1.改进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基于改进CEEMD‑GAT‑Attention模型中进行训练和预测；

所述基于改进CEEMD‑GAT‑Attention的预测模型构建过程包括：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；

对改进的CEEMD进行数学建模：CEEMD分解后数据会根据频率从高到低表示出各个IMF分量，高频IMF分量频谱值大、振动频率小，噪声为主导模态，会直接影响模型的预测准确性，因此采用样本熵计算CEEMD分解后各个分量的样本熵值，并舍弃频谱值大、振动频率小、受噪声干扰强的最高频IMF分量，对剩余IMF分量进行重构，重新生成随机分量HF、特征分量MF、趋势分量LF，保留原本的RES作为残余分量，将分解信号进行重构；

m

式中，m为给定模式维度，r为给定阈值，B(r)为m维数据距离小于r的个数与距离总数的m+1比值，B (r)为m+1维数据距离小于r的个数与距离总数的比值；

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；

对改进的CEEMD‑GAT‑Attention预测模型进行数学建模：采用改进的CEEMD对交通流数据进行信号分解与重构，挖掘数据的时间特征；将重构后的信号输入到GAT模型中捕捉数据的空间特征；采用Attention机制计算时空特征的注意力权重、提取关键信息进行学习，并通过全连接层进行特征融合，输出预测值。

2.根据权利要求1所述的改进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。

3.根据权利要求1所述的改进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，所述交通流预测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。

4.根据权利要求1所述的改进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；ci(t)为第i个IMF分量；rm(t)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，M1表示添加正噪声后的原始序列，M2表示添加负噪声后的原始序列，S表示交通流数据集，N表示加入的高斯白噪声；

对M1、M2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；IMFj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S最终被分解成多个IMF分量和一个残余分量RES的数据形式

5.根据权利要求1所述的改进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GAT计算节点i和节点j间的注意系数eij，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；

eij＝α(Whi,Whj)

式中，hi代表节点i的特征集合，hj代表节点j的特征集合，α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，σ表示激活函数，Ni表示与节点i直接相连的邻居节点，K表示注意k力头的个数， 表示第k个注意力头下的注意系数，W表示第k个注意力头下的线性变换矩阵。

6.根据权利要求1所述的改进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，采用所述注意力机制对输入的时空特征赋予不同的权重，从中选取更加重要及关键的信息进行学习，提高模型的运算效率和预测准确性；

et＝tanh(weht+be)

式中，et表示t时刻输入特征向量ht的注意力数值，we和be分别为权重和偏置项；使用softmax函数对et进行归一化处理，得到t时刻的权重系数αt；对特征向量进行加权求和，得到注意力机制的输出值pt。

7.根据权利要求3所述的改进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，用于衡量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、yi是实验预测值、xi是交通流数据实际值、 是交通流数据实际值的均值。

8.一种设备，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1‑7中任意一项所述的改进互补集成经验模分解的时空卷积短时交通流预测方法。

9.一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1‑7中任意一项所述的改进互补集成经验模分解的时空卷积短时交通流预测方法。