1.一種基于融合特征的GraphSAGE交通路網數據預測的方法，其特征在于，所述方法包括以下步驟：

1)構建基于時間相關性的拓補網絡：根據路網歷史交通狀態(tài)數據，計算不同路網節(jié)點之間的相關性系數，并且根據不同節(jié)點之間的相關性系數大小重新定義節(jié)點之間的連通關系，構建基于時間相關性的邏輯相關路網；

2)基于GraphSAGE提取路網時空特征并進行特征融合：采用GraphSAGE分別對原始路網與重構后的基于時間相關性的邏輯相關路網進行時空特征提取，并將提取的不同特征進行特征融合；

3)定義網絡模型損失函數，并以最小化損失函數為目的不斷訓練調整模型參數，最終實現對路網交通狀態(tài)預測：定義模型損失函數，并采用反向傳播算法，不斷迭代訓練以降低損失函數，最終保存最優(yōu)的模型參數，實現基于路網歷史交通狀態(tài)數據預測路網未來交通狀態(tài)數據；

所述步驟1)的過程如下：

1.1)構建交通原始路網

構建交通原始路網G＝(V,E)，其中：V＝{v₁,v₂,v₃,...,v_N}，|V|＝N，

N為交通路網節(jié)點中檢測器的數量，E表示為該交通路網狀態(tài)的鄰接矩陣，即交通路網節(jié)點之間的空間關系，v_i(i∈1,2,3,…,N)代表第i個檢測器，檢測器檢測的是交通節(jié)點，選取與節(jié)點v_i之間在空間上為連邊關系的節(jié)點集合，記為若第i個檢測器v_i代表的道路節(jié)點與第j個檢測器v_j代表的道路節(jié)點存在相鄰關系，則e_ij＝1，反之：e_ij＝0；

1.2)計算不同路網節(jié)點之間的相關性系數

利用皮爾遜相關性系數計算公式，對于每個檢測器道路節(jié)點v_i(i∈1,2,3,…,N)，其歷史道路狀態(tài)數據為：x_i＝[x_i1,x_i2,x_i3,…,x_iT]，T為歷史數據中的數據量，計算出各路網節(jié)點之間的相關性，其第i個檢測器v_i代表的道路節(jié)點與第j個檢測器v_j代表的道路節(jié)點之間的皮爾遜相關性系數r_ij計算公式為：

其中K為在計算皮爾遜相關性系數時所選取的檢測器表示的交通路網狀態(tài)節(jié)點數據的長度，通過得到不同檢測器之間的皮爾遜相關性系數，得到路網G的x×x的皮爾遜相關性系數矩陣

1.3)根據皮爾遜相關性系數矩陣，構建基于時間相關性的邏輯相關路網

對于每個檢測器節(jié)點v_i∈V，計算得到檢測器之間的皮爾遜相關性系數，選取與節(jié)點v_i之間系數較大的m個檢測器為連邊關系，m個檢測器記為構建時間相關性的系數矩陣，其中，v_ik表示與節(jié)點v_i建立連邊關系的第k(k＝1,2,…,m)個節(jié)點，v_im∈V，表示向下取整；p為選取的較相關的檢測器節(jié)點的比例，p∈(0,1)，構建后的交通道路網絡H＝(V,A)，其中a_ij表示第i個檢測器v_i與第j個檢測器v_j之間存在的連邊關系：

所述步驟2)的過程如下：

根據原始路網和構建的基于時間相關性的邏輯相關路網，針對每個檢測器節(jié)點的鄰居節(jié)點特征，均采用均值聚合的方法聚合空間信息，若進行T層均值聚合，聚合計算公式為：

其中與分別表示對于原始路網和邏輯相關路網中，節(jié)點v_i通過GraphSAGE交通路網模型特征提取的第t層特征；分別表示通過均值聚合的方法在第t層聚合得到的特征，其中和分別表示為原始路網和邏輯相關路網中，與節(jié)點v_i具有連邊關系的節(jié)點集合，即鄰居節(jié)點集合；mean表示為求不同節(jié)點在不同特征屬性上的特征均值；CONCAT表示為特征合并；σ₁，σ₂表示為激活函數；W₁^t，W₂^t為模型需要訓練的權重參數；

對路網中所有節(jié)點進行T層GraphSAGE均值聚合后，分別得到表示鄰接矩陣和基于相關性系數矩陣的聚合特征和

并對兩個聚合特征進行特征融合，特征融合的計算方式：

其中表示特征融合后的特征，W^T，σ₁，σ₂，b為模型待學習的參數,σ₁為ReLU函數，σ₂為Sigmoid函數，函數表達式為：

所述步驟3)的過程如下：

定義網絡模型損失函數L_G：

定義模型損失函數L_G，其中α為重構誤差系數，X為未來交通狀態(tài)真實數據，最小化損失函數并最后返回最優(yōu)模型參數，循環(huán)迭代反向傳播算法，最終保留基于融合特征的GraphSAGE交通路網模型.模型是輸出數據進行反標準化操作，得到預測交通路網狀態(tài)數據，反標準化計算公式為：

其中，分別代表第i條路段速度的最小值，分別代表第i條路段速度的最大值，F_i(t+q)分別為第i條道路在第(t+q)時刻的速度預測大小。