1.基于有向图卷积神经网络的城市交通态势识别方法，包括如下步骤：

(1)获取城市路网的历史交通流信息；

(2)标记历史交通流信息的交通态势等级；表1和表2定义了四种交通拥堵等级，即交通态势等级，其中表1是针对路段下游路口有信号机的情况，而表2是针对路段下游路口无信号机的情况；根据表1和表2的四种分类，将历史交通流信息标记为相应的分类；

表1有信号机路口的拥堵等级定义

分类号 名称 一个信号周期中连续等两次红灯的概率

1 拥堵状态 ≥50％

2 拥堵形成状态 10％连续增长至50％

3 拥堵消散状态 自50％连续下降的过程

4 畅通状态 不属于以上任意一种情况

表2无信号机路口的拥堵等级定义

分类号 名称 路段的空间占有率

1 拥堵状态 ≥60％

2 拥堵形成状态 30％连续增长至60％

3 拥堵消散状态 自60％连续下降的过程

4 畅通状态 不属于以上任意一种情况

(3)将城市路网数据进行“点边”转换；城市路网数据包括地面道路、高架道路和隧道，把这些路网数据映射至有向图Gd＝{V,E,A}中，其中，V∈Rn表示图的节点集合，n为图的节点个数，E表示图的边集，A∈Rn×n表示图的邻接矩阵；“点边”转换的规则是：把路段交通流转换为节点，而把路段交通流的上下流连通关系转换为有向边，双向路段有两个相反方向的交通流，而单向路段只有一个方向的交通流；比如：双向路段i与双向路段j相邻，且路段i为路段j的上游道路，则路段i中往下行路段j方向的交通流fi(i→j)是有向图的节点vi(i→j)，而路段j中与fi(i→j)同方向的交通流fj(i→j)则是有向图的节点vj(i→j)；节点vi(i→j)与节点vj(i→j)间的有向边ei→j表示交通流fi(i→j)到fj(i→j)有路口连通；

(4)依次提取所有节点对应的子图；在步骤(3)所得的有向图Gd的基础上依次提取所有节点对应的子图，子图的个数等于节点的个数；如节点x的子图为Gd-sub(x)，子图Gd-sub(x)表示从目标节点x出发，向各个交通流方向扩展最多K跳个节点的子图，其中，系数K可以人为设定，一般取值为K＝3；所以，子图Gd-sub(x)＝{V′,E′,A′}，其中，V′∈Rn′表示子图的节点集合，n′为子图的节点个数，E′表示子图的边集，A′∈Rn′×n′表示子图的邻接矩阵；

(5)依次计算所有子图的有向边的权重；有向图子图Gd-sub(x)可以分两种情况来计算该子图的有向边的权重，如有向边ei→j的权重αi→j，具体计算如下：第一种是路口没有信号控制的情况，具体计算如下：

其中， 表示经过没有信号控制的路口时交通流fj(i→j)对交通流fi(i→j)的关联度，qi表示单位时间内路段i的交通流量，qi→j表示单位时间内路段i转至路段j的交通流量，△qi和△qi→j则分别表示五分钟内相应交通流量的变化量，Ci→j表示五分钟内不包括驶往路段j方向的路段i的交通流量变化量的最大值，δ为环境影响因子，可以根据经验值设定；

第二种是路口有信号控制的情况，具体计算如下：

其中， 表示经过信号控制的路口时交通流fj(i→j)对交通流fi(i→j)的关联度，T表示清空排队车辆所需的平均时间，Tg表示路段i到路段j所在信号相位的绿灯时间长度，t表示当前时刻路段i到路段j所在路口信号相位经过的绿灯时间，如果该相位在当前时刻为红灯，则t＝-1；

(6)依次计算所有子图的非直接相连节点间的权重；有向图子图为Gd-sub(x)，依次计算该子图的非直接相连节点间的权重，如节点i到节点k之间不存在直接相连的有向边ei→k，但存在不少于一条有效连通路径，即存在路径ei→i+1,ei+1→i+2,…,ek-1→k，则节点i到节点k的权重为αi→k，具体计算如下：如果只存在一条有效路径，则权重αi→k为：

αi→k＝αi→i+1αi+1→i+2…αk-1→k               (3)如果存在多条有效路径时，则权重αi→k取最大的权重值，即：

其中，m是最大有效路径数， 是根据公式(3)计算的第j条有效路径的权重，j∈[1,m]；

(7)依次对所有子图的节点个数进行标准化处理；首先，根据经验设定参数N，如果子图Gd-sub(x)的节点个数n′大于参数N，则从目标节点vx(x→y)出发到其它节点的所有权重中，选择权重值最大的N个节点；如果子图Gd-sub(x)的节点个数n′小于参数N，则在子图中添加N-n′个直接与目标节点vx(x→y)相连的节点vtmp，其相应有向边ei→tmp的权重为0；如果子图Gd-sub(x)的节点个数n′等于参数N，则继续处理下一个子图；如果所有子图都处理完成，则继续下一步处理；

(8)依次计算所有子图的交通信息矩阵；有向图子图Gd-sub(x)的交通信息矩阵T与拉普拉斯矩阵相似，具体描述如下：T＝D-Α     (5)

其中，T∈RN×N，D是对角矩阵，D∈RN×N，表示子图Gd-sub(x)的出度矩阵，相应对角线的值N×N表示节点的出度；A是子图Gd-sub(x)的邻接矩阵，A∈R ；

(9)依次求解所有交通信息矩阵的特征矩阵；根据图傅里叶变换，提取子图Gd-sub(x)的交通信息矩阵T的特征矩阵V，并通过Jordan分解法进行求解：T＝VJV-1             (6)

N×N

其中，特征矩阵V∈R ，J表示使用Jordan分解法分解后的Jordan标准型矩阵；

(10)设计交通有向图卷积神经网络模型；交通有向图卷积神经网络模型共有六层，包括输入层，TDGCNN层、Dropout层、Flatten层、全连接层和输出层；输入层包括两部分输入，即图特征信息和图节点信息，其中，图特征信息是交通信息矩阵T经特征提取后的特征矩阵V，图节点信息是有向图子图Gd-sub(x)中每一个节点的交通流信息，包括路段的静态信息和动态信息；TDGCNN层，即交通有向图卷积神经网络层，该层使用图卷积的方法对输入数据进行图卷积计算，从而提取路网空间关联特性；Dropout层用于提升模型的泛化能力，防止训练所得模型过拟合；Flatten层用于将结果数据由二维矩阵转换成一维向量，从而统一前后网络层的数据维度；全连接层采用全连接神经元将Flatten层的输出结果与输出层相连；输出层采用Softmax函数对结果进行分类，并作为最终的交通态势识别结果；整个预测模型的损失函数采用多分类交叉熵函数，基于此误差进行反向传播更新神经网络的权重；

TDGCNN层的图卷积过程为：

H(l)＝σ(V-1H(l-1)W(l))        (7)

其中，l表示TDGCNN层的第l层网络，l＝1,…,k，k是TDGCNN层的最大网络层数；

fl-1表示第l-1层节点信息的维度，其中H(0)＝X，X表示图节点信息矩阵，W(l)表示第l层的权重矩阵，也是神经网络可训练参数的组成部分，

σ(·)表示非线性模型中的sigmoid激活函数；

输出层采用Softmax函数进行分类，具体如下：

其中，Pi表示第i种分类的概率，i＝1,2,…,4，分别对应表1和表2定义的四种拥堵等级分类；Zi表示第i种分类的神经网络加权输出，Zi＝θiΤf(l)，f(l)表示输出层的输入向量，θi表示与输入向量中每一个值一一对应的第i种分类的权重向量，而θiΤ是θi的转置；最终选取Pi值最大的第i种分类为分类结果；

损失函数采用多分类交叉熵，具体如下：

其中，L为损失函数，Sj为把样本数据标记为第j类的期望，Pj为输出数据属于Sj的概率；

(11)生成样本数据集，训练和测试神经网络模型；基于步骤(2)所得的历史交通流信息和步骤(9)所得的图特征信息，即交通信息矩阵的特征矩阵，乱序拆分并生成训练数据集和测试数据集，训练并测试步骤(10)设计的交通有向图卷积神经网络模型；

(12)获取城市路网的实时交通流信息；采集城市路网中各类检测器设备数据，并进行预处理，从而可以获得城市路网中各个路段不同流向的实时交通流信息；

(13)识别城市路网所有路段的交通态势；采用基于步骤(11)训练和测试所得的神经网络模型，可以对城市路网中各个路段不同流向的实时交通流信息进行分类，从而识别出城市路网所有路段的交通态势。

2.如权利要求1所述的基于有向图卷积神经网络的城市交通态势识别方法，其特征在于：步骤(11)中，按5：1的比例乱序拆分并生成训练数据集和测试数据集。