1.一种基于融合特征的GraphSAGE交通路网数据预测的方法，其特征在于，所述方法包括以下步骤：

1)构建基于时间相关性的拓补网络：根据路网历史交通状态数据，计算不同路网节点之间的相关性系数，并且根据不同节点之间的相关性系数大小重新定义节点之间的连通关系，构建基于时间相关性的逻辑相关路网；

2)基于GraphSAGE提取路网时空特征并进行特征融合：采用GraphSAGE分别对原始路网与重构后的基于时间相关性的逻辑相关路网进行时空特征提取，并将提取的不同特征进行特征融合；

3)定义网络模型损失函数，并以最小化损失函数为目的不断训练调整模型参数，最终实现对路网交通状态预测：定义模型损失函数，并采用反向传播算法，不断迭代训练以降低损失函数，最终保存最优的模型参数，实现基于路网历史交通状态数据预测路网未来交通状态数据；

所述步骤1)的过程如下：

1.1)构建交通原始路网

构建交通原始路网G＝(V,E)，其中：V＝{v1,v2,v3,...,vN}，|V|＝N，N为交通路网节点中检测器的数量，E表示为该交通路网状态的邻接矩阵，即交通路网节点之间的空间关系，vi(i∈1,2,3,…,N)代表第i个检测器，检测器检测的是交通节点，选取与节点vi之间在空间上为连边关系的节点集合，记为 若第i个检测器vi代表的道路节点与第j个检测器vj代表的道路节点存在相邻关系，则eij＝1，反之：eij＝0；

1.2)计算不同路网节点之间的相关性系数

利用皮尔逊相关性系数计算公式，对于每个检测器道路节点vi(i∈1,2,3,…,N)，其历史道路状态数据为：xi＝[xi1,xi2,xi3,…,xiT]，T为历史数据中的数据量，计算出各路网节点之间的相关性，其第i个检测器vi代表的道路节点与第j个检测器vj代表的道路节点之间的皮尔逊相关性系数rij计算公式为：其中K为在计算皮尔逊相关性系数时所选取的检测器表示的交通路网状态节点数据的长度，通过得到不同检测器之间的皮尔逊相关性系数，得到路网G的x×x的皮尔逊相关性系数矩阵

1.3)根据皮尔逊相关性系数矩阵，构建基于时间相关性的逻辑相关路网对于每个检测器节点vi∈V，计算得到检测器之间的皮尔逊相关性系数，选取与节点vi之间系数较大的m个检测器为连边关系，m个检测器记为 构建时间相关性的系数矩阵，其中， vik表示与节点vi建立连边关系的第k(k＝1,2,…,m)个节点，vim∈V， 表示向下取整；p为选取的较相关的检测器节点的比例，p∈(0,

1)，构建后的交通道路网络H＝(V,A)，其中 aij表示第i个检测器vi与第j个检测器vj之间存在的连边关系：所述步骤2)的过程如下：

根据原始路网和构建的基于时间相关性的逻辑相关路网，针对每个检测器节点的邻居节点特征，均采用均值聚合的方法聚合空间信息，若进行T层均值聚合，聚合计算公式为：其中 与 分别表示对于原始路网和逻辑相关路网中，节

点vi通过GraphSAGE交通路网模型特征提取的第t层特征； 分别表示通过均值聚合的方法在第t层聚合得到的特征，其中 和 分别

表示为原始路网和逻辑相关路网中，与节点vi具有连边关系的节点集合，即邻居节点集合；

mean表示为求不同节点在不同特征属性上的特征均值；CONCAT表示为特征合并；σ1，σ2表示t t为激活函数；W1，W2为模型需要训练的权重参数；

对路网中所有节点进行T层GraphSAGE均值聚合后，分别得到表示邻接矩阵和基于相关性系数矩阵的聚合特征 和并对两个聚合特征进行特征融合，特征融合的计算方式：

T

其中 表示特征融合后的特征，W ，σ1，σ2，b为模型待学习的参数,σ1为ReLU函数，σ2为Sigmoid函数，函数表达式为：所述步骤3)的过程如下：

定义网络模型损失函数LG：

定义模型损失函数LG，其中α为重构误差系数，X为未来交通状态真实数据，最小化损失函数并最后返回最优模型参数，循环迭代反向传播算法，最终保留基于融合特征的GraphSAGE交通路网模型.模型是输出数据进行反标准化操作，得到预测交通路网状态数据，反标准化计算公式为：其中， 分别代表第i条路段速度的最小值， 分别代表第i条路段速度的最大值，Fi(t+q)分别为第i条道路在第(t+q)时刻的速度预测大小。