1.一种基于GRU网络的多模式短期交通拥堵预测方法，其特征在于，包括以下步骤：步骤S1：针对时空序列预测的特点，依据领域知识，分析时空序列预测包含多对多、多对一、一对多和一对一四种预测模式，制定四种模式交通拥堵预测方法；

步骤S2：获取全部时空交通速度数据，并对应四种预测模式获取相应的时空交通速度数据，并对每种模式的交通速度数据提取其邻近性矩阵、周期性矩阵和趋势性矩阵，并制作多步时间序列标签；并对路段网络属性数据和特殊事件数据进行one‑hot编码；

步骤S3：构建以交通速度数据邻近性、周期性和趋势性矩阵作为输入数据的GRU‑FC网络；

步骤S4：训练模型后使用模型对短期交通速度进行预测，通过计算交通拥堵阈值、划分交通拥堵等级得到最终的交通拥堵结果。

2.根据权利要求书1所述的方法，步骤S2的特征在于，将路段网络属性数据路段长度、宽度、方向、速度等级和车道编码成向量，同时考虑交通速度在不同时刻(如工作日和周末)具有明显差异，因此将工作日、周末、节假日和高峰时刻编码成向量，获取外部因素数据对交通拥堵的影响。

3.根据权利要求书1所述的方法，步骤S3的特征在于，首先将交通速度数据根据规则得到邻近性矩阵、周期性矩阵和趋势性矩阵。其次将邻近性矩阵、周期性矩阵和趋势性矩阵分别输入到GRU网络中进行训练，然后再结合编码后的路段网络属性数据和特殊事件数据共同输入到FC网络中预测短期交通速度数据。GRU网络能够非常好的处理时空序列数据，因此利用GRU网络训练可以获取不同时间段对未来交通预测的权重，进而提高预测的准确度。