1.一种基于跳跃图注意力门控循环网络的交通速度预测方法，其特征在于，包括：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2：选取图注意力神经网络和门控循环神经网络分别捕获交通速度数据的空间和时间特征；

步骤3：设计图注意门控循环网络，融合图注意力神经网络和门控循环神经网络生成交通速度数据的时空特征，单层的图注意力门控循环网络层捕获一阶邻居传感器的时空关系，若干个堆叠的图注意力门控循环网络层提取高阶邻居传感器之间的时空关系；

融合图注意力神经网络和门控循环神经网络为图注意力门控循环神经网络层，同时捕捉交通路网上的交通速度信息的时间和空间特征；下式为图注意力门控循环神经网络内部结构公式：

rt＝σ(WirGA(xt)+WhrGA(h(t‑1))+br)zt＝σ(WizGA(xt)+WhzGA(h(t‑1))+bz)nt＝tanh(WinGA(xt)+Whn(GA(rt*h(t‑1)))+bn)ht＝(1‑zt)*nt+zt*h(t‑1)其中，GA(·)为多头图注意力函数，xt为交通速度输入量，h(t‑1)为上一时刻隐藏状态，ht为此时刻的隐藏状态；σ为sigmoid激活函数，tanh为tanh激活函数；rt为门控循环神经网络重置门输出量，zt为门控循环神经网络更新门输出量更新门输出量，nt为隐藏状态候选集；

Wir为重置门输入线性变换，Whr为重置门上一时刻隐藏状态线性变换，br为重置门偏置量；

Wiz为更新门输入线性变换，Whz为更新门上一时刻隐藏状态线性变换，bz为更新门偏置量；

Win为隐藏状态候选集输入线性变换，Whn为隐藏状态候选集上一时刻隐藏状态线性变换，bn为隐藏状态候选集偏置量；

步骤4：聚合各图注意力神经网络层的隐藏层信息，将聚合的隐藏层信息输入到跳跃网络层，自适应的调节图注意神经网络的高阶邻居传感器聚合邻域特征的提取范围；

步骤5：设计序列到序列神经网络结构，结合图注意力门控循环网络层合和跳跃网络层设计编码解码过程，解码过程的输出作为交通速度预测结果；

步骤6：将训练集数据输入跳跃图注意力门控循环网络，计算损失函数，并采用Adam优化器对跳跃图注意力门控循环网络进行优化；

步骤7：利用验证数据集对神经网络性能指标进行测试，将验证数据集数据输入到已经通过训练集数据训练的跳跃图注意力门控循环网络中，根据预测结果的误差指标判断网络性能指标，误差值越低，网络性能越好，输出交通速度预测结果。

2.根据权利要求1所述的一种基于跳跃图注意力门控循环网络的交通速度预测方法，其特征在于，所述步骤1具体包括以下步骤：步骤1.1：由安装在交通路网道路上的交通速度传感器获取交通速度数据，将所有的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：根据交通速度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；

所述邻接矩阵的表示如下：

若Wij＝1，表示第i个传感器和第j个传感器在路网上是连接的，Wij＝0表示第i个传感器和第j个传感器在路网上无连接关系。

3.根据权利要求1所述的一种基于跳跃图注意力门控循环网络的交通速度预测方法，其特征在于，所述步骤2具体包括以下步骤：步骤2.1：使用图注意力神经网络获取交通速度数据的交通路网空间特征，图注意力神经网络获取非欧几里得空间中相邻点的空间结构，传感器之间的注意力相关性系数公式如下：

其中W是线性变换操作；eij是乘法注意力机制获得一对传感器之间的相关性系数，t

ATTENTION()是注意力机制，Fi和 为t时刻第i个传感器和第j个传感器的交通速度数据；

将路网所有传感器与第i个传感器注意力相关性系数通过soft max函数进行归一化处理，传感器之间归一化之后的相关性系数公式如下：其中 是在所有传感器之间归一化之后的相关性系数，soft max为归一化指数函数，exp(·)为以自然常数e为底的指数函数，N为传感器数量；

采用多头注意力机制计算聚合后的交通速度数据，多头注意力函数如下所示:t

Fi′为通过多头注意力机制聚合后的t时刻第i个传感器的交通速度数据,k为多头注意k

力头数，W为多头注意力每个头的线性变换；将多头注意力函数表示为GA(·)；

步骤2.2：使用门控循环神经网络获取交通速度数据的时间特征，下式为门控循环神经网络内部结构公式：

rt＝σ(Wirxt+Whrh(t‑1)+br)zt＝σ(Wizxt+Whzh(t‑1)+bz)nt＝tanh(Winxt+Whn(rt*h(t‑1))+bn)ht＝(1‑zt)*nt+zt*h(t‑1)其中，xt为交通速度输入量，h(t‑1)为上一时刻隐藏状态，ht为此时刻的隐藏状态，σ为sigmoid激活函数，tanh为tanh激活函数；rt为门控循环神经网络重置门输出量，zt为门控循环神经网络更新门输出量更新门输出量，nt为隐藏状态候选集；Wir为重置门输入线性变换，Whr为重置门上一时刻隐藏状态线性变换，br为重置门偏置量；Wiz为更新门输入线性变换，Whz为更新门上一时刻隐藏状态线性变换，bz为更新门偏置量；Win为隐藏状态候选集输入线性变换，Whn为隐藏状态候选集上一时刻隐藏状态线性变换，bn为隐藏状态候选集偏置量。

4.根据权利要求1所述的一种基于跳跃图注意力门控循环网络的交通速度预测方法，其特征在于，所述步骤4具体包括以下步骤：步骤4.1：采用基于注意力机制的双向门控卷积循环神经网络构建跳跃网络层，聚合各图注意力神经网络层的隐藏层信息；

所述基于注意力机制的聚合信息公式如下所示：其中Sum为各图注意力神经网络层聚合后的信息，k为图注意力门控循环神经网络层的层数， 为各个隐藏层输出信息注意力系数，softmax为归一化指数函数， 为图注意力门控循环神经网络前向和后向传递的隐藏层信息；

步骤4.2：将聚合的信息输入到跳跃网络层，所述跳跃网络层采用基于注意力机制的门控循环网络。

5.根据权利要求1所述的一种基于跳跃图注意力门控循环网络的交通速度预测方法，其特征在于，所述步骤5具体包括以下步骤：步骤5.1：采用序列到序列的结构，将由图注意力门控循环神经网络和跳跃层整合为编码过程；

步骤5.2：编码过程的隐藏层信息保存于承上启下隐藏层；所述承上启下隐藏层是固定长度的向量表达，承上启下隐藏层输出信息用于解码过程；

步骤5.3：采用图注意力门控循环神经网络和全连接神经网络构建解码过程，输出层的输出作为整个深度学习框架的交通速度预测结果。

6.根据权利要求1所述的一种基于跳跃图注意力门控循环网络的交通速度预测方法，其特征在于，步骤6中所述损失函数如下：其中y表示标签值，表示训练过程中网络输出的预测值，T表示整个验证数据集样本总和，yi表示第i个样本。