1.一种基于迁移学习的交通流预测方法，其特征在于，所述方法包括：

获取源域数据和目标域数据，所述源域数据包括完整交通流数据，所述目标域数据包括待预测地区采集的交通流数据；

对所述源域数据和所述目标域数据进行划分，得到等长的多个输入序列；

基于所述源域数据，构建与所述源域数据对应的邻接矩阵，并从所述源域数据中选取一个节假日数据和一个工作日数据，将选取得到的数据划分为多个向量，对所述多个向量中的每一个向量乘以一个加密的哈希矩阵得到当前阶段对应的哈希向量，将多个阶段的哈希向量进行拼接得到一个哈希表，将t个哈希表进行合并得到查询矩阵；其中，所述邻接矩阵包括有向图，用于表征节点间的短期空间相互作用，所述t为大于1的正整数；

选取输入序列，并计算输入序列对应的输入哈希向量；通过局部敏感哈希算法从所述查询矩阵中寻找与所述输入哈希向量相似度最高的哈希向量和相似度最低的哈希向量；基于所述相似度最高的哈希向量和所述相似度最低的哈希向量，确定正向量和负向量，所述正向量包括一个哈希向量，所述负向量包括M个哈希向量，所述M为大于1的整数；基于所述等长的多个输入序列，计算每个序列之间的皮尔逊相关系数，并根据所述皮尔逊相关系数构建得到渐进矩阵，所述渐进矩阵沿主对角线对称，用于表征节点间的长期空间相互作用；

利用带有门控机制的扩散卷积通过收缩卷积核对所述输入序列进行特征提取，得到所述输入序列中的时间特征，其中，所述带有门控机制的扩散卷积包括N层扩散卷积层，所述N为大于1的整数；基于每一层扩散卷积后得到的卷积结果，对所述卷积结果进行降维处理并进行保存；将所述源域数据的时间特征与所述邻接矩阵进行运算，得到包含短期空间相关性的特征，将所述源域数据的时间特征与所述渐进矩阵进行运算，得到包含长期空间相关性的特征，通过连接机制将所述包含短期空间相关性的特征和包含长期空间相关性的特征进行融合，得到包含多维空间相关性的特征；

根据所述包含多维空间相关性的特征和所述正负向量，得到交通流变化对应的一般性特征；

根据所述交通流变化对应的一般性特征同步预训练模型中的参数，并通过所述目标域数据对所述预训练模型进行调整，得到交通流预测模型；

利用所述交通流预测模型对当前交通流进行预测，输出交通流预测结果。

2.如权利要求1所述的方法，其特征在于，所述获取源域数据和目标域数据之后，所述方法还包括：

将所述等长的输入序列进行归一化操作。

3.如权利要求1所述的方法，其特征在于，在得到所述包含多维空间相关性的特征之后，所述方法还包括：通过残差连接机制将每个扩散卷积层的输入序列与所述扩散卷积层对应的具有多维空间相关性的潜在特征进行连接，得到连接结果；

对所述连接结果进行批次归一化操作，所述批次归一化操作用于对同一个节点在一个批次中的数据进行归一化。

4.一种交通流预测装置，其特征在于，所述装置包括：

获取模块，用于获取源域数据和目标域数据，所述源域数据包括完整交通流数据，所述目标域数据包括待预测地区采集的交通流数据；

划分模块，用于对所述源域数据和所述目标域数据进行划分，得到等长的多个输入序列；

构建模块，用于构建与所述源域数据对应的邻接矩阵，并从所述源域数据中选取一个节假日数据和一个工作日数据，将选取得到的数据划分为多个向量，对所述多个向量中的每一个向量乘以一个用于加密的哈希矩阵得到当前阶段对应的哈希向量，将多个阶段的哈希向量进行拼接得到一个哈希表，将t个哈希表进行合并得到查询矩阵；其中，所述邻接矩阵包括有向图，用于表征节点间的短期空间相互作用，所述t为大于1的正整数；

计算模块，用于选取输入序列，并计算输入序列对应的输入哈希向量；通过局部敏感哈希算法从所述查询矩阵中寻找与所述输入哈希向量相似度最高的哈希向量和相似度最低的哈希向量；基于所述相似度最高的哈希向量和所述相似度最低的哈希向量，确定正向量和负向量，所述正向量包括一个哈希向量，所述负向量包括M个哈希向量，所述M为大于1的整数；基于所述等长的多个输入序列，计算每个序列之间的皮尔逊相关系数，并根据所述皮尔逊相关系数构建得到渐进矩阵，所述渐进矩阵沿主对角线对称，用于表征节点间的长期空间相互作用；

捕获模块，用于利用带有门控机制的扩散卷积通过收缩卷积核对所述输入序列进行特征提取，得到所述输入序列中的时间特征，其中，所述带有门控机制的扩散卷积包括N层扩散卷积层，所述N为大于1的整数；基于每一层扩散卷积后得到的卷积结果，对所述卷积结果进行降维处理并进行保存；将所述源域数据的时间特征与所述邻接矩阵进行运算，得到包含短期空间相关性的特征，将所述源域数据的时间特征与所述渐进矩阵进行运算，得到包含长期空间相关性的特征，通过连接机制将所述包含短期空间相关性的特征和包含长期空间相关性的特征进行融合，得到包含多维空间相关性的特征，根据所述包含多维空间相关性的特征和所述正负向量，得到交通流变化对应的一般性特征；

同步模块，用于根据所述交通流变化对应的一般性特征同步预训练模型中的参数，并通过所述目标域数据对所述预训练模型进行调整，得到交通流预测模型；

预测模块，用于利用所述交通流预测模型对当前交通流进行预测，输出交通流预测结果。

5.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

3任一项所述的方法。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的方法。