1.一种基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，包括以下步骤：步骤1、构建道路交通网络：用节点表示道路交通中的路段，两个节点之间的有向连边代表车道，用权重表示车道上的交通状态，构建一个有向有权重的交通网络；

步骤2、基于道路交通网络构建节点映射矩阵：对道路交通网络的邻接矩阵使用DeepWalk方法构建节点映射矩阵；

步骤3、基于节点映射矩阵构建GERNN模型的道路交通输入矩阵：基于节点映射矩阵，构建边特征向量，提取对应的单交叉口多车道流量，构建GERNN模型的输入矩阵；

步骤4、基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型：将单交叉口多车道流量数据分为训练数据和测试数据，对训练数据进行训练，得到预测模型。

2.如权利要求1所述的基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，所述步骤1中，以交叉口之间的路段为节点，以交叉口中的车道作为连边，即基于线圈检测器的城市道路网络模型描述为：G＝(V,E,H)

其中，V＝{v1,v2,…,vm}是指交叉口之间的路段集合，m是路段的数量，E＝{eij|i,j∈N}是交叉口中车道的集合，其中eij≠eji，H:E->S是车道上的交通状态数据的映射函数。

3.如权利要求2所述的基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，所述步骤2中，基于道路交通复杂网络G的有效构建，获得其邻接矩阵A：其中:

以道路交通复杂网络中每个节点作为起点，进行随机游走，然后合并各次随机游走的结果，获得一个随机游走序列集合：Wi＝[Wi1,…,Wid]

S＝[W1,…,Wm]

其中，Wi为在由节点vi作为起点的随机游走序列，Wik表示序列Wi中第k个点，Wi1为vi，Wik+1是从Wik的邻居集合中按等概率随机选取的邻居节点，d为随机游走的步数；

将节点Wik的左右宽度为l的区间内一组序列表示为(Wik-l,…,Wik-1,Wik+1,…,Wik+l)，Skip-gram模型要求以节点Wik为中心所产生的这两侧序列的概率最大化，即通过当前节点来推测周围节点，其优化目标函数表示为：min log P({Wik-l,…,Wik-1,Wik+1,…,Wik+l}|f(Wik))其中，f(Wik)是将节点Wik映射到向量空间中的图嵌入表征矩阵。

P({Wik-l,…,Wik-1,Wik+1,…,Wik+l}|f(Wik))独立于Wik，可以展开成：故最后在随机游走序列集合上需要优化的目标函数为：

最终获得更新后的随机游走序列的序列集合，即道路交通复杂网络的有效表征学习矩阵。

4.如权利要求3所述的基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，所述步骤3中，对于得到的每一个节点的特征表示，使用拼接得到一条边的特征表示，对于两个节点W11和W21，假设其对应的特征表示如下：W11＝(W11,W12,…,W1d),W21＝(W21,W22,…,W2d)那么对于一条边(W11,W21)的特征向量则表示为：(W11,W21)＝(W11,W12,…,W1d,W21,W22,…,W2d)其中，(Wik,Wik+1)∈E。

假设每隔一个时刻就记录车道i上一次车流量，一天共记录T个时刻的车流量，则该车道一天的时间序列上的交通流量可用向量表示为xi＝[x1i,x2i,…,xTi]；

根据边(W11,W21)的特征向量来提取对应的2(d-1)条车道在时间序列上的流量，构成矩阵[x1,x2,…,x2d-2]；

将车道前t个时刻的流量数据构成输入矩阵X：

对于单车道交通流状态输入矩阵X，定义单交叉口多车道交通流状态输入矩阵P＝[X1,X2,…,XN]。

5.如权利要求4所述的基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，所述步骤4中，LSTM神经网络有多个记忆单元组成，而记忆单元由输入门、遗忘门、输出门、状态单元四部分构成，每个记忆单元的计算如下所示：ft＝σ(θ1·[xt-1k,htk]+b1)

it＝σ(θ2·[xt-1k,htk]+b2)

c`t＝tanh(θ3·[xt-1k,htk]+b3)ct＝ft⊙ct-1+it⊙c`t

ot＝σ(θ4·[xt-1k,htk]+b4)

htk＝ot⊙tanh(ct)

其中，·表示叉乘，⊙表示点乘，θ1、θ2、θ3、θ4表示遗忘门、输入门、状态单元、输出门的权重矩阵，B1、B2、B3、B4是遗忘门、输入门、状态单元以及输出门的偏置矩阵，ft、it、ct、htk表示当前时刻遗忘门、输入门、状态单元以及记忆单元的输出，c`t表示候选状态，ot是当前时刻的最终输出值，σ(t)、tanh(t)分别表示sigmoid函数和双曲正切函数；LSTM的输出矩阵Oi如下所示。

Oi＝[o1,o2,…,ot]

其中，Oi表示第i条车道的预测值；

故单交叉口多车道预测模型的最终输出为：O＝[O1,O2,…,ON]；

将数据分为训练集和测试集，对训练集使用LSTM神经网络进行训练，将高维数据作为输入，得到多车道的流量输出；整个计算过程可由Keras中的LSTM层进行实现，需要输出单元数量及隐藏数目。将LSTM神经网络输出的多车道数据作为全连接层，预测基于历史多车道流量数据输入下的下一时刻状态，全连接表达式如下所示。

Ypre＝θ5·O

其中，θ5为全连接层权重矩阵，O为LSTM神经网络输出结果，全连接层可由Keras中Dense层进行实现，需要设置输出单元数目；

定义模型预测的交通状态为Ypre,实际交通状态为Yture，则模型损失函数F为如下形式：其中，m表示模型输入的样本数量；

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数F，然后利用反向传播算法实现对模型参数的不断优化。反向传播算法中的梯度计算与参数更新均通过Adam优化器进行实现；

选取均方误差MAE、均方根误差RMSE作为道路交通状态预测精度的指标，其计算公式分别如下所示：其中，fi为实际观测交通状态， 为模型输出的预测交通状态。