1.一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，其特征在于，所述方法包括以下步骤：(1)构建目标节点的邻域：根据车道邻接矩阵得到与被预测车道有连接的车道，通过对每条车道的相关性进行排序，选取被预测车道含有阈值K个节点的邻域；

(2)基于CNN构建道路交通流状态预测模型：将每条被预测车道及其邻域车道的交通流状态构成时间序列上的高阶邻域交通状态向量，由交通状态向量得到时间序列上的高阶邻域交通状态矩阵，并将其作为CNN模型的输入，实现交通流状态预测。

2.如权利要求1所述的一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，其特征在于，所述步骤(1)的过程如下：步骤1.1：构建交通道路网络

将网络记作G＝(V,E)，其中V是节点集合，E是边的集合，G为无向图，边图L(G)＝(VL,EL)是表示G的边邻接结构的图，L(G)中的节点VL是G中有序的边，即VL＝{(i'→j')；(i',j')∈E}∪{(j'→i')；(i',j')∈E}，故|VL|＝2|E|，将车道定义为节点，车道间的连接关系定义为边，构建了一个无向的道路交通网络边图L(G)＝(VL,EL)，道路交通网络边图L(G)＝(VL,EL)的邻接矩阵定义为 找出相互有连接关系的车道并构造交通道路网络，设第i条车道和第j条车道有直接物理连接，则邻接矩阵中Aij为1，否则为0，表达式为：步骤1.2：计算与中心节点车道有连接的车道的相关性

根据步骤1.1找到的有直接连接的节点，利用皮尔逊相关系数公式计算出相互连接的车道的相关性：其中，pij表示第i条车道与第j条车道的相关系数，T为交通流状态的采样时段数，xil和xjl分别为第i条车道和第j条车道在第l时刻的交通流状态数据(0

步骤1.3：根据节点相关性构建节点的高阶邻域

第i个节点的一阶邻域节点为第 节点，第i11个节点的一阶邻域为第节点，第i21个节点的一阶邻域为第 节点，以此类推，第i(N-1)1个节点的一阶邻域为 且均已按相关性从大到小排列，其中， 下标的第一位N表示第i个节点的N阶邻域，pN表示在N阶邻域中的排序，设定邻域节点个数阈值为K；

若p1+p2+p3+…+pn≥K(1≤n≤N,n∈N*)，则选取到第i个节点的n阶邻域；

若 则选取到第i个节点的n+1阶邻域；

综上，第i条车道的邻域节点序列记为{i1,i2,…,iK}。

3.如权利要求1或2所述的一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，其特征在于，所述步骤(2)中，基于CNN构建道路交通拥堵的传播预测模型的过程如下：步骤2.1：对输入CNN的矩阵做预处理

将矩阵中数据进行归一化，采用的归一化方法是最大最小归一化，计算公式为：其中，Xit表示第i条车道在t时刻的交通流状态数据，Xi.min、Xi.max分别表示每条车道交通流量数据的最小值与最大值；

将第i条车道及其邻域车道的交通流状态数据作为CNN的输入向量，记作n为交通网络中的车道总数，K为邻域节点个数

阈值，其中 代表第 条车道共计Γ个时刻的交通流

状态数据，Γ为输入CNN的时刻数， 表示第 条车道在t时刻的交通流状态数据；

步骤2.2：选取适当的激活函数，对输入进行池化操作

激活函数能将非线性特性引入卷积神经网络，选择ReLU作为激活函数，线性整流函数(ReLU)用于隐层神经元的输出，公式如下：卷积神经网络中卷积的计算公式为：

其中，Wk,l是权重矩阵，Xik,l是输入的交通流状态向量， 是第i条车道卷积后的输出；

池化层对卷积得到的结果进行池化，池化层可以减少参数个数，采用的是最大池化，最大池化可以提取出最明显的特征，池化操作采用的是2×2的池化窗口，故每次提取出4个值中的最大值，卷积层和池化层的输入是一维向量，第一层卷积层和池化层的输入是交通流状态数据，池化窗口大小为p×q，则池化层的操作为：其中，c1为卷积核的个数，由于卷积层和池化层的计算，输入参数的数目大大减小，全连接层将上一层的输出展开成一维数据，并连接到每个神经元上，得到最终输出；

其中，是输出的第i条车道预测交通流量。