1.一种基于聚类和图卷积网络的路网交通状态判别方法，其特征在于，包括以下步骤：

1)选择目标路网，将其划分为n个路段；将一天24小时平均划分为k个时间段，通过传感器设备获取每个路段在每个时间段的平均流量，累计获取j天的路网交通流数据；

2)以路段为节点，以路段的平均流量为节点特征构建路网拓扑结构数据的特征矩阵，并用该特征矩阵作为路网当前时间段的交通状态的划分依据；根据路段之间是否相邻构建路网拓扑结构数据的邻接矩阵；路网拓扑结构数据由[307,1]的特征矩阵和[307,307]的邻接矩阵组成；

3)使用k‑means++算法对反映路网交通状态的特征矩阵进行聚类，从而实现对不同时间段路网交通状态等级的划分，得到具有交通状态标签的路网拓扑结构数据样本；

4)构建基于图卷积神经网络的路网交通状态判别决策模型；所述模型由GCN模块和全连接神经网络组成；首先通过GCN模块提取路网交通数据的空间特征，然后通过全连接神经网络对路网交通状态作出判别决策；该模型主要含有输入层、图卷积层、全连接层和输出层，模型的结构参数见表1；

所述GCN模块的建模包括：首先，确定输入数据和输出数据，输入数据为路网拓扑结构数据，即特征矩阵和邻接矩阵，输出数据为该路网交通状态的特征表达向量；其次构建GCN网络模型，设置网络结构参数；使用2层图卷积对路网数据特征进行提取，其具体表现形式如下：(0) (1) (2)

其中，h ＝X，为输入图结构数据的特征矩阵，h 为第一个GCN层的输出特征数据、h为第二个GCN层的输出特征数据； 部分是对邻接矩阵A进行标准化处理，其中(0) (1)I为单位矩阵， 为 的度矩阵；W 、W 分别表示图卷积层各层可调的权重参数；σ(·)表示ReLU非线性激活函数；

所述全连接神经网络由两个全连接层和一个输出层组成，在全连接层后增加一个Dropout操作，用于抑制网络过拟合问题，其具体表现形式如下：(2)

y1＝σ(W1h +b1)        (6)

y2＝σ(W2y1+b2)        (7)

y3＝W3y2+b3         (8)

其中，y1、y2表示全连接层的输出数据，y3为模型最终的输出数据；W1、W2、W3分别表示各层可调的权重参数，b1、b2、b3分别为各层可调的偏置参数；σ(·)表示ReLU非线性激活函数；

表1 模型结构参数表

5)将步骤3)中得到的样本数据划分为训练数据集和测试数据集，用训练数据集训练步骤4)中搭建的路网交通状态判别决策模型，以测试数据集对模型路网交通状态判别的准确性进行评估。

2.如权利要求1所述的一种基于聚类和图卷积网络的路网交通状态判别方法，其特征在于：在步骤1)中，将每天按一定时间间隔划分为k个时间段，k的选取应反映出一天中路网存在的所有不同交通状态；获取j天路网交通流数据，j为365天。

3.如权利要求1所述的一种基于聚类和图卷积网络的路网交通状态判别方法，其特征在于：在步骤3)中，使用k‑means++聚类算法对路网交通状态等级进行划分，其具体步骤如下：

3.1)对样本数据作归一化处理，将样本数据归一化到区间[0,1]，归一化公式如下：yi,j＝(xi,j‑xi,min)/(xi,max‑xi,min)                          (1)式中，yi,j表示样本数据集中第i个样本数据的第j个元素归一化后的标准值；xi,j表示第i个样本数据的第j个元素的原始值；xi,max和xi,min分别表示第i个样本数据的元素的最大值和最小值；

3.2)确定聚类个数K，K表示路网交通状态划分等级级别的个数；

3.3)从样本数据集中随机选取一个样本作为初始聚类中心c1，计算每个样本数据与当前已有聚类中心之间的最短距离；接着计算每个样本被选取为下一个聚类中心的概率Pi，从而确定下一个聚类中心c2，Pi的计算公式如下：式中，Pi表示第i个样本被选为初始聚类中心的概率；xi表示第i个样本；X表示样本数据集；D(xi)表示样本数据xi与当前已有聚类中心之间的最短距离；

3.4)重复步骤3.3)，直到选出K个初始聚类中心C＝{c1,c2,...,ck}；

3.5)计算样本数据集中每个样本数据xi到K个聚类中心的距离，并将其划分到距离最小的聚类中心所对应的类中；

3.6)对于每个类别ci，重新计算该类别的聚类中心，计算公式如下：

式中，ai表示新生成的第i个类的聚类中心；ci表示第i个类的原始聚类中心；x表示聚类中心对应类中的样本数据；

3.7)重复步骤3.5)和3.6)直到聚类中心的位置不再变化。

4.如权利要求1所述的一种基于聚类和图卷积网络的路网交通状态判别方法，其特征在于：在步骤5)中，使用训练样本数据集对步骤4)中的模型进行训练，从而标定模型中的可训练参数；之后，将当前时间段路网数据输入到训练好的模型中，就能实时获得路网当前的交通状态等级。