1.基于互补集成经验模分解的时空卷积短时交通流预测方法，其特征在于，包括以下步骤：获取原始交通流数据，并对所述原始交通流数据进行数据预处理生成交通流数据集；

将所述交通流数据集输入到预构建的CEEMD‑GAT‑LSTM模型中进行短时交通流预测；

所述CEEMD‑GAT‑LSTM模型的构建过程包括：

对CEEMD进行数学建模：CEEMD是以EMD为基础，在EEMD上进行改进的一种根据噪声频率处理非线性信号的分解算法，通过引入正、负成对的高斯白噪声添加到交通流数据集中，将混合信号同时进行EMD分解；

对GAT进行数学建模：对输入的交通流数据集计算各节点与相邻节点之间的隐藏值、分配不同的权重，并结合多头注意力机制，获取更多的节点特征信息，提高模型的学习能力；

对LSTM进行数学建模：在RNN网络的基础上，LSTM网络分别增加了依次连接的输入门、遗忘门和输出门，通过输入门、遗忘门和输出门实现对信息的保护和控制；

对CEEMD‑GAT‑LSTM进行数学建模：通过CEEMD对交通流数据进行信号分解，将分解后的信号依次输入到GAT模型来捕捉数据的空间特征、LSTM模型来捕捉数据的时间特征，通过全连接层进行特征融合，输出预测值；

所述数据预处理操作具体包括：采用线性插值的方法对数据进行缺失值处理、将数据重新聚合为每20分钟出一条的数据形式、采用min‑max方法对交通流数据进行归一化；

所述EMD能将复杂信号分解为有限个IMF分量，各IMF分量包含了原始信号在不同时间尺度上的局部特征信号，即将原始序列分解成本征模态函数和残余分量；

其中，m为IMF分量的个数； 为第i个IMF分量； 为第m个残余分量；

所述EEMD通过添加辅助白噪声，对多次EMD分解后得到的IMF分量计算其集总平均值；

所述CEEMD通过引入正、负成对的高斯白噪声添加到交通流数据集中，将其分解成若干个IMF分量和一个残余分量，信号分解过程包括：式中， 表示添加正噪声后的原始序列， 表示添加负噪声后的原始序列，表示交通流数据集， 表示加入的高斯白噪声；

对 、 进行EMD分解，得到2n组IMF分量，将每组分量分别记为 、 ，对每组IMF分量求取平均值：其中， 表示第i个信号加入正噪声后分解的第j个IMF分量； 表示第i个信号加入负噪声后分解的第j个IMF分量； 表示信号经过CEEMD分解后得到的第j个IMF分量；综上，交通流数据集 最终被分解成多个IMF分量和一个残余分量res的数据形式所述GAT计算节点i和节点j间的注意系数 ，并利用softmax函数对所有相邻节点进行归一化操作，并利用注意系数，采用多头注意力机制，利用加权求和的方法更新每个节点的特征向量；

式中， 代表节点i的特征集合， 代表节点j的特征集合， 表示用来计算相关性的函数，W表示一种对所有节点特征进行线性变换的参数矩阵，将输入特征转换为高维特征，exp代表以e为底的指数函数， 表示激活函数， 表示与节点i直接相连的邻居节点，K表示注意力头的个数， 表示第k个注意力头下的注意系数， 表示第k个注意力头下的线性变换矩阵；

所述RNN是一类用于处理序列数据的神经网络；RNN的计算过程为：

其中，y为输出，x为输入，W为权重系数，f为激活函数；

所述遗忘门将输入向量 和隐藏状态 通过sigmoid函数 获取遗忘状态 ，并将单元状态 和遗忘状态 相乘进行输出；

所述输入门将输入向量 和隐藏状态 分别通过sigmoid函数 和tanh函数获取输入状态 和单元状态 ，将输入状态 和单元状态 相乘再与遗忘门的输出结果相加得到单元状态 ；

所述输出门将输入向量 和隐藏状态 分别通过sigmoid函数 获取输出状态 ，将单元状态 通过tanh函数获取结果与输出状态 相乘得到隐藏状态 ；

其中， 为遗忘门的权重， 为遗忘门的偏置， 为输入门的权重， 为输入门的偏置， 为输出门的权重， 为输出门的偏置； 为记忆单元的权重， 为记忆单元的偏置。

2.根据权利要求1所述的基于互补集成经验模分解的时空卷积短时交通流预测方法，其特征在于，所述CEEMD‑GAT‑LSTM模型的训练过程包括：构建交通流预测模型，并将交通流数据集输入到所述交通流预测模型中，交通流预测模型根据输入的交通流数据集进行训练并输出预测值，将所述预测值与相应真实值进行比较，计算所述预测值与真实值之间的损失值，根据损失值进行迭代训练，直到达到预设的最大迭代次数或损失值收敛。

3.根据权利要求2所述的基于互补集成经验模分解的时空卷积短时交通流预测方法，其特征在于，所述预测值与真实值之间的损失值的评估指标包括：其中，N是交通流数据个数、 是实验预测值、 是交通流数据实际值、 是交通流数据实际值的均值。

4.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1‑3中任意一项所述的基于互补集成经验模分解的时空卷积短时交通流预测方法。

5.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1‑3中任意一项所述的基于互补集成经验模分解的时空卷积短时交通流预测方法。