1.一种基于时空的交通流量预测方法，其特征在于，交通流量预测模型包括时间卷积神经网络、双图卷积网络和全连接层，所述方法包括：获取预设时间区间内的交通流量信息和天气特征信息，根据所述交通流量信息和所述天气特征信息生成天气特征矩阵；

将所述天气特征矩阵输入到所述时间卷积神经网络中提取时序相关性信息，并基于所述时序相关性信息生成时序特征；

通过所述双图卷积网络和预设的动态邻接矩阵，获取所述时序特征的空间相关性信息，并基于所述空间相关性信息生成空间特征，并将所述空间特征与所述天气特征矩阵、所述时序特征进行融合，得到当前卷积深度的交通流量潜在特征；

通过所述全连接层对所有卷积深度的所述交通流量潜在特征进行融合处理，得到预设时间节点的交通流量预测结果。

2.根据权利要求1所述的一种基于时空的交通流量预测方法，其特征在于，所述获取预设时间区间内的交通流量信息和天气特征信息，根据所述交通流量信息和所述天气特征信息生成天气特征矩阵包括：

根据交通路段标识，获取所述交通路段标识对应的交通流量信息，将所述交通流量信息作为流量特征；

获取每个时间节点的天气特征，将所述天气特征与所述流量特征进行融合，得到流量增广矩阵；

对所述流量增广矩阵进行卷积计算，得到所述交通路段标识的天气特征矩阵。

3.根据权利要求1所述的一种基于时空的交通流量预测方法，其特征在于，所述将所述天气特征矩阵输入到所述时间卷积神经网络中提取时序相关性信息，并基于所述时序相关性信息生成时序特征包括：

将所述天气特征矩阵输入所述时间卷积神经网络，通过每层卷积层对所述天气特征矩阵进行扩散卷积，提取出时序子特征；

基于跳跃连接方式，对每层卷积层提取出的所述时序子特征进行融合，生成所述时序特征。

4.根据权利要求1所述的一种基于时空的交通流量预测方法，其特征在于，所述通过所述双图卷积网络和预设的动态邻接矩阵，获取所述时序特征的空间相关性信息，并基于所述空间相关性信息生成空间特征包括：基于所述动态邻接矩阵，根据张量运算方式，生成所述时序特征的权重参数，并基于所述权重参数，得到动态空间特征；

通过所述图卷积网络对动态空间特征进行融合，得到所述空间特征。

5.根据权利要求4所述的一种基于时空的交通流量预测方法，其特征在于，所述获取地理相互信息，通过所述图卷积网络对所述地理相互信息和所述权重输出特征进行融合，得到所述空间特征包括：

根据所述地理相互信息和所述权重输出特征进行卷积计算，得到卷积结果；

根据所述卷积结果和所述权重输出特征，确定残差值，将所述残差值与所述卷积结果相加，得到所述空间特征。

6.根据权利要求1所述的一种基于时空的交通流量预测方法，其特征在于，在通过所述双图卷积网络和预设的动态邻接矩阵，获取所述时序特征的空间相关性信息，并基于所述空间相关性信息生成空间特征之前，所述方法包括：基于所述交通流量信息，确定每个时间节点的交通流量，并基于所述交通流量生成动态图；

针对同一时间节点，通过tucker逆分解方式，从所述动态图获取每个时间节点的动态邻接矩阵。

7.根据权利要求1所述的一种基于时空的交通流量预测方法，其特征在于，所述根据所述全连接层对所述天气特征矩阵、所述时序特征和所述空间特征进行融合处理，得到预设时间节点的交通流量预测结果包括：获取所述时间卷积网络每一层的时序特征以及对应的空间特征；

通过所述全连接层对每一层的时序特征和所述空间特征进行融合，得到所述交通路段区域在预设时间节点的交通流量预测结果。

8.一种基于时空的交通流量预测装置，其特征在于，交通流量预测模型包括时间卷积神经网络、双图卷积网络和全连接层，包括：天气矩阵生成模块，用于获取预设时间区间内的交通流量信息和天气特征信息，根据所述交通流量信息和所述天气特征信息生成天气特征矩阵；

时序特征提取模块，用于将所述天气特征矩阵输入到所述时间卷积神经网络中提取时序相关性信息，并基于所述时序相关性信息生成时序特征；

空间特征提取模块，用于通过所述双图卷积网络和预设的动态邻接矩阵，获取所述时序特征的空间相关性信息，并基于所述空间相关性信息生成空间特征，并将所述空间特征与所述天气特征矩阵、所述时序特征进行融合，得到当前卷积深度的交通流量潜在特征；

预测结果输出模块，用于通过所述全连接层对所有卷积深度的所述交通流量潜在特征进行融合处理，得到预设时间节点的交通流量预测结果。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并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7中任一项所述一种基于时空的交通流量预测方法的步骤。

10.一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7中任一项所述一种基于时空的交通流量预测方法的步骤。