1.一种基于图注意力神经网络和时空大数据的交通预测方法，其特征在于，包括以下步骤：S110：根据交通流数据建立路网拓扑，得到路网拓扑信息；

S120：根据步骤S110所得路网拓扑信息，通过图注意力网络对过去的某一时段历史交通信息的嵌入特征信息进行处理，得到空间特征信息；

S130：采用长短期记忆网络对所述空间特征信息进行处理，得到时序特征信息；

S140：采用注意力机制对所述时序特征信息进行处理，得到预测交通信息。

2.如权利要求1所述的基于图注意力神经网络和时空大数据的交通预测方法，其特征在于，所述步骤S120中根据所述路网拓扑信息，通过图注意力网络对历史交通信息的嵌入特征信息进行处理包括以下步骤：S121：采用如下公式对所述嵌入特征信息进行特征维度转换处理，得到转维特征信息：(l)

其中，W 表示可训练的参数， 表示嵌入特征信息， 表示转维特征信息；

S122：采用如下公式通过LeakyReLU函数以及Softmax函数对所述转维特征信息进行处理，得到第一权重：其中， 表示可学习的权重向量； 代表第i个节点的注意力分数；(·P·)为拼接两个顶点的变换特征， 表示第一权重；

S123：采用如下公式根据所述第一权重，对所述嵌入特征信息进行加权求和，得到所述空间特征信息：其中， 是节点i更新后的特征；σ为Sigmoid函数。

3.如权利要求1所述的基于图注意力神经网络和时空大数据的交通预测方法，其特征在于，所述步骤S130中通过长短期记忆网络对所述空间特征信息进行处理包括以下步骤：S131：对空间特征信息进行遗忘信息提取处理，得到遗忘信息；

S132：对空间特征信息进行保留信息提取处理，得到保留信息；

S133：根据所述遗忘信息以及所述保留信息进行更新运算处理，得到更新信息；

S134：根据所述更新信息以及所述空间特征信息，得到时序特征信息。

4.如权利要求1所述的基于图注意力神经网络和时空大数据的交通预测方法，其特征在于，所述步骤S140中通过注意力机制对所述时序特征信息进行处理包括以下步骤：S141：对时序特征信息进行分割处理，得到多个子时序特征信息；

S142：对多个所述子时序特征信息进行权重计算处理，得到多个第二权重；

S143：根据子时序特征信息以及其对应的第二权重，对所有子时序特征信息进行加权求和处理，得到多个第一结果；

S144：拼接所有所述第一结果，得到预测交通信息。

5.如权利要求1所述的基于图注意力神经网络和时空大数据的交通预测方法，其特征在于，所述S110：根据实际道路建立路网拓扑，得到路网拓扑信息包括：使用未加权图G＝(V,E)描述路网拓扑；

通过邻接矩阵A表示道路节点之间的连接关系；

其中，V＝{v1,v2,...,vN}表示道路节点，N是节点的数量，E代表交通路网中边的集合，用于表示路网节点之间的关联程度。

6.如权利要求5所述的基于图注意力神经网络和时空大数据的交通预测方法，其特征在于：采用如下公式计算所述邻接矩阵A中各元素的值：2

其中，dij代表节点i与节点j之间的距离；σ表示方差；ε用于控制邻接矩阵稀疏性。

7.一种用于实现权利要求1‑6任一项的交通预测方法的交通预测模型的训练方法，其特征在于，所述交通预测模型包括空间子模型和时序子模型，所述方法包括：S210：根据交通流数据建立路网拓扑，得到路网拓扑信息；

S220：根据步骤S210所得路网拓扑信息，通过图注意力网络对样本交通信息的嵌入特征信息进行处理，得到空间特征信息；

S230：采用长短期记忆网络对所述空间特征信息进行处理，得到时序特征信息；

S240：采用注意力机制对所述时序特征信息进行处理，得到预测交通信息；

S250：根据所述输出交通信息与所述样本交通信息的标签之间的差异，训练所述交通预测模型。

8.如权利要求7所述的交通预测模型的训练方法，其特征在于：所述步骤S220中的样本交通信息获取自过去的某一时段历史交通信息。

9.如权利要求7所述的交通预测模型的训练方法，其特征在于，所述步骤S250中根据所述输出交通信息与所述样本交通信息的标签之间的差异，训练所述交通预测模型包括以下步骤：S251：采用如下公式根据输出交通信息、所述标签以及正则化项，得到损失值：L(x)＝||Yac‑Ypred||+λL2；

S252：根据输出交通信息和所述标签，得到误差值；

S253：根据所述损失值以及所述误差值，训练所述交通预测模型；

其中，L(x)表示损失函数，Ypred表示输出交通信息；Yac表示实际交通信息；λ是超参数；L2是正则化项，引入损失函数中可以有效避免模型过拟合。

10.如权利要求9所述的交通预测模型的训练方法，其特征在于，所述误差值包括：均方根误差值(RMSE)、平均绝对误差值(MAE)以及平均绝对百分比误差值(MAPE)。