1.一種基于注意力的長短時空圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，其特征在于：該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于注意力的長短時空圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，其特征在于：所述s1中，獲取時間序列數(shù)據(jù)以及鄰接矩陣數(shù)據(jù)，根據(jù)接受的數(shù)據(jù)構(gòu)建維度為(v,e,a),其中v代表節(jié)點數(shù)量，代表交通網(wǎng)絡(luò)中包含的路段，e代表連接節(jié)點的邊集，a代表鄰接矩陣。
3.根據(jù)權(quán)利要求1所述基于注意力的長短時空圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，其特征在于：所述s2中，設(shè)有n個節(jié)點，即交通網(wǎng)絡(luò)中的路段，每個節(jié)點的特征為一個時間序列，表示該節(jié)點在不同時間步的交通流特征；
4.根據(jù)權(quán)利要求1所述基于注意力長短時空圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，其特征在于：所述s3具體包括：
5.根據(jù)權(quán)利要求4所述基于注意力長短時空圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，其特征在于：所述s31中，利用圖注意力網(wǎng)絡(luò)-時域卷積網(wǎng)絡(luò)gat-tcn來分別提取時空特征，在空間圖注意力網(wǎng)絡(luò)gat塊中，采用多頭注意機制，使模型能夠通過多個獨立的注意塊共同學(xué)習(xí)空間依賴性；
6.根據(jù)權(quán)利要求1所述基于注意力的長短時空圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，其特征在于：所述s4中，空間注意力模塊用來提取交通數(shù)據(jù)的空間相關(guān)性，模塊中的attention塊利用分數(shù)函數(shù)來決定注意力權(quán)重的大小，并得到q,k,v三個矩陣；
7.根據(jù)權(quán)利要求4所述基于注意力的長短時空圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，其特征在于：所述s32中，利用gat-tcn來分別提取時空特征；
8.根據(jù)權(quán)利要求1所述基于注意力的長短時空圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，其特征在于：所述s3中，為提升單個任務(wù)的泛化性能，使用一種基于多層前饋神經(jīng)網(wǎng)絡(luò)(feedforward?neural?network,fnn)的特征捕獲方法；
9.根據(jù)權(quán)利要求1所述基于注意力的長短時空圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，其特征在于：所述s4中，最終預(yù)測結(jié)果映射返回到現(xiàn)實空間中，得到預(yù)測交通流數(shù)據(jù)；
10.一種計算機可讀存儲介質(zhì)，其特征在于：其上存儲有計算機程序或代碼，當由處理器加載并執(zhí)行時，能夠?qū)崿F(xiàn)權(quán)利要求1～9中任一項所述方法的步驟。