1.一种基于知识图谱和Conv1D‑LSTM‑D的道路交通拥堵传播预测方法，其特征在于，所述方法包括以下步骤：

1)根据道路交通流数据集获取车道临界交通流状态阈值：针对数据集中各个车道的交通流数据，基于宏观基本图的原理用函数拟合车道的流量‑密度散点图，得到各个车道的临界交通流状态阈值；

2)构建交通拥堵传播时间知识图谱：定义时间知识图谱的四元组集合，根据地理位置信息、交通流数据集和各个车道的临界交通流状态阈值，构建交通拥堵传播时间知识图谱；

3)基于时间知识图谱和Conv1D‑LSTM‑D实现道路交通拥堵传播预测：根据时间知识图谱转化获得时间序列的交通状态向量，通过一维卷积层Conv1D和全局最大池化层GlobalMaxPooling来对输入的交通状态向量进行低维特征的提取；并将其作为LSTM层的输入，学习时序特征，预测下一时刻的交通状态；最终通过解码层将预测完的低维特征向量重新映射回高维空间，实现道路交通拥堵传播预测。

2.如权利要求1所述的基于知识图谱和Conv1D‑LSTM‑D的道路交通拥堵传播预测方法，其特征在于，所述步骤1)的过程为：根据道路宏观基本图中的流量(q)‑密度(o)模型，qm为临界流量阈值，om为临界密度阈值，得到流量和密度之间存在二次函数关系：其中，vf为自由流速度，oj为阻塞密度；

针对各个车道，分别从道路交通流数据集中获取同一车道在不同时刻的交通流量数据和交通流密度数据，并绘制车道的流量‑密度散点图，用抛物线进行拟合，得到各个车道的临界交通流状态阈值(qm,om)。

3.如权利要求1或2所述的基于知识图谱和Conv1D‑LSTM‑D的道路交通拥堵传播预测方法，其特征在于，所述步骤2)中，构建交通拥堵传播时间知识图谱的过程如下：

2.1)定义时间知识图谱四元组集合定义时间知识图谱四元组集合，描述如下：四元组Ⅰ：交叉口‑相邻‑交叉口，描述的是t时刻下两个交叉口是否相邻；

四元组Ⅱ/四元组Ⅲ：车道‑拥堵/不拥堵‑交叉口，描述的是t时刻下某个交叉口的某个车道是否拥堵，拥堵状态通过临界交通流状态阈值判断；

2.2)构建交通拥堵传播时间知识图谱根据地理位置信息判断交叉口之间的连接关系，构建各个时刻t的四元组Ⅰ；将不同时刻各个车道的交通流数据和临界交通流状态阈值进行比较，判断车道在各个时刻t下的拥堵状态，当q>qm或者o>om时，可认为道路处于拥堵状态，反之为不拥堵，构建四元组Ⅱ和四元组Ⅲ，将四元组按时刻t进行整合，实现交通拥堵传播时间知识图谱的构建。

4.如权利要求1或2所述的基于知识图谱和Conv1D‑LSTM‑D的道路交通拥堵传播预测方法，其特征在于，所述步骤3)中，基于时间知识图谱和Conv1D‑LSTM‑D实现道路交通拥堵传播预测过程如下：

3.1)基于Conv1D和GlobalMaxPooling层提取时序交通状态向量的低维特征；

根据交通拥堵传播时间知识图谱，获取时间序列交通状态向量，每个向量都代表一个时刻所有车道的状态，其中用1表示车道通畅，0表示车道拥堵，然后将时间序列交通状态向量输入到1层Conv1D和1层GlobalMaxPooling中，进行低维特征的提取；

3.2)基于LSTM层学习时序交通状态向量的时间特征将上一步提取到的低维特征作为LSTM层的输入，学习时序特征，用以预测下一时刻的交通状态，LSTM内部其实有4个前馈神经网络，组成了LSTM记忆单元的遗忘门、输入门和输出门结构，遗忘门决定了记忆单元是否忘记历史信息，输入门决定了当前输入数据对记忆单元状态的影响，输出门决定了记忆单元的输出信息，假设xt表示t时刻的输入向量，ht‑1表示t‑1时刻的输出，则LSTM记忆模块进行状态更新和信息输出的过程如下：首先由遗忘门决定保留过去历史信息的程度ft：ft＝σ(Wf·[ht‑1,xt]+bf)       (2)然后，由输入门和ft共同对记忆单元的存储信息Ct进行更新：it＝σ(Wi·[ht‑1,xt]+bi)        (3)最后，由输出门决定当前t时刻的输出ht：ot＝σ(Wo[ht‑1,xt]+bo)       (6)ht＝ot*tanh(Ct)            (7)其中，ft，it，ot分别表示当前t时刻遗忘门、输入门和输出门的输出状态，σ表示激活函数，tanh()表示双曲线激活函数，Wf，Wi，WC，Wo表示内部前馈神经网络的权重，bf，bi，bC，bo表示偏置向量；

3.3)基于Decoder实现道路交通拥堵传播预测将LSTM层预测输出的低维特征向量输入到解码层进行解码，将低维特征向量重新映射回高维空间，就得到了下一时刻的拥堵预测信息，实现了道路交通拥堵传播预测。