1.基于图卷积网络特征融合的交通模式识别方法，包括如下步骤：

(1)对原始的GPS轨迹数据进行数据预处理，包括删除异常数据、对GPS轨迹分段、删除异常分段、计算运动学特征和数据归一化的操作；删除异常数据，即采用速度和加速度阈值，比较分析GPS轨迹点数据，删除异常GPS轨迹点；对GPS轨迹分段，即以固定长度对GPS轨迹进行分段，段内只有一种交通模式，如果长度不足，则采用零值进行填充；删除异常分段，包括删除GPS轨迹点较少的分段，删除相对距离之和较小的分段，删除时间间隔之和较小的分段等；计算运动学特征，即计算每个GPS轨迹点的运动学特征，包括相对距离、时间戳、速度、相对速度、加速度、加加速度和方位变化角的七种运动学特征；数据归一化，即采用Min‑Max方法对数据进行归一化处理，使得GPS轨迹点的运动学特征值映射到0～1之间；

(2)构建交通模式识别模型；交通模式识别模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成，其中，双向门控循环单元用可以捕获GPS轨迹数据中的时序特征，网络中的网络可以捕获局部空间特征，膨胀卷积网络可以捕获全局空间特征，最大互信息系数可以融合特征之间的相关性并生成邻接矩阵，图卷积网络可以进一步实现全局和局部空间特征的融合，而全连接层可以实现最终交通模式识别结果的输出；

(3)生成数据集并训练模型；拆分基于步骤(1)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；

(4)计算评价指标；根据步骤(3)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；

(5)展示结果；通过折线图、柱状图等方式对步骤(3)获得的交通模式识别结果和步骤(4)获得的评价指标结果进行可视化展示。

2.如权利要求1所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，双向门控循环单元的输入输出变化过程为：H＝[H1,H2,…,Hn]                         (15)其中， 是归一化处理后的t时刻GPS轨迹点的运动学特征， 表示t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拼接， 是 和连接后的t时刻隐藏状态， 是双向门控循环网络提取当前GPS段内的时序特征结果，h是隐藏神经元个数，n是分段中GPS轨迹点的数量。

3.如权利要求2所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，网络中的网络的输入输出变化过程为：其中， 和 分别是经过第1个网络中的网络块和第5个网络中的网

络块后提取得的局部特征， 和 分别是大小为3和1的卷积核，ReLU(.)是激活函数，*s是常规卷积操作，GAP(.)是全局平均池化， 表示最终捕获的局部特征，class是真实类别数。

4.如权利要求3所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，膨胀卷积网络的输入输出变化过程为：其中， 和 是通过膨胀卷积后提取的

全局特征，p表示卷积核的填充参数，MP(.)是最大池化，*d表示膨胀卷积，d表示膨胀系数，表示最终捕获的全局特征。

5.如权利要求4所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，最大互信息系数的输入输出变化过程为：其中，p(Xi,Xj)表示落在第i列第j行的概率，p(Xi)表示落在第i列的概率，p(Xj)表示落在第j行的概率，log2(.)是以2为底的对数函数，I[Xi；Xj]是Xi和Xj互信息，max(.)和min(.)分别表示最大值函数和最小值函数，MIC[Xi；Xj]表示最大的互信息结果，MIC的取值范围是[0,1]，值越接近1，相关性越高。

6.如权利要求5所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，图卷积网络的输入输出变化过程为：(l+1) (l) (l)

F ＝σ(AF W )                          (25)其中， 表示合并的特征， 表示通过最大互信息系数学习得到的邻接

(l)

矩阵，σ是Sigmoid激活函数，l表示图卷积网络层数，W 是系数矩阵。

7.如权利要求6所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)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， 是模型对当前class的识别值， 是模型

对所有交通模式类别识别值的累计值。

8.如权利要求7所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(3)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所述的基于图卷积网络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，数据预处理模块，对原始的GPS轨迹数据进行数据预处理，包括删除异常数据、对GPS轨迹分段、删除异常分段、计算运动学特征和数据归一化；

交通模式识别模型模块，交通模式识别模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成，其中，双向门控循环单元用可以捕获GPS轨迹数据中的时序特征，网络中的网络可以捕获局部空间特征，膨胀卷积网络可以捕获全局空间特征，最大互信息系数可以融合特征之间的相关性并生成邻接矩阵，图卷积网络可以进一步实现全局和局部空间特征的融合，而全连接层可以实现最终交通模式识别结果的输出；

数据集生成和模型训练模块，拆分基于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；

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。