1.基于行程时间预测的拥堵区避让的路径推荐方法，其特征在于，包括基于DGCN的路段行程时间预测模型、基于行程时间预测的路网区域状态识别模型和基于Floyd算法的路径推荐模型三大步，具体如下：基于DGCN的路段行程时间预测模型包括拉普拉斯矩阵潜网络模块和基于图卷积网络的交通预测模块，其中：拉普拉斯矩阵预测单元包含三部分：(1)特征采样：对每天最近邻15min、30min、60min的数据进行采样，在减少特征的数据维度的同时对最近的交通进行采样；

(2)空间注意力机制：为建立动态的交通路网的空间关系，采用注意力机制对路网当前近邻时间的邻接矩阵进行估计；

(3)LSTM单元：采用LSTM来学习时间相关，探索邻接矩阵Ld的序列之间的内在关联；

基于GCN的交通预测模块包含两部分：

(1)时间卷积层：包含四个卷积核为1x3的二维卷积层，用来提取数据中高维局部时间，交通数据段X(1:k*T)＝(X1........Xt......Xk*T)的时间卷积为：TC＝Conv1×t(X(1:k*T))(1)

TC＝Conv1×t(X(1:k*T))为时间卷积

(2)图时间卷积层：将GCN与TCL堆叠为时空模块，但存在计算量大的问题，通过将这两个函数集成一个GTCL可很好的解决这一问题，替换之后的GTCL可表示为:基于行程时间预测的路网区域状态识别模型：采用基于层次划分复杂网络的社区划分算法中GN算法，社团发现是指复杂网络中各个节点的有向连接，并按划分评判将所有节点划分到社区中，相同社团中的节点存在类似的特征，GN算法效率高，将所有节点及边的有向关系考虑到网络划分中，实验结果的划分结果具有层次性，路网分区结果的评判标准是模块度，模块度越大，则划分的社团结构也越明显，模块度Q的定义为：式中：avw为节点v与w间边的权重，kw为节点w的度；

根据复杂网络中边属性，即GN算法中边值，将路网中路段的流量属性进行加权后，在进行最大边介数移除时，在边介数相等时，根据当前时间段内各边之间流量比值得到对应边的权重，从而得到边权比，可得到路网中各边的相关性，得到的社团划分结果更优，与实际路网中两条边之间的相关性越可靠；

基于Floyd算法的路径推荐模型：采用Floyd算法，Floyd算法又称插点法，能够解决任意两点之间的最短路径算法，解决有向图或是无向图的最短路径问题，算法的核心是通过局部最优求解全局最优，进行动态规划，首先寻找出目标OD的最短路径长度，然后记录下该长度的路径，即可寻找到推荐的路线，将路径中处于重度拥堵状态区域中的路段进行移除，算法进行重复，即可寻到基于拥堵区避让的推荐路径矩阵和路由矩阵；

基于拥堵区避让的Floyd算法的思想是：

(1)初始状态下:根据DGCN预测所得的行程时间数据，写出图G初始基于距离的邻接矩阵W和初始路由矩阵R0＝[rij]n×n，对于每一对顶点vi和vj，若vi和vj存在边，则该边的权重为路段长度；若不存在边则设长度为无穷大；

(2)k＝0:即对于每一对顶点vi和vj,途径顶点的下标不大于k，实际上这里只能经过vo，该路径可分为两段，即(vi，vo)和(vo，vj)，这一长度就是两段路径的长度之和，比较这一新路径和之前的路径(vi，vj)，就可以确定vi到vj途经下标不大于k的最短路径；

(3)k＝1:同理，该路径可拆成(vi,……，vk)和(vk，..，vj)两段，这两段的长度在k＝0的时候就确定了，再比较新路径和前面已知的路径(vi，vj)就可以确定途经下标不大于k的最短路径，此时k＝1；

(4)重复以上步骤，直到k＝n‑1为止，此时已经确定了从vi和vj所有可能的最短行程时间路径和对应的路由矩阵；

(5)选取部分固定起终点的路径，去除路径中包含有重度拥堵路段的边，组成新的路网图G’,重复步骤(1)‑(4)，得到基于拥堵区避让的路径距离矩阵和路由矩阵，得出避让后所有的最短行程时间路径。

2.根据权利要求1所述的基于行程时间预测的拥堵区避让的路径推荐方法，其特征在于，加权GN算法的具体流程为：第一步：初始状态下，每一个节点被看为一个独立的社区，即该状态下社区数与节点数相同；

第二步：忽略数据中两个节点组成边的权重，按照无权网络计算方法求得每条边的边介数；

第三步：将边介数除以对应边的权重得到边权比；

第四步：移除边权比最大的边，计算当前网络的模块度Q；

第五步：对其余边重复第二步到第四步，并计算每一步的边权比和模块度，直至网络中所有边均被移除；

第六步：运行结束，取Q最大时对应的社团划分数量和分区结果。