1.基于多步耦合图卷积网络的交通预测方法，其特征在于，包括如下内容：(1)交通出行记录收集和数据预处理：通过GPS和北斗等定位设备收集到每次出行的起始、终止位置和时间等信息，对于有固定停车点的出行流量预测，则以停车点为站点；对于没有固定停车点的交通出行预测，则通过聚类算法聚合出行的起始和终止位置，构造出虚Nxd拟停车站点；然后进行站点流量预测；每个站点在每个时间段的特征可表示为Xt∈R ，其中N为站点数目，d为站点的特征数目；

(2)站点关系图构造：将整个城市的交通网络表示为一个图G＝(V,E)，其中V为站点集合，Xt为站点集合V在t时刻的特征表示，E为站点之间的连接边集合，站点之间流量相似度0

视为边的权重；对于站点与站点之间的联系，可以定义一个邻接矩阵A 来编码站点间的初始依赖关系,即 其中ta表示第一个时间步所有站点的特征，为时间步长，F1为映射函数；

(3)多步耦合图卷积站点空间特征提取：基于多步耦合图卷积站点空间特征学习，首先m+1要学习每一步的空间特征Z ，其学习公式为

m+1 0

其中Z 表示第m+1步耦合图卷积学习后获得的站点特征矩阵，当m＝0时，即Z ＝Xt，即m初始站点特征表示， 表示在第m步耦合图卷积后的特征表示Z上以 为参数在图Gm上做图卷积；其具体计算方法为 其中k为卷积层数，A 为第m步耦合图卷积所用的图表示，即邻接矩阵， 为第m步耦合图卷积参数；然后，在获得每一个步的空间特征

1 2 M t

表示{Z ,Z ,...,Z}后，通过多层次聚类获得在t时间段的特征表示h，其公式表示为m其中α为归一化参数，Wα和bα为需要学习的参数；(4)基于门控循环图卷积网络时空特征融合学习：在不同时间段的空间特征表示基础上，利用门控循环图神经网络学习站点的时空特征，实现空间特征与时间特征的融合，其具体操作为(t) (t) (t‑1)

r ＝σ(Qr＊G[h ,H ]+br)

(t) (t) (t‑1)

u ＝σ(Qu＊G[h ,H ]+bu)

(t) (t) (t) (t‑1)

c ＝tanh(Qc＊G[h ,(r ⊙H )]+bc)(t) (t) (t‑1) (t) (t)

H ＝u ⊙H +(1‑u )⊙c

(t) (t‑1) (t) (t‑1) (t)

其中，＊G[h ,H ]表示在图G上进行卷积操作，h 和H 为卷积输入向量，h 表示(t‑1)第t个时间步的站点空间特征，H 为第t‑1步输出的时空融合特征，⊙表示按元素做乘积，(t) (t) (t)σ表示激活函数，r 为重置门，u 为更新门，c 为临时变量，Qr，Qu，Θc为门控循环图卷积网络需要学习的参数，br，bu和bc为偏置参数，也是需要随着网络一起学习得到；

(5)基于多步时间注意力交通流量预测：利用多步注意力机制从历史交通流量特征中提取有用的信息，结合编码‑解码器结构来预测未来时刻的交通流量，其表示为t其中H 为基于门控循环图卷积网络时空特征融合学习在第t个时间段的时空特征融合学习，Xt+1,Xt+2,...,XQ为需要预测的Q个时间段的交通流量，F2为基于多步时间注意力交通流量预测网络。

2.根据权利要求1所述的基于多步耦合图卷积网络的交通预测方法，其特征在于，多步图卷积操作在更新关系图时需要集合前l步的关系图的信息进行当前关系图的更新，即m+1 m‑l+1 m其中A 为新的关系图矩阵， 为更新函数，通常为一个神经网络，A ,...,A为前l步的关系图。

3.根据权利要求1所述的基于多步耦合图卷积网络的交通预测方法，其特征在于，所述门控循环图卷积网络中的特征变换采用的是多步耦合图卷积变换。

4.根据权利要求1所述的基于多步耦合图卷积网络的交通预测方法，其特征在于，所述基于多步时间注意力交通流量预测采用多步时间注意力机制，即在编码器中的P个历史隐藏状态中选择有用的信息，来更新解码器的输出，并将其作为下一个解码器的输入，依次将前一个输出作为下一个解码器的输入来更新解码器的输出，最终得到所有预测输出。