1.一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：执行步骤A至步骤D，获得目标路网对应的路网预测模型，进而执行步骤i，对目标路网实现目标未来时段的预测；

步骤A.以道路为节点、道路之间相连为对应节点间相连边，构建目标路网拓扑节点图，并获得拓扑节点图所对应关于节点之间是否连通的邻接矩阵A，然后进入步骤B；

步骤B.首先获得预设周期各历史时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，然后基于第一预设数量连续各历史时间点的依据时段，向未来时间方向与依据时段间隔预设时长跨度、包含第二预设数量连续各历史时间点的分析时段，以依据时段各历史时间点下目标路网特征矩阵、结合对应分析时段各历史时间点下目标路网特征矩阵构建样本，获得各组样本，再进入步骤C；

步骤C.构建包括图卷积残差网络与时空双向门控循环单元串联的待训练网络，然后进入步骤D；

步骤D.基于各组样本，以目标路网拓扑节点图、样本中依据时段各历史时间点下目标路网特征矩阵为输入，样本中分析时段各历史时间点下目标路网特征矩阵为输出，针对待训练网络进行训练，获得路网预测模型；

上述步骤C中待训练网络基于图卷积残差网络与时空双向门控循环单元，还包括数据嵌入层、数据输出层，以数据嵌入层的输入端构成待训练网络的输入端，数据嵌入层的输出端对接图卷积残差网络的输入端，图卷积残差网络的输出端对接时空双向门控循环单元的输入端，时空双向门控循环单元的输出端对接数据输出层的输入端，数据输出层的输出端构成待训练网络的输出端；

时空双向门控循环单元包括第一双向门控循环单元层、第二双向门控循环单元层、第一整流线性函数、第二整流线性函数、第一全连接层、第二全连接层、第三全连接层、第一融合层，其中，第一双向门控循环单元层的输入端构成时空双向门控循环单元的输入端，第一双向门控循环单元层的输出端对接第一整流线性函数的输入端，第一整流线性函数的输出端对接第一全连接层的输入端，第一全连接层的输出端对接第二整流线性函数的输入端，第二整流线性函数的输出端对接第二全连接层的输入端，同时，第一双向门控循环单元层的输出端、第二全连接层的输出端分别对接第一融合层的两个输入端，第一融合层的输出端对接第二双向门控循环单元层的输入端，第二双向门控循环单元层的输出端对接第三全连接层的输入端，第三全连接层的输出端构成时空双向门控循环单元的输出端；

所述时空双向门控循环单元中第一双向门控循环单元层的结构与第二双向门控循环单元层的结构相同，各双向门控循环单元层分别均包括正向门控循环单元序列、反向门控循环单元序列、以及各个激活单元、各个拼接单元，其中，正向门控循环单元序列中门控循环单元的数量与反向门控循环单元序列中门控循环单元的数量相等，正向门控循环单元序列中顺序各门控循环单元分别与反向门控循环单元序列中逆序相同序号位置门控循环单元一一对应构成组合，激活单元的数量、拼接单元的数量分别均与组合的数量相等，且各激活单元、各拼接单元、各组合三者彼此一一对应，各组合分别与对应拼接单元、激活单元组成双向门控循环单元细胞，各组合中两个门控循环单元输入端相连构成组合的输入端，即由各组合的输入端构成双向门控循环单元层的各输入端，各组合中两个门控循环单元输出端相连构成该组合的输出端、并经对应拼接单元连接对应激活单元的输入端，各激活单元的输出端构成双向门控循环单元层的各输出端；

上述步骤D中，应用如下损失函数，针对待训练网络进行训练，获得路网预测模型；

其中，loss表示损失函数结果，Ys表示目标路网各道路对应时间点s下预设各道路属性特征的实际特征矩阵， 表示目标路网各道路对应时间点s下预设各道路属性特征的预测特征矩阵， 表示Ys与 之间差值关于目标路网各道路的求和，||·||表示绝对值函数；

步骤ⅰ.针对向历史时间方向与目标未来时段相距间隔预设时长跨度依据时段的依据时段，按步骤B方法，获得该依据时段中各历史时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，然后结合目标路网拓扑节点图，应用目标路网对应的路网预测模型，获得目标未来时段各时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，对目标路网实现目标未来时段的预测。

2.根据权利要求1所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述步骤B中，根据预设周期各历史时间点下、目标路网中各道路对应包含道路交通速度的预设各道路属性特征，结合邻接矩阵A经两层图卷积模型处理，获得目标路网对应各历史时间点下的空间特征，再经过双向门控循环单元迭代更新，获得目标路网对应各历史时间点下的特征矩阵。

3.根据权利要求1所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：关于所述双向门控循环单元细胞中，重置门 表示根据当前时间步输入，用于实现新输入信息与前面记忆的结合，上一个时间步隐含状态ht‑i‑1用于表示所遗忘上一层细胞状态的数量， 的计算公式表示为：其中，f(Xt，A)为图卷积过程，Wf和bf表示训练过程中的权重和偏差， 为上一个时间步隐含状态；

使用更新门 用于表示记忆下来数据的数量， 的计算公式可以表示为如下：

其中，Wr和bi、br表示训练过程中的权重和偏差，f(Xt，A)为图卷积过程， 为上一个时间步隐含状态；

基于上述重置门和更新门的计算，在重置门的基础上，引入下一步要计算的隐藏状态，用公式表示为如下：

其中，Wc和bc表示训练过程中的权重和偏差，f(Xt，A)为图卷积过程， 为上一个时间步隐含状态，其中，隐层状态 与重置门 相关， 的值越大，则表示上一时刻需要记住的就越多，新输入信息与前面的记忆相结合的越多，当 的值接近0时，表示上一时刻的内容需要全部丢弃，只保留当前时刻的输入，用来丢弃与预测无关的历史信息，而当的值接近1时，保留上一时刻的隐藏状态；

在双向门控循环单元细胞中，当 在当前时刻的值已知时，则应用更新记忆表达式表示输出记忆下来的数据或者遗忘的数据，更新记忆表达式如下：式中， 表示对上一时刻隐藏状态进行选择性遗忘，用于忘记 中

预设类型信息， 表示对候选隐藏状态的进一步选择性记忆，用于忘记 中预设类型信息，即对 中信息作进一步的选择，门控循环单元的工作流程是 会忘记传递下来的 中的部分信息，并加入当前节点输入的部分信息，形成最终的记忆；

根据上一个时间步隐含状态 和当前时间步输入Xt，通过正向门控循环单元序列得到正向隐层输出 根据下一个时间步隐含状态 和当前时间步输入Xt，通过反向门控循环单元序列得到反向隐层输出 进而使用连接单元得到当前时间步隐层输出Yt，表示为：

4.根据权利要求1所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述图卷积残差网络包括自其输入端至其输出端依次串联的至少两个图卷积层、以及各个残差网络，残差网络的数量等于图卷积层的数量减1，除顺序最后一个图卷积层以外、各图卷积层分别与各残差网络彼此一一对应，且该各图卷积层的输出端分别同时与其对应残差网络的输入端相连接，各残差网络的输出端分别与其对应图卷积层的顺序下一个图卷积层的输入端相连接，顺序第一个图卷积层的输入端构成图卷积残差网络的输入端，顺序最后一个图卷积层的输出端构成图卷积残差网络的输出端。

5.根据权利要求4所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述残差网络包括第一权重层、第二权重层、第三整流线性函数、第四整流线性函数、第二融合层，其中，第一权重层的输入端构成残差网络的输入端，第一权重层的输出端对接第三整流线性函数的输入端，第三整流线性函数的输出端对接第二权重层的输入端，第二权重层的输出端对接第二融合层的输入端，且第二融合层的输入端同时对接残差网络的输入端，第二融合层的输出端构成残差网络的输出端。

6.根据权利要求4所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于，所述图卷积层的计算如下：

L*H

其中，f(Xt，A)表示图卷积输出，W0∈R 表示图卷积层中从输入层到隐藏层的参数矩H*T

阵，L表示特征矩阵的长度，H表示隐藏单元的个数，W1∈R 表示图卷积层中从隐藏层到输N*T

出层的参数矩阵；f(X，A)∈R 表示所述第二预设数量预设周期时间点的长度为T的输出，ReLU表示图卷积层中的激活层，Xt表示目标路网各道路对应时间点t下预设各道路属性特征的特征矩阵， I表示单位矩阵，σ()表示激活函数sigmoid。

7.根据权利要求1至6中任意一项所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述预设各道路属性特征为道路交通速度。