1.一种基于时空图注意力机制的网络流量预测方法，其特征在于，针对目标区域内的网络流量历史数据，通过执行以下步骤，实现对目标区域内未来某一时刻的流量数据的预测；

步骤1：针对目标区域内目标网络的各个节点，分别基于各个节点在预设历史时间段中各时间点，采集以时间点往历史方向预设时长的流量数据为自变量，以及该时间点往未来方向预设间隔时长的目标时间的流量数据为应变量构成样本，进而获得各时间点分别对应的样本，并将样本按比例划分为训练集、验证集和测试集；

步骤2：将训练集中各个节点下各时刻流量数据的流量序列进行单列拼接，输入到时间卷积层进行时间卷积操作，获取更新后的流量序列数据，得到预处理数据集；

步骤3：将动态时空图形注意DSTGAT网络流量预测模型的参数进行初始化，得到预测模型；

步骤4：将预处理数据集输入预测模型进行训练，其中通过验证集的数据调整初始化预测模型的超参数，运用预测模型中的空间注意力模型SATT获取高质量的图结构，进而获取可表示网络结构的邻接矩阵，运用预测模型中的图注意力网络GAT和时间注意力层TATT分别提取预处理数据集的空间特征和时间特性并进行数据融合，以融合之前流量数据的特征产生新的流量数据；计算新的流量数据与训练集中真实的流量数据之间的误差，通过误差反向更新预测模型的参数；

步骤5：当模型完成训练后，将测试集输入训练完成的预测模型，得到目标网络内若干节点的流量数据的预测结果，并利用模型评估指标评价预测模型的优劣；

所述步骤5中，通过模型中的图注意力网络GAT和时间注意力层TATT分别提取预处理的数据集的空间特征和时间特性，具体为：基于图注意力网络GAT对网络结构中的空间数据提取，首先计算不同邻居的权重：式中，W为权重矩阵，和 为节点特征，eij为节点j对节点i的重要性；

归一化为：

式中，eij为节点j对节点i的重要性，eik为所有邻居节点对节点i的重要性，αij为权重系数；

计算注意力系数对领域节点进行信息聚合：

其中αij为注意力系数，W为卷积核参数，GA为节点特征；

时间注意力层TATT系数计算表示为：

Tr Tr

Ei,j＝Veσ((GA) W1)W2((GA)W3) +bek*T×k*T k*T×k*T

其中Ve,be∈R ,W1,W2,W3是可学习的参数，Mas∈R 是一个掩码矩阵，用于保持k*T×k*T不连续时间段之间的依赖性，E′i,j∈R 表示注意力系数，通过公式得到预处理的数据集的空间特征和时间特性；

在空间维度上，采用空间注意机制估计网络当前周期的邻接矩阵 若注意机制的输入特征是 注意过程的计算公式为：在时间维度上，采用长短期记忆网络LSTM来学习时间相关性，将空间注意力的输出作为LSTM单元的输入，其计算公式表示为：ft＝sigmoid(Wf([ht‑1,Adt]+bf))it＝sigmoid(Wi([ht‑1,Adt]+bi))ot＝sigmoid(Wo([ht‑1,Adt]+bo))ht＝ot*tanh(Ct)

N×N

其中sigmo,tanh是激活函数，Adt∈R ,Adt是获取到的邻接矩阵,Wf(·),Wi(·),WoN(·),Wc(·)为可学习的参数，ft,it,ot分别是遗忘门、更新门和输出门,bf,bi,bo,bc∈R 为N×N偏置，从LSTM单元，通过历史数据得到一个未来的邻接矩阵hk∈R 。

2.根据权利要求1所述基于时空图注意力机制的网络流量预测方法，其特征在于，步骤

1中，所述网络流量历史数据按照6‑8:1‑2:1‑2的比例划分为训练集、验证集和测试集。

3.根据权利要求1所述基于时空图注意力机制的网络流量预测方法，其特征在于，步骤

2具体为：将训练集中各个节点下各时刻流量数据的流量序列输入到卷积核为3的两层时间卷积网络TCN中进行卷积操作，对输入的历史流量序列进行间隔采样，获取时间序列数据，将时间序列数据进行格式转换，得到预处理数据集。

4.根据权利要求1所述基于时空图注意力机制的网络流量预测方法，其特征在于，步骤

4中，所述模型的超参数包括学习率、batch size、训练轮数、滑动窗口大小和隐层数。

5.根据权利要求1所述基于时空图注意力机制的网络流量预测方法，其特征在于，步骤

4中，在计算归一化的时空融合数据与训练集中流量数据之间的误差前，对时空融合数据进行归一化处理。

6.根据权利要求1所述基于时空图注意力机制的网络流量预测方法，其特征在于，步骤

4中，通过新的流量数据与训练集中真实的流量数据之间的误差定义损失函数，对损失函数进行梯度下降，反向传播更新预测模型的参数。