1.一种基于图卷积网络和图注意力网络的行车时间估计方法，其特征在于：包括如下步骤：步骤1，建模交通情况单元；

步骤2，建模驾驶习惯单元；

步骤3，建模驾驶速度单元；

步骤4，建模行车时间单元；

执行步骤1～步骤4后得到行车时间估计模型，在行车时间估计模型中，驾驶习惯单元与交通情况单元分别与驾驶速度单元相连，驾驶速度单元与行车时间单元相连，由行车时间单元得出最终的结果；

步骤5，通过行车时间估计模型，得到最终的行车时间估计结果。

2.根据权利要求1所述的基于图卷积网络和图注意力网络的行车时间估计方法，其特征在于：在所述的步骤1中，执行建模交通情况单元时，具体包括如下步骤：步骤1-1，进行空间特征捕捉，在进行空间特征捕捉时，通过构建路段交通组件来学习每个路段的交通条件C，使用图卷积网络，通过与周围路段卷积后的直线变换学习目标路段的空间特征表示；

步骤1-2，进行时空特征预测，如图2所示，通过图卷积网络GCN和GRU单元，建立了GCN-GRU模型，使用图卷积网络从空间视图中捕获路段中的时空特征st，并使用GRU模型从目标道路段中的时空视图中捕获seq2seq来捕获路段中的时空特征；

步骤1-3，进行交通情况描述。

3.根据权利要求1所述的基于图卷积网络和图注意力网络的行车时间估计方法，其特征在于：在所述的驾驶习惯单元中，设置有两层结构：元知识嵌入层以及元知识学习层，在元知识嵌入层中，设置有与元知识一一对应的学习嵌入单元，元知识分别送入各自对应的学习嵌入单元中，然后将所有学习嵌入单元进行合并连接；在元知识学习层中，设置有LSTM模型，所有学习嵌入单元合并连接后利用LSTM模型学习驾驶习惯。

4.根据权利要求1所述的基于图卷积网络和图注意力网络的行车时间估计方法，其特征在于：所述的元知识包括驾驶员ID、驾驶时间、驾驶日期、驾驶速度以及加载状态。

5.根据权利要求1所述的基于图卷积网络和图注意力网络的行车时间估计方法，其特征在于：在所述步骤3建模驾驶速度单元时，首先，获取利用t时刻的速度特征、t+1时刻的驾驶习惯、交通条件获取t+1时刻单个路段驾驶员的速度特征；

其次利用注意力网络GAT获取相邻路段的权重系数，再将相邻路段vj在ts时刻的表示速度与其相应权值相乘求和得到目标路段在ts时刻的速度，具体两个步骤：第一步是获取与目标路段及其邻居路段的相关性，第二步是更新下一个时刻目标道路的速度。