1.基于全局和局部时空特征融合的交通模式识别方法，包括如下步骤：

(1) 轨迹分段；把所有GPS轨迹点划分成多个GPS分段，每个分段只有一种交通模型，且分段长度固定；

(2) 特征计算；计算每个GPS轨迹点的七种运动学特征，包括相对距离、时间间隔、速度、相对速度、加速度、加加速度和方位变化角；

(3) 数据预处理；对分段后的GPS轨迹数据进行数据预处理；采用阈值法，设计速度和加速度阈值，去除异常GPS轨迹点；删除GPS轨迹点较少的分段；删除相对距离之和小的分段；删除时间间隔之和小的分段；对于长度不足的GPS分段，采用零值填充方式，使得每个GPS段的长度相同；采用Min‑Max方法对所有GPS轨迹点的七种运动学特征进行归一化处理，使得特征范围映射到0 1之间；

~

(4) 构建交通模式识别模型；交通模式识别模型由时空特征提取块、时域卷积网络和注意力机制组成；时空特征提取块是由双向门控循环单元和密集连接网络两部分组成，用于获取局部时空特征，其中，双向门控循环单元能捕获时序特征，密集连接网络捕获空间特征；时域卷积网络由因果卷积、膨胀卷积和残差连接三部分组成，用于捕获全局时空特征；

注意力机制包括两层注意力块，分别在通道层面和空间层面实现了全局和局部时空特征的融合和特征重构；其中，门控循环单元的输入输出变化过程为：其中， 是归一化处理后的 时刻GPS轨迹点的运动学特征， 和

是系数矩阵， ， 是重置门和更新门的输出，是隐藏神经元个

数， 表示Sigmoid激活函数， 是双曲正切激活函数， 表示矩阵元素乘法操作，是候选隐藏状态，它用于生成真正的隐藏状态， 和 分别是前一个和当前的隐藏状态输出；

(5) 生成数据集和训练模型；拆分基于步骤(3)所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型；

(6) 计算评价指标；根据步骤(5)的交通模式识别结果，计算相应的查准率、查全率、准确率和F1分数等评价指标，以此来衡量模型的识别效果和性能；

(7) 展示结果；通过折线图、柱状图等方式对步骤(5)获得的交通模式识别结果和步骤(6)获得的评价指标结果进行可视化展示。

2.如权利要求1所述的基于全局和局部时空特征融合的交通模式识别方法，其特征在于：步骤(4)中，双向门控循环单元的输入输出变化过程为：其中， ， 表示 的前一时刻和后一时刻的隐藏单元输出，它们通过门控循环单元后进行拼接， 是 和 连接后的 时刻隐藏状态， 是所有 的拼接结果，是分段的长度，即GPS点的数量。

3.如权利要求2所述的基于全局和局部时空特征融合的交通模式识别方法，其特征在于：步骤(4)中，密集连接网络的输入输出变化过程为：其中， 是卷积操作结果，是增长率，它表示密集网络中当前层会添加多少信息至下一层， 、 、 是前一层的输出连接， 是 、 、 和的连接体， 表示经过一个密集网络层后捕获的局部空间特征，是卷积操作， 、、 和 是大小分别为7，3和1的卷积核， 是激活函数， 是数据的批量归一化操作， 是均值， 是标准差，是非常小的实数，它用来防止数值计算不稳定， 和是学习参数， ， 是过渡层的输出结果， 、 、是前一层的输出连接， 是 、 、 和 的连接体， 是第

二个密集连接的输出特征， 是平均池化， 表示最终捕获的局部时空特征。

4.如权利要求3所述的基于全局和局部时空特征融合的交通模式识别方法，其特征在于：步骤(4)中，时域卷积网络的输入输出变化过程为：其中， 表示归一化后的GPS运动学特征， ， ， ， ， ， 是大小为

2和1的卷积核，表示膨胀卷积，表示膨胀系数， 表示随机失活， 表示第一个块的输出结果，表示输出的通道数， 表示残差连接的结果， 是第二个块的输出结果， 表示时域卷积网络捕获的全局时空特征。

5.如权利要求4所述的基于全局和局部时空特征融合的交通模式识别方法，其特征在于：步骤(4)中，注意力机制的输入输出变化过程为：其中， 是融合了全局和局部的时空特征，是融合的通道数， 是全局最大池化， 是全局平均池化， 和 是多层感知机的系数矩阵，是降维率， 是经过通道注意力机制的一个通道权重系数， 是通道权重系数 作用在 上的结果， 是大小为7的卷积核， 是最大池化， 是经过空间注意力机制的空间权重系数， 是空间权重系数 作用在 上的结果；首先，融合的时空特征经过GAP与GMP后，分别通过两个MLP相加，然后通过Sigmoid函数获得归一化的通道注意力权重值 ，将 作用于时空特征 上形成 ；接着，将 经过MP、AP融合通道信息后叠加，之后进行卷积运算，使用Sigmoid函数获得归一化的空间注意力权重值 ，将 作用于 上形成作为注意力机制的输出结果；最后，通过全连接层FC输出最终结果。

6.如权利要求5所述的基于全局和局部时空特征融合的交通模式识别方法，其特征在于：步骤(4)中，交通模式识别模型采用Adam优化器进行训练，使用梯度下降算法更新参数；

模型的损失函数采用交叉熵损失函数，具体如下：

其中，是模型的最终识别结果， 是真实交通模式的类别， 是模型对当前的识别值， 是模型对所有交通模式类别识别值的累计值。

7.如权利要求6所述的基于全局和局部时空特征融合的交通模式识别方法，其特征在于：步骤(4)中，隐藏神经元个数 ，降维率 。

8.如权利要求1所述的基于全局和局部时空特征融合的交通模式识别方法，其特征在于：步骤(5)中，按8:2的比例拆分，生成训练数据集和测试数据集。

9.实施权利要求1所述的基于全局和局部时空特征融合的交通模式识别方法的系统，其特征在于：包括依次连接的轨迹分段模块、特征计算模块、数据预处理模块、交通模式识别模型模块、数据集生成和模型训练模块、评价指标计算模块和结果展示模块；其中，轨迹分段模块，对原始的GPS轨迹数据进行分段处理，所有GPS轨迹点划分成多个GPS分段，每个分段只有一种交通模型，且分段长度固定；

特征计算模块，计算每个GPS轨迹点的七种运动学特征，包括相对距离、时间间隔、速度、相对速度、加速度、加加速度和方位变化角；

数据预处理模块，对分段后的GPS轨迹数据进行数据预处理，包括删除异常轨迹点、删除异常分段，零值填充和归一化处理；

交通模式识别模型模块，交通模式识别模型由时空特征提取块、时域卷积网络和注意力机制组成，时空特征提取块是由双向门控循环单元和密集连接网络两部分组成，用于获取局部时空特征，其中，双向门控循环单元捕获时序特征，密集连接网络捕获空间特征，时域卷积网络由因果卷积、膨胀卷积和残差连接三部分组成，用于捕获全局时空特征，注意力机制包括两层注意力块，分别在通道层面和空间层面实现了全局和局部时空特征的融合和特征重构；其中，门控循环单元的输入输出变化过程为：其中， 是归一化处理后的 时刻GPS轨迹点的运动学特征， 和

是系数矩阵， ， 是重置门和更新门的输出，是隐藏神经元个

数， 表示Sigmoid激活函数， 是双曲正切激活函数， 表示矩阵元素乘法操作，是候选隐藏状态，它用于生成真正的隐藏状态， 和 分别是前一个和当前的隐藏状态输出；

数据集生成和模型训练模块，拆分数据预处理模块所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型；

评价指标计算模块，根据数据集生成和模型训练模块的识别结果，计算相应的查准率、查全率、准确率和F1分数等评价指标，以此来衡量模型的识别效果和性能；

结果展示模块，通过折线图、柱状图等方式对数据集生成和模型训练模块获得的交通模式识别结果和评价指标计算模块获得的评价指标结果进行可视化展示。