1.基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于包括如下步骤：

S1：原始交通流数据预处理；

S2：根据S1所得数据制定车道选取策略；

S3：对S1所得数据进行速度处理神经网络自学习；

S4：对S1所得数据进行空间编码器网络自学习；

S5：将S3与S4所得张量融合并进行时间解码器网络自学习获取最终预测结果。

2.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S1具体包括步骤如下：

S1.1：车道级交通流参数的清洗，如清除缺失值、离群数据等，以及基础数据的规范化处理；

S1.2：根据清洗后的特征参数绘制曲线，使用既定长度滑动窗格法修复明显的毛刺噪声点，使其光滑。

3.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S2具体包括步骤如下：

S2.1：本方法中以各连接紧密的城区地面道路路口作为车道划分、选取依据，并使用关联度分析方法验证，相应的灰色关联度计算公式如下所示：其中： 为t‑k时刻目标车道的特征参数， 为t‑k时刻参与车道的特征参数，u为序列中各项的值，Δmax为全局交通特征参数最大值，Δmin为全局交通特征参数最小值，ρ为经验系数，随后将得到的关联度值 归一化处理，得到最终结果pt‑k,u。

4.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S3具体包括步骤如下：

S3.1：将车道速度数据整理为速度处理神经网络所需的矩阵格式：其中： 为i号车道在j时段内的平均速度，n为车道总数，m为时段总数S3.2：速度处理神经网络子单元为Bi‑LSTM，本方案中为更好地捕捉车辆速度序列的深层次特征，以头尾相串联的方式构建深层Bi‑LSTM网络：其中： 为l号单元内车道的平均速度值， 与 为l单元正向传播后的隐藏层与细胞状态层，e参数表示编码器，用于与解码器进行区分；同理 与 为反向传播后的隐藏层与细胞状态层，它们均使用上一单元即l‑1单元的正反结果经传播后得到， 为l单元融合后得到的隐藏层。

5.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S4具体包括步骤如下：

S4.1：内嵌空间注意力机制的编码神经网络由另一Bi‑LSTM单元构成；编码神经网络中第i单元中的空间注意力可被概括为：首先将第i单元中初始的Query值 初始Key值 以及Value值 经过线性变换后，分别得到 之后将 与 做点积，计算出各项权重，最后将 与各项权重相乘：

其中：解码器神经网络中第i‑1子单元的隐藏层为 细胞状态层为 为此单元的车道流量数据， 为此单元的权重项， 为偏移项，q为流量处理参数的标识，a为注意力机制参数标识；经过激活函数tanh作用后可得到权重中间项 将m时段内中间项目加权取均值可得到权重结果

6.如权利要求1所述的基于时空注意力机制的地面道路车道级交通流预测方法，其特征在于S5具体包括步骤如下：

S5.1：根据S3.2与S4.1中计算得到的张量，将其融合得到时间解码器网络中的输入数据θ；

S5.2：根据S5.1中融合得到后的深层时空特征张量作为时间解码器网络中的输入值，并通过最后的全连接层得到预测结果：其中： 为解码器i′单元内的权重项， 为单元内的偏移项， 与 分别为上一单元的隐藏层与细胞状态层，参数d表示编码器，用于与编码器进行区分； 为编码器网络与速度处理神经网络融合后的张量， 为各项时序权重，将其分配到 中可得到分配后的结果 为t时刻的历史真实值，将其与 进行拼接与线性变换得到 经过全连接层的处理后得到最终的预测结果 τ为预测时长，短时预测中一般设置为一小时内；

与 为两次变换中的权重项， 与 为变换中的偏移项，f用于标识此全连接层中的各类参数。