1.一种基于时空图卷积神经网络的交通拥塞传播预测方法，其特征在于：包括以下步骤:

步骤1：获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据；

步骤1.1：从网络上下载交通数据集；所述交通数据集包含交通路网上速度传感器的位置信息和传感器检测到的交通速度数据；将交通速度数据划分为训练数据集以及验证数据集；

步骤1.2：根据交通数据集中n个传感器在交通路网中的连接关系构建传感器网络的邻接矩阵，邻接矩阵Wij＝1的表示如下：若Wij＝1，表示第i个传感器和第j个传感器在路网上连接，反之Wij＝0；

步骤2：选取图卷积神经网络和时间卷积神经网络作为基础模块，构建时空图卷积神经网络交通预测模块；

步骤3：采用传感器历史数据与邻接矩阵数据对时空图卷积交通预测模块进行训练；

步骤3.1：将时间卷积神经网络，图卷积神经网络以时间卷积‑图卷积‑时间卷积的结构融合为一个时空特征提取层；

步骤3.2：堆叠N个时空特征提取层，获取高阶邻居特征，时空特征提取层之间的信息传递公式如下：

FLAYER(i+1)＝σ(F′LAYER(i))其中F′LAYER(i)为第i个时空特征提取层的输出，FLAYER(i+1)为第i+1个时空特征提取层的输入；σ为RELU激活函数；

步骤3.3：引入全连接层，对数据特征进行分类，使模型训练具有可控性；

步骤3.4：训练数据集中交通速度数据用于时空图卷积交通预测模块训练，验证数据集用于测试时空图卷积交通预测模块训练效果；

步骤4：设计损失函数，利用验证数据集测试训练集速度预测性能指标；

所述损失函数的定义如下：

yi表示第i个样本的标签值，表示第i个样本的网络预测值，T表示整个测试集样本总和；

步骤5：识别交通拥塞路段，并确定目标路段的第一流出相邻路段，第二流出相邻路段，第三流出相邻路段；

所述步骤5具体包括以下步骤：

步骤5.1：根据传感器实时反馈的道路车辆速度信息，检测已经产生拥塞的路段；

所述拥塞的标准选用百分之六十最大流通速度标准；其中，最大流通速度为道路传感器检测到的最大车流速度值，当传感器检测的车辆速度小于拥塞标准时，则判定道路产生拥塞；

步骤5.2：根据传感器网络邻接矩阵数据反映出的道路路网相关性，确定拥塞路段的第一流出相邻路段；交通拥塞在路网中传播的方向与车流行进方向相反，交通拥塞流出相邻路段是车流流入相邻路段；

所述第一流出相邻路段是目标路段连接的车流流入相邻路段，根据第一流出相邻路段查找第二流出相邻路段，然后确定拥塞道路的第三流出相邻路段；

步骤6：识别拥塞源高拥塞传播可能性的传入相邻路段，找出拥塞从源道路传播到目标道路的可能性，确定目标道路路段的具有更高的拥塞传播可能性的传入相邻路段；

所述步骤6具体包括以下步骤：

步骤6.1：设置在任何目标道路上出现速度下降的现象为事件1(ev1)，在目标道路拥塞的开始时间范围内，其任何流入相邻路段处出现速度下降为事件2(ev2)；

步骤6.2：针对拥塞源道路的每个相邻路段，检查事件ev1和ev2发生的次数，判定当拥塞源道路产生的拥塞传播到相应邻居的次数的比例ev1/ev2>0.5时，将该道路记录为拥塞高概率路段；

步骤7：预测未来连续间隔时间点第一、第二、第三流出相邻道路的拥塞情况；

所述步骤7具体包括以下步骤：

步骤7.1：交通数据集中传感器的采样时间为t分钟，未来连续时间间隔采用5分钟，预测在拥塞发生时刻戳n后的5分钟的时刻戳n+1，第一流出相邻路段的交通拥塞情况，拥塞传播过程中目标路段拥塞标准如下：所述传感器的所在位置选用下式为标准：(n‑1)时刻预测速度‑n时刻预测速度>＝0.1×(n‑1)时刻预测速度；

其中，n为拥塞发生时刻，n‑1为拥塞发生前5分钟时刻；

步骤7.2：满足目标路段拥塞标准视为目标路段拥塞即n时刻拥塞的路段已经将拥塞的车流传递给第一流出相邻路段，预测第一、第二、第三流出相邻路段的拥塞情况与拥塞时间；

步骤8：选取拥塞事件对拥塞传播框架进行测试，完成对交通路网交通拥塞传播的预测。

2.根据权利要求1所述的一种基于时空图卷积神经网络的交通拥塞传播预测方法，其特征在于，步骤2中：所述图卷积神经网络获取交通速度数据的空间特征；所述时间卷积神经网络获取交通速度数据的时间特征，时间卷积神经网络卷积核的尺寸是超参数。