1.基于交通流量数据融合的交通速度预测方法，包括如下步骤：

(1)数据预处理；对原始交通数据进行数据预处理，包括历史交通速度数据和交通流量数据；采用平均值法修补缺失数据，并采用Z‑Score方法对数据进行归一化处理，使得原始数据的均值为0，方差为1；

(2)基于交通流量数据融合的交通速度预测模型的设计；交通速度预测模型包括流量预测层、数据融合层、时空分析层和预测输出层；流量预测层采用一个时空卷积块对输入的历史交通流量数据进行处理，从而获得未来若干时间段的交通流量预测数据；数据融合层是采用时间门控卷积把预测的交通流量数据和历史的交通速度数据进行处理，然后进行串联融合并输出至下一层；时空分析层主要是对融合的交通数据进行处理，分别采用图卷积和时间门控卷积来提取交通数据的空间特征和时间特征；预测输出层包括一个时空卷积块、一个时间门控卷积和一个全连接层，时空卷积块用于进一步提取交通数据的时空特征，而时间门控卷积和全连接层则用于最终预测结果的输出；

交通速度预测模型采用时空卷积块，时空卷积块是整个模型的核心组件；时空卷积块由两个时间门控卷积和中间的一个空间图卷积组成，时间门控卷积用于提取时间特征，而图卷积用于提取空间特征；整个交通速度预测模型总共使用了三个时空卷积块，流量预测层的时空卷积块用于处理历史的交通流量数据，并输出未来的交通流量数据；数据融合层和时空分析层合并在一起，也构成一个时空卷积块，用于处理融合后的交通数据并提取时空特征；预测输出层也叠加了一个时空卷积块，用于进一步提取时空特征；

交通速度预测模型采用图卷积操作来提取交通数据的空间关系；图卷积将交通路网视为一张无向图，每个节点代表一个路段，并采用拉普拉斯一阶近似来实现图卷积过程；图卷积的一般表达形式为：其中，Θ*G代表图卷积，Θ是卷积核，θ是图卷积核的共享参数，L是归一化的拉普拉斯矩阵，且 D为图的度矩阵，A为图的邻接矩阵，且 二维变量的图卷积记为Θ*GX，图卷积核 K是图卷积尺寸，Cin和Cout分别为图卷积的输入通道数和输出通道数；

交通速度预测模型设计了复合邻接矩阵，应用于模型的所有图卷积操作；相对于传统的邻接矩阵，复合邻接矩阵融合了静态邻接矩阵和动态邻接矩阵，实现了路段之间空间关系的综合分析；具体如下：其中， 是基于指数距离的静态邻接矩阵，采用指数距离来分析路段之间的静态空间

2 2

相关性；ε用于控制矩阵的稀疏性，||xi‑xj|| 用于计算路段i和j之间的距离，σ表示空间衰减长度； 是基于交通流量的动态邻接矩阵，采用协方差矩阵来计算各个路段之间交通流量的相关性，以此实现对路段空间相关性的动态分析， 和 是路段i和j在过去l个时间段的平均交通流量，即 是复合邻接矩阵，融合了静态邻接矩阵和动态邻接矩阵，可以综合分析路段之间的静态和动态空间关系；

交通速度预测模型的流量预测层包括一个时空卷积块，其中时间门控卷积用于捕获交通流量数据的时间特征，图卷积用于捕获交通流量数据的空间特征；流量预测层的输入输出变化为：其中，输出 代表预测的未来交通流量数据，n是路段数，Cout是输出通道数，Kt是时间门控卷积尺寸，输入 表示历史交通流量数据，

是n个路段的交通流量数据， 是第i个路段在过去l个时间段的交

通流量；Γ0*T和Γ1*T表示两个时间门控卷积，Γ0和Γ1是卷积核； 表示图卷积， 是卷积核，它的输入通道数Cin＝1；ReLU(·)是激活函数；

交通速度预测模型的数据融合层包括两个时间门控卷积和串联操作，两个时间门控卷积分别用于预测的交通流量数据和历史的交通速度数据，提取它们的时间特征，而串联操作则用于这两部分数据的融合，并作为下一层的输入；数据融合层的输入输出变化为：

1 0

其中， 是数据融合层的输出，X 和h 是数据融合层的输入，

是n个路段的交通速度数据， 是第i个

路段在过去l个时间段的交通速度， 是串联操作，Γ2*T和Γ3*T表示两个时间门控卷积，Γ2和Γ3是卷积核；

交通速度预测模型的时空分析层包括空间图卷积和时间门控卷积，空间图卷积用于提取融合数据的空间特征，时间门控卷积用于提取融合数据的时间特征；时空分析层的输入输出变化为：1

其中， 是时空分析层的输出，h是时空分析层的输入， 表示图卷

积， 是卷积核，Γ4*T表示时间门控卷积，Γ4是卷积核；

交通速度预测模型的预测输出层包括一个时空卷积块，一个时间门控卷积和一个全连接层，时空卷积块用于进一步提取时空关系，而额外的时间门控卷积和全连接层用于最终预测结果的输出；预测输出层的输入输出变化为：3

Z＝Γ7*Th          (9)

其中， 为时空卷积块的输出结果， 表示图卷积， 是卷积核，

Γ5*T和Γ6*T表示时间门控卷积，Γ5和Γ6是卷积核； 为时间门控卷积的输出结果，Γ7*T表示时间门控卷积，Γ7是卷积核； 是未来第j时间段的交通速度预测值， 是权重向量，b是偏置项；当预测未来交通速度时，Yt+1是第一个预测值，然后Yt+1会拼接入输入数据，重复相同过程可以预测下一时间段的交通速度Yt+2，不断地重复，就可以预测未来T个时间段的交通速度；

交通速度预测模型采用Adam优化器进行训练，使用梯度下降算法更新参数；模型的损失函数采用均方误差，具体如下：其中，是预测值，Yi是真实值；

(3)样本数据集的生成和交通速度预测模型的训练；拆分基于步骤(2)所得的交通数据，生成训练数据集、验证数据集和测试数据集，训练交通速度预测模型；

(4)未来时间段交通速度的预测；基于步骤(3)训练得到的预测模型，根据采集的交通数据，预测未来时间段的交通速度。

2.如权利要求1所述的基于交通流量数据融合的交通速度预测方法，其特征在于：步骤2

(2)的公式(2)，参数设置为σ＝100，ε＝0.5。

3.如权利要求1所述的基于交通流量数据融合的交通速度预测方法，其特征在于：步骤(3)中，按6:2:2的比例拆分，生成训练数据集、验证数据集和测试数据集。

4.实施权利要求1所述的基于交通流量数据融合的交通速度预测方法的系统，其特征在于：包括依次连接的数据预处理模块、交通速度预测模型设计模块、样本数据集生成和交通速度预测模型训练模块、未来时间段交通速度预测模块。