1.一种基于时空超图神经网络的交通流预测方法，包括如下步骤：(1)将道路传感器节点视为图节点，传感器上的交通信息视为节点属性，对交通信息进行超图结构数据表示，并进行问题定义；

(2)将交通数据在空间维度呈现出的局部相关性和跨路网同构性利用超图统一起，并基于超图的双通道超图卷积来捕获交通数据中的高阶空间关系，获得交通数据的空间特征表示；

(3)联合步骤(2)所得的空间特征，利用一个带有卷积模块的长短时记忆网络(LSTM)来处理交通数据在时间维度呈现出的周期性漂移和随机干扰，从而获得交通数据的时空特征表示；

(4)联合步骤(3)所得的时空特征，确定用于交通流预测的时空超图神经网络模型，并在两个不同地区的真实交通数据集进行实验验证，最终确定时空超图神经网络模型的有效性；

(5)采用步骤(4)确定的时空超图神经网络模型，用于交通流量预测。

2.根据权利要求1所述的一种基于时空超图神经网络的交通流预测方法，其特征在于：所述步骤(1)具体包括如下步骤：

1a).将原始交通数据进行标准化处理，将路网进行图表示G＝(V,E,W),V表示所有道路集合，E表示边集合，W是权重邻接矩阵，表示节点之间的连接，矩阵中的元素取值范围在0到

1之间；

1b).将不同道路的交通数据按五分钟为单元进行统计，表示为节点的特征矩阵h表示历史时间长度，N表示节点个数。首先利用K‑Means聚类算法对特征矩阵进行聚类，实现从全局上捕捉高相关性的节点构建超图H(G)，进而根据W所表示的节点连接关系将超图进行扩展，充分统一交通数据在空间上呈现的局部相关性与跨路网同构性；

1c).联合步骤1b)中得到的超图，构建基于超图的线图L(G)，捕捉超图中多个超边之间的关系，对交通节点之间多对多的空间关系进行表示；

1d).给定道路网路网G，特征矩阵 旨在找到一个能够从历史交通信息学习时空特征的映射函数 使之能够预测接下来的交通信息。

3.根据权利要求1所述的一种基于时空超图神经网络的交通流预测方法，其特征在于：所述步骤(2)具体包括如下步骤：

2a).按照步骤(1)统计所得到的交通数据以及图结构数据进行特征提取，通过研究表征超图与线图的拉普拉斯矩阵，将图卷积神经网络公式扩展到超图卷积神经网络与线图卷积神经网络中；

2b).联合步骤(1)得到的超图H(G)＝(VH,EH)，其中VH是一个包含N个顶点的有限集，EH是一个包含M个超边的有限集，每个超边被赋予一个非负权值w(e)，所有权值构成一个对角矩M×M N×M阵WH∈R 。超图的结构可以用相关矩阵H∈R 来描述，其中h(v,e)＝1，如果超边e包含顶点v，否则为0。对于每个顶点v∈VH和每个超边e∈EH，它们的度可以被定义为和 DV表示每个顶点的对角矩阵和De表示每个超图的对角矩阵。定义超图拉普拉斯矩阵Δ为：

其中I表示单位矩阵；根据分层图卷积的思想，超图卷积可以被定义为：(l)

其中P 和 是第l层的可学习的参数矩阵。

2c).联合步骤(1)得到的线图，给定一个超图H(G)＝(VH,EH)超图的线图L(G)＝(VL,EL,WL)是一个简单图，L(G)的每一个节点是超图中的一条超边，如果相应的超边在超图中至少共享一个共同的顶点，则L(G)的两个节点有连接。对于L(G)中的每两个节点ei和ej，权值矩阵WLij＝|ei∩ej|/|ei∪ej|。线图中的节点数与超图中的超边数相同。因此，在提取节点多对多关系的同时，达到融合关键流量节点影响的目的。有必要将线形图中的节点与超图中N×M的节点关联起来。因此，本发明设计了一个自学习注意矩阵WA∈R 来学习超边与道路节点的映射关系。进一步地，线图卷积可以表示为：其中 为自环线图的权重矩阵， 为对角矩阵，

为第l层的可学习参数矩阵；

2d).联合步骤(2b)和(2c)得到的泛化图卷积公式，一种双层双通道超图卷积来嵌入交通数据的空间特征。特征矩阵X经过第一层超图卷积和线图卷积后，可以得到同维的嵌入向量。然后将第一层的线/超图卷积结果输入到第二层的超图/线图卷积，可以表示为：其中 通过交换两个卷积学习到的信息，在提取交

通节点之间的多对多关系的同时得到关键流量节点之间的影响，对交通数据的空间特征进行充分表征。

4.根据权利要求1所述的一种基于时空超图神经网络的交通流预测方法，其特征在于：所述步骤(3)具体包括如下步骤：

3a).结合步骤(2)中所得到的空间特征表示，首先采用线性投影构建空间特征输出层，使其能够输入到带有卷积模块的LSTM网络中；

O

Z＝ZW  (5)

O

其中W是可学习的网络参数；

3b).本发明可以通过双通道超图卷积得到完整的空间特征，而传统的LSTM只能处理单个节点的时间序列变量。因此，直接将空间特征输入到LSTM中会失去空间关系。CNN可以通过卷积核增加感知视场，进而捕获局部空间特征。在LSTM中嵌入CNN使得LSTM可以同时考虑多个节点的时间信息，从而提取时间特征，可以表示为：其中 表示阿达玛积，表示矩阵对应元素相乘，*表示CNN卷积操作，σ表示sigmoid激活函数。输入X1…Xt,cell输出C1…Ct，隐藏状态H1…Ht三维张量，可以直接进行卷积运算。Wh、Wx、Wc、和b为各层的可学习参数；

3c).结合步骤(2)所得空间特征和步骤(3b)提取时间特征的方法，构建出交通数据时空特征。

5.根据权利要求1所述的一种基于时空超图神经网络的交通流预测方法，其特征在于：所述步骤(4)具体包括如下步骤：

4a).结合步骤(3)所提取的交通数据时空特征，确定用于交通流预测的时空超图神经网络模型，构建出损失函数，进行时空超图神经网络模型的训练和参数的优化。

其中N表示采样个数，Yi和 表示真实交通信息值和预测交通信息值；

4b).为了评估时空超图神经网络模型(STHNN)的预测性能，选择平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为指标。对于MAE、RMSE和MAPE指标，值越小表示预测性能越好；

4c).为了验证双通道超图卷积的有效性，本发明设计了三个消融实验，将双通道超图卷积模块替换为图卷积模块的GSTHNN,将双通道超图卷积模块替换为超图卷积模块的HSTHNN和将双通道超图卷积模块替换为线图卷积模块的LSTHNN，并进行实验验证。

4d).将两个不同地区的真实交通数据集输入模型，并采用批处理的方式进行训练，观察模型的表现性能。最终，可以得到具有表征交通数据空间特征和时间趋势的时空超图神经网络模型，并应用于交通流预测。