1.一种基于自适应窗口注意力提取时空依赖的交通流预测方法，其特征在于，包括以下步骤：S1.获取交通路网的图结构基本信息及其交通流数据，并对交通流数据进行预处理；

S2.完成预处理后，采用STVvec方法获取交通路网中各卡口节点的流量单元时空特征集合；

S3.基于transformer构建交通流量预测模型，该交通流量预测模型包括时间依赖模块、时空依赖模块和预测模块；

S4.采用多头注意力机制构建时间依赖模块，并引入查询子空间、关键子空间和值子空间三个潜在子空间获取多种时间依赖关系；将各卡口节点的流量单元时空特征集合作为时间依赖模块的输入，得到各卡口节点的时间依赖特征；

S5.在时空依赖模块引入自适应窗口，以各卡口节点的时间依赖特征作为输入，得到各卡口节点的时空依赖特征；

S6.将各卡口节点的时空依赖特征输入预测模块，得到预测结果。

2.根据权利要求1所述的一种基于自适应窗口注意力提取时空依赖的交通流预测方法，其特征在于，步骤S1的具体过程包括：S11.获取交通路网的图结构基本信息G(V,E,A)，V＝{v1,v2,...,vN}表示交通路网中的卡口节点集合； 表示卡口节点之间的连通性，如果在空间上卡口节点vi与卡口节点vj直接相连，则eij＝1，表示两个卡口节点之间存在边；否则eij＝0，表示两个卡口节点之间不存在边； 表示邻接矩阵，aij表示卡口节点vi与卡口节点vj之间的关系强度，若卡口节点vi与卡口节点vj在地理上没有密切关系，则aij＝0；

S12.获取该交通路网的交通流数据，并对其进行清洗；

S13.对清洗后的交通流数据按照时间片进行划分，一个时间片中的交通流数据组成一个交通流量组， 表示第t个时间片的交通流量组， 表示第t个时间片中卡口节点vi上的流量单元；

S14.获取每个时间片中的附加信息，TPt＝{tpt1,tpt2,...,tptM}表示第t个时间片的附加信息集合，tptM表示第t个时间片的第M个附加信息。

3.根据权利要求2所述的一种基于自适应窗口注意力提取时空依赖的交通流预测方法，其特征在于，采用STVvec方法获取交通路网的任一时间片中任一卡口节点上的流量单元时空特征集合的具体过程包括：S21.采用Word‑Embedding编码对卡口节点vi在时间片t的流量单元 进行词向量化，得到卡口节点vi上流量单元 在时间片t的词嵌入特征S22.通过结构化深度网络嵌入方法重构交通路网的图结构基本信息，得到卡口节点vi上流量单元 在时间片t的位置嵌入特征S23.根据时间片t的附加信息及其相邻时间片信息得到时间片t的时间嵌入特征 即得到卡口节点vi上流量单元 在时间片t的时间嵌入特征S24.将卡口节点vi上流量单元 在时间片t的词嵌入特征 位置嵌入特征 与时间嵌入特征 融合得到卡口节点vi上流量单元 在时间片t的时空特征；

S25.重复步骤S21‑S24得到卡口节点vi在不同时间片的流量单元的时空特征，将卡口节点vi所有时间片的流量单元的时空特征组成卡口节点vi的流量单元时空特征集合。

4.根据权利要求3所述的一种基于自适应窗口注意力提取时空依赖的交通流预测方法，其特征在于，步骤S22获取卡口节点vi上流量单元 在时间片t的位置嵌入特征的过程包括：S221.将卡口节点vi初始化为向量，将初始化向量经过K层非线性函数变换映射到表示空间，得到表示空间向量；每层非线性函数变换的隐藏表示为：σ表示sigmod激活函数， 表示卡口节点vi的初始化向量， 表示经过第k层非线性(k) (k)函数变换后的隐藏表示，W 表示第k层非线性函数变换的权重矩阵，b 表示第k层非线性函数变换的偏差；

S222.将表示空间向量映射到重构空间，通过反转编码器计算得到与卡口节点vi的初始化向量大小一致的位置嵌入特征其中，设计重构损失函数计算重构损失反向传播，表示为：

其中， 表示输入数据，即卡口节点的初始化向量集合，

表示重构数据，即卡口节点位置嵌入特征集合，⊙表示哈达玛积，

B表示惩罚权重矩阵，F表示F范数，α表示控制一阶损失的参数，xi表示卡口节点vi的表示空间向量，xj表示卡口节点vj的表示空间向量，ν表示控制过拟合的参数，Lreg表示防止过拟合的L2正则表达式。

5.根据权利要求3所述的一种基于自适应窗口注意力提取时空依赖的交通流预测方法，其特征在于，步骤S23根据时间片t的附加信息及其相邻时间片信息得到时间片t的时间嵌入特征的过程为：S231.通过one‑hot编码处理时间片t的附加信息TPt，得到长度为Nm的附加信息向量；采用M个可学习矩阵将附加信息向量转换为长度为dg的时间属性向量，表示为：S232.获取时间片t的前后时间片关系，采用positional embedding获取相对时间向量，表示为：S233.将时间片t的时间属性向量与相对时间向量串联并进行线性变换，得到时间片t的时间嵌入特征 表示为：dg

其中， 表示时间片t的时间属性向量， 表示时间片t的相对时间向量，R 表示dg维的向量，pos表示该时间片相对整个历史交通流里所有时间片的位置。

6.根据权利要求1所述的一种基于自适应窗口注意力提取时空依赖的交通流预测方法，其特征在于，在时间依赖模块中，采用STE函数替换多头注意力机制的共享参数机制，并为每头注意力创建一个带有隐藏层的多层感知器，表示为：其中，X表示时间依赖模块的输入，即卡口节点的流量单元时空特征集合，和 均为可学习参数。

7.根据权利要求1所述的一种基于自适应窗口注意力提取时空依赖的交通流预测方法，其特征在于，在时空依赖模块中，引入自适应窗口进行学习的过程为：S51.首先将该模块的输入特征平分成大小一样的不重叠窗口，表示为：其中w是预定义的窗口大小，r表示第r个窗口，N表示卡口节点个数，D表示时间片数量，STX′表示时空依赖模块的输入特征；

S52.对划分后的每个窗口进行线性操作得到对应的查询子空间，表示为：S53.将预定义的窗口大小和位置作为参考，获取目标窗口在长宽两个方向的缩放比例和偏移大小；

S54.基于不同的目标窗口提取各卡口节点的时空依赖特征。