1.一种基于异步时空膨胀图卷积网络的交通流量预测方法，其特征在于，所述方法包括：步骤S1，利用道路传感器收集目标区域的交通路网的交通流量数据并进行预处理；

步骤S2，根据步骤S1得到的预处理后的交通流量数据生成时间序列数据；

步骤S3，构建传感器节点之间的空间图，并根据空间图建模交通路网的拓扑结构，生成空间图的邻接矩阵，所述邻接矩阵中各元素表示交通路网中各传感器节点之间的空间关系；

步骤S4，根据步骤S3生成的邻接矩阵，构建异步时空图来建模交通路网中的异步时空关联；

步骤S5，将步骤S2得到的时间序列数据作为输入和标签，使用步骤S4中构建得到的异步时空图来构建异步时空图卷积网络并结合异步时空膨胀因果卷积对目标区域的交通路网的交通流量进行预测；

所述步骤S4包括：

步骤S41，将空间图中m个在时间上相邻的节点相连，构成异步时空图；

步骤S42，使用异步时空关联矩阵来表示异步时空图：其中，A为步骤S3中构建的空间图的邻接矩阵，I为单位矩阵；

步骤S43，构建自适应异步时空关联权重矩阵A(adp)，A(adp)根据A(H)的取值来初始化；

所述步骤S5包括：

步骤S51，利用S4中构建的异步时空图，在空域上定义异步时空图卷积运算如下：A＝A(adp)⊙A(H)    公式(4)h(l)＝AX′W+b    公式(5)其中X′为步骤S2生成的时间序列数据；W和b为异步时空图卷积使用的神经网络的可训练参数；

步骤S52，为了扩大卷积操作的感受野，将S51中的图卷积层进行堆叠，构成异步时空图卷积块：h(l+1)＝Ah(l)W+b    公式(6)hM＝GCNBlock＝Stack[h1，h2，...，hl]    公式(7)步骤S53，使用多层膨胀因果卷积处理长序列问题，在每层膨胀因果卷积中，使用多个异步时空图卷积块处理不同时间周期内的异步时空联系图：其中 为第q块异步时空图卷积块的输出，d为对应层选定的扩张因子，t为当前时间步；

将每块的输出堆叠起来得到本层膨胀因果卷积的输出：S

其中，T为输入序列长度，H表示第S层膨胀因果卷积的输出；

步骤S54，使用多层带有异步时空图卷积的膨胀因果卷积层作为编码器，使用两层全连last接神经网络作为解码器，解码器的输入序列长度T；使用H 表示步骤S53中最后膨胀因果卷积的输出，即编码器的输出；将其输入解码其中得到模型的预测结果：使用解码器的输出 作为预测结果，其中W1、b1和W2、b2分别为所使用的两层全连接神经网络的可训练参数。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：步骤S31，根据传感器的经度和维度确定其位置以及传感器之间的距离；

步骤S32，计算传感器之间的距离的门限高斯核Aij：其中dij为传感器i和传感器j之间的距离，σ为传感器之间距离的标准差，为门限；

步骤S33，使用所计算出来的门限高斯核构建交通路网，形成空间图的邻接矩阵A。

3.根据权利要求2所述的方法，其特征在于，所述步骤S1中进行预处理包括：对采集到的交通流量数据进行聚合并采用Z‑score归一化方法进行归一化处理；

归一化处理公式为：

其中，X表示待归一化的交通流量数据，表示待归一化的交通流量数据的平均值，S为待归一化交通流量数据的标准差。

4.根据权利要求3所述的方法，其特征在于，所述步骤S1中进行预处理，还包括：丢弃距离小于阈值的传感器所采集的交通流量数据。

5.根据权利要求4所述的方法，其特征在于，所述交通流量数据包括过往车辆在预定时间段内的平均速度值。

6.根据权利要求5所述的方法，其特征在于，所述步骤S2采用长度为24、间隔为5分钟的滑动窗口，沿着S1中预处理好的交通流量数据Z的时间维度滑动，以截取并生成时间序列数据X′。

7.根据权利要求6所述的方法，其特征在于，所述步骤S5中对目标区域的交通路网的交通流量进行预测时，根据所要预测交通流量的时长范围和滑动窗口的间隔确定解码器的输入序列长度T。

8.权利要求1‑7任一所述的方法在智能交通中的应用。