1.一种车流量预测方法，其特征在于，包括：获取具有时间序列的多个历史车流量，得到历史数据集；

根据N个预设调整集分别调整所述历史数据集，得到N个具有不同的分布模式的训练数据集，其中，N为正整数；

根据N个训练数据集构建N个预测模型；

获取当前车流量，从N个预测模型中选取与所述当前车流量匹配的预测模型进行预测，得到车流量预测值；

所有预设调整集的元素个数相同，且等于所述历史数据集的元素个数；

所述分布模式由均值和方差确定；

所述根据N个预设调整集分别调整所述历史数据集，得到N个具有不同的分布模式的训练数据集，包括：

将所述N个预设调整集分别与所述历史数据集的对应位置的元素相加或相乘，得到N个训练数据集，所述N个训练数据集具有不同的分布模式。

2.如权利要求1所述的方法，其特征在于，所述获取当前车流量，从N个预测模型中选取与所述当前车流量匹配的预测模型进行预测，得到车流量预测值，包括：获取当前时刻前第一时间段内车流量作为线上测试数据，所述线上测试数据用于预测当前时刻的车流量；

分别输入所述线上测试数据至所述N个预测模型进行当前时刻的车流量的预测，得到N个预测值；

获取当前时刻车流量的监测值；

根据所述监测值，分别计算N个预测值的准确率；

选取准确率符合预设条件的预测值对应的预测模型作为与所述当前车流量匹配的预测模型；

根据选取的预测模型对当前时刻后第二时间段内的车流量进行预测，得到车流量预测值。

3.如权利要求2所述的方法，其特征在于，所述根据选取的预测模型对当前时刻后第二时间段内的车流量进行预测，得到车流量预测值，包括：判断选取的预测模型的个数；

若所述个数为一个，根据选取的一个预测模型对当前时刻后第二时间段内的车流量进行预测，得到车流量的预测值；

若所述个数为多个，根据选取的多个预测模型分别对当前时刻后第二时间段内的车流量进行预测，得到多个中间预测值，计算所述多个中间预测值的平均值，确定所述平均值为车流量预测值。

4.如权利要求1所述的方法，其特征在于，所述根据N个训练数据集构建N个预测模型，包括：

初始化所述N个训练数据集，得到N个初始化结果集；

根据长短期记忆网络LSTM训练所述N个初始化结果集，得到N个预测模型。

5.如权利要求4所述的方法，其特征在于，所述初始化所述N个训练数据集，得到N个初始化结果集，包括：

对所述N个训练数据集进行平稳化处理；

对经过平稳化处理的所述N个训练数据集进行标准化处理，得到N个初始化结果集。

6.如权利要求5所述的方法，其特征在于，所述平稳化处理包括：差分处理；

所述对经过平稳化处理的所述训练数据集进行标准化处理包括：将经过平稳化处理的所述训练数据集映射至[‑1，1]范围内。

7.一种车流量预测装置，其特征在于，包括：获取模块，用于获取具有时间序列的多个历史车流量，得到历史数据集；

调整模块，用于根据N个预设调整集分别调整所述历史数据集，得到N个具有不同的分布模式的训练数据集，其中，N为正整数；

构建模块，用于根据N个训练数据集构建N个预测模型；

所述获取模块，还用于获取当前车流量；

预测模块，用于从N个预测模型中选取与所述当前车流量匹配的预测模型进行预测，得到车流量预测值；

所有预设调整集的元素个数相同，且等于所述历史数据集的元素个数；

所述分布模式由均值和方差确定；

所述根据N个预设调整集分别调整所述历史数据集，得到N个具有不同的分布模式的训练数据集，包括：

将所述N个预设调整集分别与所述历史数据集的对应位置的元素相加或相乘，得到N个训练数据集，所述N个训练数据集具有不同的分布模式。

8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。