1.一种基于GPS轨迹和图神经网络的出行时间预测方法，包括如下步骤：S1.获取GPS序列，并将获取的GPS序列按照时间顺序排序；

S2.根据步骤S1的排序结果，计算最开始的若干个节点的特征数据；

S3.采用基于滑动窗口的特征提取方案，计算GPS序列中每个节点的前若干个节点的特征数据；

S4.将步骤S2和步骤S3得到的特征数据与节点自身的特征数据进行合并，从而得到更新后的节点特征；

S5.将步骤S4得到的更新节点后的GPS序列按照时间顺序排序，并构建粗‑细粒度二部图；

S6.对步骤S5得到的粗‑细粒度二部图进行图神经网络聚合，获取每个节点一跳内邻居节点的特征，从而得到更新的粗‑细粒度二部图；

S7.对步骤S6得到的更新的粗‑细粒度二部图再次进行图神经网络聚合，获取每个节点两跳内邻居节点的特征；

步骤S6和步骤S7所述的进行图神经网络聚合，具体包括如下步骤：进行双层图神经网络聚合操作；

双层图神经网络聚合了一跳节点和两跳节点的特征，用于学习道路中的空间结构信息；

双层图神经网络的聚合操作定义为：

式中 为第l层中第i个节点的邻居集合的特征聚合，l取值为1或2；AGGREGATEl()为第l层的Pooling Aggregator聚合器的处理函数；i表示第i个节点；N(i)为第i个节点的邻居集合； 为第l‑1层中第u个节点的邻居节点的节点更新； 为第l层中第i个节点的节l点更新；ρ()为概率密度函数；W为第l层的可学习的权重参数；CONCAT()为合并函数；

S8.采用循环神经网络对步骤S7得到的特征数据进行学习，从而得到局部路径的时间预测结果；具体包括如下步骤：循环神经网络定位为：

式中ri为处理第i个局部路径的时间预测结果；σrnn()为非线性激活函数；Wx为循环层中使用的第一参数矩阵；Wf为循环层中使用的第二参数矩阵； 为第i个局部路径的空间特征序列；fi‑1为处理第i个局部路径后的隐藏状态；

S9.采用注意力机制对步骤S8得到的局部路径的时间预测结果进行加权求和，从而得到最终的全局路径的出行时间预测结果；具体包括如下步骤：注意力机制的定义为：

式中rentire为最终的全局路径的出行时间预测结果；αi为第i个局部路径的权重；ri为处理第i个局部路径的时间预测结果；|S|‑windows+1为局部路径的数量，|S|为GPS序列的节点数量，windows为滑动窗口的窗口设置大小。

2.根据权利要求1所述的基于GPS轨迹和图神经网络的出行时间预测方法，其特征在于步骤S2所述的根据步骤S1的排序结果，计算最开始的若干个节点的特征数据，具体包括如下步骤：根据步骤S1的排序结果，计算最开始的3个节点的时间特征、速度特征和距离特征；

所述的时间特征，为经过对应节点的时间值；所述的速度特征，为经过对应节点的速度值；所述的距离特征，为对应节点距离前一个节点的距离值。

3.根据权利要求2所述的基于GPS轨迹和图神经网络的出行时间预测方法，其特征在于步骤S3所述的采用基于滑动窗口的特征提取方案，计算GPS序列中每个节点的前若干个节点的特征数据，具体包括如下步骤：A.设置一个大小为3的窗口；

B.从第一个节点开始；

C.逐个计算窗口内三个节点的时间特征、速度特征和距离特征；

D.计算完毕后，窗口往后滑动一个节点；

E.重复步骤C～D，直至计算得到所有节点的时间特征、速度特征和距离特征。

4.根据权利要求3所述的基于GPS轨迹和图神经网络的出行时间预测方法，其特征在于步骤S4所述的将步骤S2和步骤S3得到的特征数据与节点自身的特征数据进行合并，从而得到更新后的节点特征，具体包括如下步骤：将步骤S2和步骤S3得到的特征数据与节点自身的特征数据，采用如下算式进行合并：h＝CONCAT(hi,speeds,times,diss,speedc,timec,disc)式中h为更新后的节点特征；CONCAT()为合并函数；hi为节点自身的原始特征；speeds为初始阶段的速度特征；times为初始阶段的时间特征；diss为初始阶段的距离特征；speedc为当前阶段的速度特征；timec为当前阶段的时间特征；disc为当前阶段的距离特征。

5.根据权利要求4所述的基于GPS轨迹和图神经网络的出行时间预测方法，其特征在于步骤S5所述的将步骤S4得到的更新节点后的GPS序列按照时间顺序排序，并构建粗‑细粒度二部图，具体为将步骤S4得到的更新节点后的GPS序列按照时间顺序排序，建立当前节点与其后一个节点的链接和当前节点与其后两个节点的链接，从而构建粗‑细粒度二部图。