1.一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，所述方法包括：S1：通过路边检测设备提取车辆信息，获取数据源；

S2：构建图结构交通流量序列；

S21：整理车辆轨迹数据，构建路网拓扑图；

S211：收集车辆的轨迹信息，即

S212：利用车辆轨迹 统计相邻卡口间的过车概率，构建有行车偏好信息的权重邻接矩阵A，即邻接矩阵为：S213：从收集的数据源中得到卡口节点集合L和代表相邻节点的连通性的边集E；

S214：根据得到的权重邻接矩阵A，卡口节点集合L以及边集E构建路网拓扑图G＝(L,E,A)；

其中， 表示车辆编号为v，轨迹编号为k的车辆轨迹；l1,l2,l3,…,ln表示车辆v经过交通卡口的位置编号； 表示卡口li和lj的过车概率， 表示两个卡口在轨迹中出现的次数，n表示卡口总数；

S22：根据交通流时间维的多模式特性整理路网拓扑图的节点交通流量序列，得到基于不同时间特性的图结构交通流序列数据；

S3：根据图结构交通流序列结合时间维的多级别性构建时空图卷积循环网络近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；

S4：对时空图卷积循环网络近期组件模型的输出结果，时空图卷积循环网络日周期组件模型输出结果以及时空图卷积循环网络周周期组件模型输出结果进行融合，得到短时交通流量预测模型；并得到预测数据；

S5：将预测数据发送给交通部门，控制该路网各卡口的车流量；

构建时空图卷积循环网络近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；其中，时空图卷积循环网络近期组件模型的计算过程包括：步骤1：获取路网的近期特性的输入序列

步骤2：根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的重置门的状态为：r(t)＝σ(θr*G[X′G(t),H(t‑1)]+br)；

步骤3：根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的更新门的状态为：z(t)＝σ(θz*G[X′G(t),H(t‑1)]+bz)；

步骤4：得到时空图卷积循环神经网络在t时刻隐藏层的状态：H(t)＝z(t)°H(t‑1)+(1‑z(t))°H′(t)，其中步骤5：根据时空图卷积循环神经网络在t时刻隐藏层的状态H(t)，得到时空图卷积循环网络近期组件模型的输出结果为：时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型的计算过程相同，时空图卷积循环网络日周期组件模型的输出结果为： 时空图卷积循环网络周周期组件模型的输出结果为：

其中，r(t)表示重置门状态，z(t)表示更新门状态，H(t)表示t时刻隐藏层的状态，H′(t)表示候选隐藏状态；*G是图卷积计算，σ(·)是sigmoid函数，sigmoid函数表示神经元的非线性作用函数； 是tanh函数，tanh函数表示双曲正切函数；θr，θz，θH′分别是对应的图卷积核参数； 表示输出函数参数，其中i∈(s,d,w)；“°”表示矩阵元素对应乘积；br表示重置门的偏置，bz表示更新门的偏置，bH′表示隐藏层在t‑1时刻的偏置。

2.根据权利要求1所述的一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，基于所述得到不同时间特性的图结构交通流序列包括：S221：获取路网G各节点历史时刻和当前时刻的交通流量序列XG＝{XG(t)|t＝1,2,…}；

S222：将历史数据和当前时刻数据XG划分为近期特性输入序列 日周期特性输入序列 和周周期特性输入序列其中，XG表示交通流量序列，XG(t)表示整个路网在当前时刻t的车流量。

3.根据权利要求2所述的一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，输入的序列包括：其中，τs表示输入的近期时间序列长度，τd表示输入的日周期时间序列长度，τw表示输入的周周期时间序列长度，p表示日周期跨度和q表示周周期跨度。

4.根据权利要求1所述的一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，将得到的三个模型融合得到的融合结果包括：将时空图卷积循环网络近期组件模型的输出结果 时空图卷积循环网络日周期组件模型输出结果 时空图卷积循环网络周周期组件模型输出结果 进行融合，得到短时交通流量预测模型：其中，“°”表示矩阵元素对应乘积，Ws、Wd和Ww是模型的学习参数，反映了近期、日周期、周周期时间依赖特性对预测目标的影响程度。