1.一种新型时空特征的车流量预测的方法，其特征在于，具体按以下步骤实施：步骤1，将交通流量数据利用自编码器提取城市路网的主要特征；

步骤2，利用GCN学习提取自编码器得到主要拓扑结构之后的数据进而获得空间依赖性；

步骤3，将利用GCN训练之后的数据放入GRU中，GRU学习路网动态变化获得时间依赖性。

2.根据权利1所述的一种新型时空特征的车流量预测的方法，其特征在于，所述步骤1具体按以下步骤实施：

给定输入样本X＝{x1,x2,...,xn},自编码器首先将输入X按照式(1)编码为y(X)，然后将y(X)按照式(2)进行解码：y(x)＝f(W1x+b)                (1)z(x)＝g(W2y(x)+c)               (2)式中，W1,b分别为编码过程中的权重和偏差；W2,c分别为解码过程中的权重和偏差；f(·),g(·)分别为编码和解码过程中的激活函数。

3.根据权利2所述的一种新型时空特征的车流量预测的方法，其特征在于，所述步骤2具体按以下步骤实施：

将时空交通预测问题视为在道路网络拓扑结构G和特征矩阵X下学习函数，计算下个时刻的交通信息，如式(3)所示：Xt+1＝f(G；(Xt‑n,…,Xt‑1,Xt))          (3)给定一个道路网络G＝(V,E)，可以得到图卷积公式(4)：(l)

其中 为具有自连接的邻接矩阵；IN为单位矩阵； 是度矩阵；H 为(l)

第l层的激活值；θ 表示这层的参数值；σ(·)是激活函数；

两层GCN的模型表示为式(5)：N×P H×1

式中， 是预处理部分，W0∈R ,W1∈R 分别代表隐藏层第一层和第二层的权重矩阵，σ(·),RELU(·)为激活函数。

4.根据权利1所述的一种新型时空特征的车流量预测的方法，其特征在于，所述步骤3中将图卷积网络处理的数据放入GRU中继续训练：rt＝σ(Wr·[ht‑1,xt])                (6)zt＝σ(Wz·[ht‑1,xt])                (7)yt＝σ(Wo·ht)                 (10)式中，rt和zt分别代表重置们和更新门，更新门用于控制历史时刻的交通流量信息被带入到当前交通信息中的程度，重置门控制历史状态被写入到当前交通信息中。