1.一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法，其特征在于，所述方法包括以下步骤：(1)道路网络拓扑结构图构建：基于道路网络的空间拓扑结构建立一个无向图；

(2)道路网络语义关联图构建：首先计算道路历史拥堵指数数据间相似度，然后基于该相似度建立一个加权无向图，最后对该加权无向图进行嵌入得到表征道路的语义向量；

(3)基于混合深度神经网络的预测模型构建：基于图卷积网络抽取短期拥堵指数变化特征，基于循环神经网络抽取长期拥堵指数变化特征，在此基础上融合道路语义向量建立预测模型。

2.如权利要求1所述的一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法，其特征在于，所述步骤(1)中，道路网络拓扑结构图构建的过程如下：(1-1)道路网络拓扑结构图建立：首先，将道路网络中每条道路Ri创建为一个节点；然后，若车辆能从道路Ri直接到达道路Rj或从道路Rj直接到达道路Ri，则在节点Ri和节点Rj之间创建一条边，记最后建立的无向图为TG；

(1-2)道路网络拓扑结构图表示：采用一个邻接矩阵表示TG。

3.如权利要求1或2所述的一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法，其特征在于，所述步骤(2)中，道路网络语义关联图构建的过程如下：(2-1)历史拥堵指数向量距离计算：对每条道路Ri，首先，对Ri的历史拥堵指数按周进行分割；然后，对Ri每周的历史拥堵指数进行平均，得到历史拥堵指数向量CVi；最后，基于DTW算法(动态时间归整算法)计算任意两个历史拥堵指数向量CVi和CVj的距离dist(CVi,CVj)；

(2-2)道路网络语义关联图建立：首先，将任意两个历史拥堵指数向量的距离dist(CVi,CVj)转化为相似度sim(CVi,CVj)＝exp(-dist(CVi,CVj))；然后，将道路网络中每条道路Ri创建为一个节点，若sim(CVi,CVj)>相似度阈值δ，则在节点Ri和节点Rj之间创建一条边，其权重wij＝sim(CVi,CVj)；记最后建立的加权无向图为SG；

(2-3)道路语义向量生成：采用图嵌入算法对SG进行表征学习，得到表征每条道路的语义向量，则整个道路网络的语义矩阵为SM。

4.如权利要求1或2所述的一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法，其特征在于，所述步骤(3)中，基于混合深度神经网络的预测模型构建的过程如下：(3-1)训练样本集构建：假定训练样本St当前时刻为t，预测间隔为g，则St＝(WDt,Xt)，其中，WDt为St的数据部分，跨度为一周，表示为一个N×(168×d1)维的矩阵，其中，d1为每条道路在1小时内的拥堵指数采样个数，WDt[i]代表道路Ri在t前一周的拥堵指数向量，Xt为St的标注部分，表示为一个N维向量，Xt[i]为道路Ri在t+g时刻的真实拥堵指数，对道路网络的历史拥堵指数数据进行分割得到大量训练样本，从而建立训练样本集；

(3-2)预测模型构建：融合图卷积网络、循环神经网络和道路语义向量构建预测模型，对网络结构的解释如下：输入层：网络的输入为样本St的数据部分WDt，将WDt以1小时为单位分割成168个N×d1维的小矩阵WDt1,WDt2,...,WDt168；

卷积层：对每个小矩阵WDtk，将其和TG一起输入一个图卷积网络，该图卷积网络的输出为一个N×d2维的矩阵，则卷积层的最终输出为一个包含了168个N×d2维矩阵的序列；

循环层：将卷积层的输出输入一个长短期记忆网络，每个N×d2维矩阵输入一个长短期记忆网络单元，则长短期记忆网络的输出为一个包含了168个N×d3维矩阵的序列，取最后一个N×d3维矩阵作为循环层的输出；

融合层：将循环层的输出与道路网络语义矩阵SM进行横向拼接，得到一个N×(d3+k)维的矩阵作为输出；

输出层：首先将融合层的输出输入一个全连接层，然后将全连接层的输出输入一个softmax层，最终softmax层的输出为一个N维向量Yt，其中，Yt[i]代表为道路Ri在t+g时刻的预测拥堵指数。