1.三维路网下交通拥堵识别方法，包括如下步骤：(1)图结构化建模与剪枝；输入数据包含时空交通流信息与三维的城市路网信息，通过对路网数据结构化建模成图数据，并进行剪枝，构建以目标有向交通流为中心节点的绳结状树形结构，具体流程如下：s11.以路段中单向、交通流为作为图节点信息，使用有向边表示交通流的上下游连接关系；

s12.构造完有向图之后，以目标节点为中心，构建绳结状子图，目标节点(绳结)的上侧为其上游节点，其下侧为目标节点的下游节点；定义两个参数K和N，依次用于限制子图中由目标节点向外搜索邻居节点的条数以及限制子图中节点的总数；其中通过邻居节点与目标节点的关联度大小排序，依次筛选出所需要的邻居节点；

s13.如果一个点既可以作为上游节点也可以作为下游节点，则该点可以同时出现在绳结状子图上下两个分支中，从而得到三维路网的图结构化表示；

s14.根据输入的基于图的三维路网的两个常数子图中的节点数N、子图中的层数K和图D构造出单结子图Ds，公式如下：Ds＝{ν,ε,A}       (1)

其中|ν|＝N；

(2)空间维度特征提取；对于步骤(1)得到的图结构化模型使用基于有向图的卷积网络捕获高阶空间特征，具体计算过程如下：s21.定义一种图关联矩阵M，公式如下：

其中mi,j代表上流i到下流j的相关度；

s22.定义度矩阵D，公式如下：

s23.得到参考图的拉普拉斯矩阵的构建方式，构建交通信息矩阵，公式如下：T＝D-M      (4)

s24.采用矩阵分解提取交通信息T中的特征矩阵V，公式如下：T＝VJV-1     (5)

其中， 代表矩阵T的Jordan规范形式，可逆矩阵 是Jordan的特征向量；

S25.空间特征交换模型是由多个DGCN层构建，每层的输入为图特征矩阵，在最后一层定义，矩阵H(l-1)关于节点特征，公式如下：H(l)＝σ(V-1H(l-1)W(l))      (6)其中l表示层指数，l＝1,...,k；N是基于子图样本的节点数； H(0)＝X，X表示样本的节点特征矩阵； ft-1表示作为输出通道的结点特征维度； 为第l层的训练参数；σ(·)代表非线性的S型函数；

s26.最终经图卷积网络得到空间特征Fs，公式如下：Fs＝Dense(H(k+1))      (7)(3)时间维度特征提取；将步骤(2)中得到的空间特征按时间序列排序，采用多模式编码器和解码器进行时间维度特征提取，步骤如下：s31.首先将输入数据经过采用自注意力机制模型的编码器，并且将输入的问题特征张量进一步编码为三个相同的矩阵，公式如下：其中Q、K、V依次为查询向量、键值向量以及特征向量；

s32.为了提高图数据中高关联度特征在交通拥堵识别过程中的作用，将不同位置的信息分为m个并行子空间来共同计算注意力权重；然后学习数据中每个特征对之间的关联关系，如下所示：其中LN(·)表示层标准化，Attm(·)表示注意力机制，num是人为定义的常量，代表投影矩阵；

s33.最终应用前馈层整合来自不同位置的信息，公式如下：F′E＝FF(FE)＝max(0,FEWE1+bE1)WE2+bE2    (10)其中WEi,bEi,i＝1,2表示前馈层中有不同的参数；

s34.最后将输出特征经解码器解码：包含两个过程，特征编码和相似性比较；特征编码同步骤s31-s34，接下来将解码器输出的F′E和V到第一个过程的输出FD作为相似性比较过程的输入，得到如下特征用于交通拥堵识别：(4)交通拥堵识别；定义分类器用于交通拥堵识别：根据softmax函数和交叉熵损失函数进行分类，公式如下：其中Pj是结果属于Sj类的可能性，Sj表示真实值类的标签， 表示估计的标签，是要训练的参数模型，k＝1,...,4.和L是交叉熵损失值。