1.一种基于卡口流量相似性和语义关联的短时交通流预测方法，其特征在于，包括以下步骤：S1.通过企业提供的数据查询API或直接下载现有数据源得到目标卡口所在目标区域的路网地理图及其交通流量数据，并进行预处理；

S2.对预处理后的交通流数据提取内部属性和外部属性；内部属性包括交通流特征矩阵和多阶邻居信息，外部属性为POI类型；

S3.根据DTW方法获取目标卡口的每个一阶邻居的相似卡口节点，基于路网地理图的空间结构，将每个一阶邻居与其对应的相似卡口节点进行位置替换得到目标卡口的路网语义图；

S4.构建自适应时空GAT模型，通过自适应时空GAT模型提取路网地理图的地理时空特征，以及路网语义图的语义时空特征；自适应时空GAT模型包括空间捕获层数计算模块、自注意力层和Bi‑LSTM模块；

步骤S4中通过自适应时空GAT模型提取目标卡口在路网地理图中的地理时空特征的过程包括：S41.每一个POI类型在一天24小时的流量吸引率不同，因此构建POI流量吸引矩阵P，表示为：其中， 表示第1个POI类型在第24个小时的流量吸引率；

S42.在空间捕获层数计算模块中，根据通过POI流量吸引矩阵和多阶邻居权重表计算空间捕获层的层数Layer；

S43.将目标卡口的一阶邻居到Layer阶邻居组成邻居节点集合，在自注意力层计算邻居节点集合内每个节点的注意力系数并进行加权求和，得到目标卡口的地理空间特征；

S44.将地理空间特征以时间顺序划分为多个序列片，通过Bi‑LSTM模块获取目标卡口的地理时空特征；

S5.通过第一全连接层处理地理时空特征得到地理特征，通过第二全连接层处理语义时空特征得到语义特征；

S6.通过权重分配全连接层融合地理特征和语义特征，输出目标卡口的交通流预测值；

对目标区域内的历史交通流数据进行预处理后，提取目标区域内所有卡口节点在不同时间步的交通流信息，构建交通流特征矩阵X＝[X1,X2,...,XT,...,XP]，其中N为目标区域内的卡口节点数量，P为时间步数量，XT表示在时间步T上N个卡口节点的交通流， 表示卡口节点vi在时间步T上的交通流；

根据地理位置信息，将距离卡口节点vi一跳的卡口节点称作卡口节点vi的一阶邻居，将距离卡口节点vi两跳的卡口节点称作卡口节点vi的二阶邻居，依次类推，将距离卡口节点vi为K跳的卡口节点称作卡口节点vi的K阶邻居；

通过POI数据对交通流量的影响程度不同将其划分为10种POI类型，并按照数字1‑10的顺序编号，依次为教育类、餐饮类、医疗类、交通类、住宿类、办公类、景点类、购物类、生活服务类和其他类；根据卡口周边占比最大的POI类型来确定该卡口对应的POI类型。

2.根据权利要求1所述的一种基于卡口流量相似性和语义关联的短时交通流预测方法，其特征在于，获取路网地理图的图结构基本信息Gg(Vg,Eg,Ag)，Vg＝{v1,v2,...,vN}表示路网地理图中的卡口节点集合；Eg表示路网地理图中边的集合； 表示邻接矩阵， 表示卡口节点vi与卡口节点vj在地理空间上直接相连， 表示卡口节点vi与卡口节点vj在地理空间上不直接相连。

3.根据权利要求1所述的一种基于卡口流量相似性和语义关联的短时交通流预测方法，其特征在于，构建目标卡口的路网语义图的过程包括：S11.将路网地理图中除目标卡口及其一阶邻居以外的所有卡口节点组成第二卡口集；

S12.在目标卡口的一阶邻居集合中随机选取一个一阶邻居作为第一卡口；

S13.根据DTW方法计算第一卡口与第二卡口集中所有卡口节点的相似度，选择最大相似度对应的卡口节点作为第一卡口的相似卡口节点；

S14.在路网地理图中将第一卡口与其相似卡口节点的位置进行交换，得到位置交换图；

S15.判断是否有一阶邻居没有进行位置交换，若是，则将其作为第一卡口并返回步骤S13；若不是，则将当前的位置交换图作为目标卡口的路网语义图。

4.根据权利要求1所述的一种基于卡口流量相似性和语义关联的短时交通流预测方法，其特征在于，通过POI流量吸引矩阵和多阶邻居权重表计算空间捕获层的层数Layer，表示为：j

其中，LWi表示第i阶邻居权重，PPRi表示第i阶中的第j个i阶邻居的POI流量吸引率，n表示第i阶中的i阶邻居总数。

5.根据权利要求1所述的一种基于卡口流量相似性和语义关联的短时交通流预测方法，其特征在于，通过权重分配全连接层融合地理特征和语义特征，表示为：其中，y表示交通流预测值，FC()表示权重分配全连接层，Wg表示地理权重， 表示地理特征，Ws表示语义权重， 表示语义特征。