1.一种交通流预测方法，其特征在于，包括如下步骤：导入历史交通流量数据集，所述历史交通流量数据集包括时间片数据集和额外因素数据集；

将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量；

将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果；

所述额外因素数据集包括天气数据和假期数据，所述将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果的过程包括：按照所述原始短期时间特征隐状态向量的输出顺序对多个所述原始短期时间特征隐状态向量进行排序，得到排序后的原始短期时间特征隐状态向量，并将排序后的最后一个原始短期时间特征隐状态向量作为短期时间特征隐状态向量；

按照所述长期周期性时间特征隐状态向量的输出顺序对多个所述长期周期性时间特征隐状态向量进行排序，得到多个排序后的长期周期性时间特征隐状态向量；

将多个所述排序后的长期周期性时间特征隐状态向量划分为多个原始周期隐状态向量组，并将最后一个原始周期隐状态向量组作为周期隐状态向量组；

根据所述短期时间特征隐状态向量对所述周期隐状态向量组进行加权叠加，得到融合特征向量；

根据所述天气数据对所述假期数据进行向量的拼接处理，得到拼接向量；

利用LSTM网络对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果。

2.根据权利要求1所述的交通流预测方法，其特征在于，所述编码器包括GCN图卷积神经网络、GRU网络和Skip‑GRU网络；

所述将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量的过程包括：

将所述时间片数据集输入至所述GCN图卷积神经网络中，通过所述GCN图卷积神经网络对所述时间片数据集进行空间特征的提取，得到多个空间特征时间序列；

将多个所述空间特征时间序列分别输入至所述GRU网络中，通过所述GRU网络分别对多个所述空间特征时间序列进行短期时间特征的提取，得到多个原始短期时间特征隐状态向量；

将多个所述空间特征时间序列分别输入至所述Skip‑GRU网络中，通过所述Skip‑GRU网络分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到多个长期周期性时间特征隐状态向量。

3.根据权利要求2所述的交通流预测方法，其特征在于，所述时间片数据集包括多个时间片数据，所述通过所述GCN图卷积神经网络对所述时间片数据集进行空间特征的提取，得到多个空间特征时间序列的过程包括：通过第一式分别对多个所述时间片数据进行空间特征的提取，得到多个空间特征时间序列，所述第一式为：

χh＝ReLU(Φ*(ReLU(gθ*G)))，其中，χh为空间特征时间序列，ReLU为激活函数，gθ为滤波器，θ为滤波器参数矩阵，G为时间片数据。

4.根据权利要求3所述的交通流预测方法，其特征在于，所述通过所述GRU网络分别对多个所述空间特征时间序列进行短期时间特征的提取，得到多个原始短期时间特征隐状态向量的过程包括：

通过第二式分别对多个所述空间特征时间序列进行短期时间特征的提取，得到多个原始短期时间特征隐状态向量，所述第二式为：(t) (t) (t‑1) (t) (t)H ＝u ⊙H +(1‑u )⊙c ，其中，

其中，

(t‑1) (t)

其中， 为空间特征时间序列 与前一个隐状态H 的拼接，u 为GRU单元(t)

更新的门控，r 为GRU单元控制重置，σ为激励函数，gθ、br、bu和bc均为要学习的参数，⊙为元素相乘。

5.根据权利要求3所述的交通流预测方法，其特征在于，所述通过所述Skip‑GRU网络分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到多个长期周期性时间特征隐状态向量的过程包括：通过第三式分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到多个长期周期性时间特征隐状态向量，所述第三式为：其中，

其中，

t‑p

其中， 为空间特征时间序列 与前一个隐状态H 的拼接， 为GRU单元更(t)

新的门控，r1 为GRU单元控制重置，σ为激励函数，g′θ、b′u、b′c和b′r均为要学习的参数，⊙为元素相乘。

6.根据权利要求1所述的交通流预测方法，其特征在于，所述根据所述短期时间特征隐状态向量对所述周期隐状态向量组进行加权叠加，得到融合特征向量的过程包括：通过第四式对所述短期时间特征隐状态向量和所述周期隐状态向量组进行加权叠加，得到融合特征向量，所述第四式为：其中， 为短期时间特征隐状态向量， 为周期隐状态向量组中的长期周期性时间特征隐状态向量，WF1和WF2均为要学习的权重参数。

7.根据权利要求1所述的交通流预测方法，其特征在于，所述根据所述天气数据对所述假期数据进行向量的拼接处理，得到拼接向量的过程包括：对所述天气数据进行天气数据的降维处理，得到天气低维向量；

对所述假期数据进行假期数据的降维处理，得到假期低维向量；

根据所述天气低维向量对所述假期低维向量进行拼接处理，得到拼接向量。

8.根据权利要求1所述的交通流预测方法，其特征在于，所述利用LSTM网络对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果的过程包括：通过第五式对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果，所述第五式为：

yt＝fd(dt‑1,[yt‑1；Fusiont；ext])，其中，dt‑1为解码器上一个隐状态，yt‑1为解码器上一个交通流预测结果，fd为激活函数，Fusiont为融合特征向量，ext为拼接向量，yt为交通流预测结果。

9.一种交通流预测装置，其特征在于，包括：数据集导入模块，用于导入历史交通流量数据集，所述历史交通流量数据集包括时间片数据集和额外因素数据集；

特征提取模块，用于将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量；

预测结果获得模块，用于将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果；

所述额外因素数据集包括天气数据和假期数据，所述预测结果获得模块具体用于：按照所述原始短期时间特征隐状态向量的输出顺序对多个所述原始短期时间特征隐状态向量进行排序，得到排序后的原始短期时间特征隐状态向量，并将排序后的最后一个原始短期时间特征隐状态向量作为短期时间特征隐状态向量；

按照所述长期周期性时间特征隐状态向量的输出顺序对多个所述长期周期性时间特征隐状态向量进行排序，得到多个排序后的长期周期性时间特征隐状态向量；

将多个所述排序后的长期周期性时间特征隐状态向量划分为多个原始周期隐状态向量组，并将最后一个原始周期隐状态向量组作为周期隐状态向量组；

根据所述短期时间特征隐状态向量对所述周期隐状态向量组进行加权叠加，得到融合特征向量；

根据所述天气数据对所述假期数据进行向量的拼接处理，得到拼接向量；

利用LSTM网络对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果。