态分析的非机动车交通流数据与所述针对拥堵状态分析的机动车交通流数据之间的所述交通流数据的路网干扰信息；
当所述交通流数据的路网干扰信息的路网干扰指数大于或等于路网干扰指数阈值时，对所述针对拥堵状态分析的非机动车交通流数据和所述针对拥堵状态分析的机动车交通流数据进行拥堵状态分析，得到所述交通拥堵状态分析结果。
4.根据权利要求1所述的方法，其特征在于，所述待调度非机动车交通流数据包括所述待调度交通路段中的违章的非机动车行驶轨迹数据；所述交通拥堵状态分析结果的数量为至少两个；每个交通拥堵状态分析结果中的非机动车交通流数据分别包括所述待调度交通路段中的未违章的非机动车行驶轨迹数据；所述根据所述交通拥堵状态分析结果中的非机动车交通流数据与所述待调度非机动车交通流数据之间的交通线路轨迹的相关性信息，确定与所述待调度非机动车交通流数据相对应的交通引导调度策略，包括：
根据所述违章的非机动车行驶轨迹数据，获取所述待调度非机动车交通流数据的第一交通流数据拥堵标签；
根据所述每个交通拥堵状态分析结果包括的未违章的非机动车行驶轨迹数据，分别获取所述每个交通拥堵状态分析结果中的非机动车交通流数据的第二交通流数据拥堵标签；
获取所述第一交通流数据拥堵标签分别与所述每个交通拥堵状态分析结果对应的第二交通流数据拥堵标签之间的标签相似度；
根据所述每个交通拥堵状态分析结果对应的标签相似度，确定所述每个交通拥堵状态分析结果中的非机动车交通流数据分别与所述待调度非机动车交通流数据之间的交通线路轨迹的相关性信息；
当目标交通拥堵状态分析结果的数量大于第一预设数量阈值且小于或等于第二预设数量阈值时，将所述目标交通拥堵状态分析结果中的机动车交通流数据所对应的交通引导调度策略，确定为与所述待调度非机动车交通流数据相对应的交通引导调度策略；所述目标交通拥堵状态分析结果，是指对应的交通线路轨迹的相关性信息的相关性系数大于或等于交通线路轨迹的相关性系数阈值的交通拥堵状态分析结果；
其中，所述违章的非机动车行驶轨迹数据的行驶轨迹变化类型的数量为至少两个；所述根据所述违章的非机动车行驶轨迹数据获取所述待调度非机动车交通流数据的第一交通流数据拥堵标签，包括：
获取至少两个违章的非机动车行驶轨迹数据中的每个违章的非机动车行驶轨迹数据分别对应的行驶轨迹数据拥堵标签；
根据所述每个违章的非机动车行驶轨迹数据分别对应的行驶轨迹数据拥堵标签，获取所述至少两个违章的非机动车行驶轨迹数据对应的第一关联拥堵标签；将所述第一关联拥堵标签，确定为所述第一交通流数据拥堵标签；
其中，所述至少两个交通拥堵状态分析结果包括第i个交通拥堵状态分析结果，i为小于或等于所述至少两个交通拥堵状态分析结果的总数量的正整数；所述第i个交通拥堵状态分析结果包括的未违章的非机动车行驶轨迹数据的行驶轨迹变化类型的数量为至少两个；所述根据所述每个交通拥堵状态分析结果包括的未违章的非机动车行驶轨迹数据，分别获取所述每个交通拥堵状态分析结果中的非机动车交通流数据的第二交通流数据拥堵标签，包括：
获取所述第i个交通拥堵状态分析结果包括的至少两个未违章的非机动车行驶轨迹数据中的每个未违章的非机动车行驶轨迹数据分别对应的行驶轨迹数据拥堵标签；
根据所述每个未违章的非机动车行驶轨迹数据分别对应的行驶轨迹数据拥堵标签，获取所述至少两个未违章的非机动车行驶轨迹数据对应的第二关联拥堵标签；
将所述第二关联拥堵标签，确定为所述第i个交通拥堵状态分析结果中的非机动车交通流数据的第二交通流数据拥堵标签。
5.根据权利要求4所述的方法，其特征在于，所述待调度非机动车交通流数据的数量为至少两个；所述方法还包括：
当所述目标交通拥堵状态分析结果的数量小于或等于所述第一预设数量阈值时，将与每个待调度非机动车交通流数据之间的交通线路轨迹的相关性信息对应的相关性系数最大的非机动车交通流数据所在的交通拥堵状态分析结果，分别确定为所述每个待调度非机动车交通流数据对应的待定拥堵状态分析结果组合；
将所述每个待调度非机动车交通流数据对应的待定拥堵状态分析结果组合中的机动车交通流数据所对应的交通引导调度策略，分别确定为所述每个待调度非机动车交通流数据对应的待定交通引导调度策略；
根据所述每个待调度非机动车交通流数据对应的待定交通引导调度策略，确定待确定调度策略对应的至少两个调度策略的累计使用次数；
获取所述至少两个调度策略的累计使用次数在至少两个交通拥堵状态分析结果的机动车交通流数据所对应的交通引导调度策略中的第一使用统计信息；
根据所述第一使用统计信息，确定所述每个待调度非机动车交通流数据针对所述待确定调度策略的第一目标调度策略的累计使用次数；
将分别具有所述每个待调度非机动车交通流数据对应的第一目标调度策略的累计使用次数的所述待确定调度策略，确定为与所述每个待调度非机动车交通流数据相对应的交通引导调度策略；所述至少两个调度策略的累计使用次数在与所述每个待调度非机动车交通流数据相对应的交通引导调度策略中的第二使用统计信息，与所述第一使用统计信息相匹配。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
当所述目标交通拥堵状态分析结果的数量大于所述第二预设数量阈值时，统计待确定调度策略的至少两个调度策略的累计使用次数在所述目标交通拥堵状态分析结果的机动车行驶轨迹数据所对应的交通引导调度策略中的调度策略匹配信息；所述至少两个调度策略的累计使用次数，是根据所述目标交通拥堵状态分析结果中的机动车交通流数据所对应的交通引导调度策略所确定的；
根据所述待调度非机动车交通流数据与所述目标交通拥堵状态分析结果之间的交通线路轨迹的相关性信息、以及所述调度策略匹配信息，从所述至少两个调度策略的累计使用次数中，确定所述待调度非机动车交通流数据针对所述待确定调度策略的第二目标调度策略的累计使用次数；
将具有所述第二目标调度策略的累计使用次数的所述待确定调度策略，确定为与所述待调度非机动车交通流数据相对应的交通引导调度策略。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述交通拥堵状态分析结果中的机动车交通流数据所对应的交通引导调度策略，确定为所述交通拥堵状态分析结果所对应的交通引导调度策略；将所述交通拥堵状态分析结果和所述针对所述交通引导调度策略的目标拥堵状态分析结果，确定为所述待调度交通路段中的拥堵状态分析结果组合；将所述拥堵状态分析结果组合所对应的交通引导调度策略，确定为目标交通引导调度策略；为所述目标交通引导调度策略与所在的所述拥堵状态分析结果组合中的非机动车交通流数据添加相同的非机动车路网标签；将具有所述非机动车路网标签的所述目标交通引导调度策略，分别映射至基于遗传算法的神经网络模型、基于时空图的卷积神经网络模型以及基于前向反馈的神经网络模型；
其中，通过所述基于遗传算法的神经网络模型对所述目标交通引导调度策略进行策略迭代更新的迭代次数，大于通过所述基于时空图的卷积神经网络模型对所述目标交通引导调度策略进行策略迭代更新的迭代次数；通过所述基于时空图的卷积神经网络模型对所述目标交通引导调度策略进行策略迭代更新的迭代次数，大于通过所述基于前向反馈的神经网络模型对所述目标交通引导调度策略进行策略迭代更新的迭代次数；
且，
所述基于遗传算法的神经网络模型针对所述目标交通引导调度策略的数据映射缺损比，小于所述基于时空图的卷积神经网络模型针对所述目标交通引导调度策略的数据映射缺损比；所述基于时空图的卷积神经网络模型针对所述目标交通引导调度策略的数据映射缺损比，小于所述基于前向反馈的神经网络模型针对所述目标交通引导调度策略的数据映射缺损比；
所述根据所述针对所述交通引导调度策略的目标拥堵状态分析结果和所述交通拥堵状态分析结果，确定所述待调度交通路段中的机动车调度策略和所述机动车调度策略对应的调度执行指示信息，包括：
根据所述拥堵状态分析结果组合中的非机动车交通流数据，确定所述待调度交通路段中的所述机动车调度策略；
根据所述拥堵状态分析结果组合中的非机动车交通流数据所具有的所述非机动车路网标签，从所述基于遗传算法的神经网络模型、所述基于时空图的卷积神经网络模型或所述基于前向反馈的神经网络模型中，获取具有所述非机动车路网标签的所述目标交通引导调度策略，将获取到的所述目标交通引导调度策略确定为所述机动车调度策略对应的调度执行指示信息。
8.一种云计算服务器，其特征在于，包括基于大数据和人工智能的数据分析装置，所述数据分析装置中的功能模块在运行时实现权利要求1-7任一项所述的方法。
9.一种云计算服务器，其特征在于，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行权利要求1-7任一项所述的方法。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行是实现权利要求1-7任一项所述的方法。