1.一种面向多元交通流时空数据信息的交通流预测方法，其特征在于，具体包括以下步骤：S1、获取交通流的原始数据并对缺失数据进行插补和标准化以此获得预处理后的数据；

S2、将交通流预处理后的数据根据时间戳进行分段，将输入数据分为多段；

S3、根据交通速度传感器的地理信息构建邻接矩阵，并根据邻接矩阵获取出度矩阵和入度矩阵；具体包括：根据传感器的地理位置生成邻接矩阵，即若包括N个传感器，则生成N×N的邻接矩阵，矩阵中第i行、第j列的元素表示第i个传感器是否处于j号传感器的上游位置，若处于则对应矩阵中元素的值为1，否则为0；

将当前邻接矩阵作为出度矩阵；

对出度矩阵进行转置操作，得到入度矩阵；

S4、基于注意力机制分别对每段输入数据进行动态加权求和，得到动态加权的输入数据矩阵；

S5、利用出度矩阵和入度矩阵分别对动态加权的输入数据矩阵进行掩码操作，分别得到出度矩阵的动态权重矩阵、入度矩阵的动态权重矩阵，得到出度矩阵的动态权重矩阵、入度矩阵的动态权重矩阵的过程包括：A

A

其中，A

Q

K

其中，X

S6、构建自适应矩阵，利用两个传感器数据之间的皮尔逊相关系数构建掩码矩阵，并利用该掩码矩阵对自适应矩阵进行稀疏化；构建自适应矩阵包括：其中，A

S7、利用两个传感器数据之间的皮尔逊相关系数构建掩码矩阵，并利用该掩码矩阵对自适应矩阵进行稀疏化，即计算各个传感器之间数据的皮尔逊相关系数，若皮尔逊相关系数大于设定阈值则掩码矩阵中这两个传感器对应的位置处值为1，否则为0，利用该掩码矩阵对自适应矩阵进行稀疏化；基于稀疏化后的自适应矩阵、出度矩阵的动态权重矩阵、入度矩阵的动态权重矩阵构建扩散图卷积网络模块；

S8、基于扩散图卷积网络模块构建GRU门控单元，将实时采集的输入数据进行提取隐藏信息，获得隐状态向量；GRU门控单元进行提取隐藏信息的过程包括：r

z

其中，r

其中，Z表示一个扩散图卷积网络模块的输出；M表示扩散次数；

S9、利用多头注意力机制对获取的隐状态信息进行处理，将多头注意力的输出输入到神经网络层；

S10、神经网络层根据输入的数据输出对每个传感器节点的下一时刻的速度预测值。

2.根据权利要求1所述的一种面向多元交通流时空数据信息的交通流预测方法，其特征在于，获取交通流的原始数据并对缺失数据进行插补和标准化以此获得预处理后的数据包括：获取交通传感器中每个节点的数据，并将其按时间顺序排列；

对于其中的缺失数据，使用平均值法进行插补，即使用缺失数据前一时刻的数据和后一时刻的数据之和的平均值作为替代缺失数据；

在完成数据插补后，对数据进行归一化处理，使得所有数据的值都缩放到[-1,1]之间，对数据进行归一化处理的过程包括：其中，x为原始数据的值，mean(x)为所有x的平均值，σ′表示数据的标准差，x′即为经过归一化后的缩放数据。

3.根据权利要求1所述的一种面向多元交通流时空数据信息的交通流预测方法，其特征在于，将交通流预处理后的数据根据时间戳进行分段的过程包括：构建训练数据集时，将历史数据中待预测数据对应的真实数据前一小时数据、前一天同一时段数据以及前一周同一时段数据作为输入，预测待测时间段的数据，并利用预测值与真实数据的差值对预测网络参数进行更新；

在实时进行预测时，直接将待预测时间段前一小时数据、前一天同一时段数据以及前一周同一时段数据作为输入，得到预测值。

4.根据权利要求1所述的一种面向多元交通流时空数据信息的交通流预测方法，其特征在于，利用多头注意力机制对获取的隐状态信息进行处理包括：MHAttention(H

MHAttention(H

TE＝{TE

其中，MHAttention(H