1.一种基于多头注意力机制的交通流预测方法，其特征在于，包括：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道路所在目标区域的路网地理图及其历史交通流数据，并进行预处理；

S2：根据目标区域内道路节点之间的连接关系构建地理邻域子图，根据目标区域内道路节点之间交通流数据的相似性构造语义相似性子图；

S3：利用多头注意力机制分别计算地理邻域子图和语义相似性子图中道路节点与其相邻节点之间的权重，更新地理邻域子图和语义相似性子图的邻接矩阵；

S4：利用参数融合法将更新后的地理邻域子图和语义相似性子图的邻接矩阵进行融合得到融合矩阵，根据融合矩阵利用GCN提取目标道路节点的时空特征序列；

S5：将目标道路节点的时空特征序列和目标道路节点的交通流数据输入双向GRU模型，根据双向GRU模型的正向输出和反向输出通过全连接层得到目标道路节点的交通流预测结果。

2.根据权利要求1所述的一种基于多头注意力机制的交通流预测方法，其特征在于，所述根据目标区域内道路节点之间的连接关系构建地理邻域子图包括：当两条道路共享一个交叉路口时，则两个道路节点具有连接关系，创建地理邻域子图：Gadj＝(V,Eadj,Aadj)

其中，V表示目标区域内的道路节点集，Eadj表示地理邻域子图的边集，Aadj表示地理邻域子图的邻接矩阵，Axy表示矩阵Aadj中的元素，即地理邻域子图中道路节点vx和vy的连接关系。

3.根据权利要求1所述的一种基于多头注意力机制的交通流预测方法，其特征在于，所述根据目标区域内道路节点之间交通流数据的相似性构造语义相似性子图包括：S21：根据目标区域内道路节点之间交通流数据的相似性构造相似矩阵Asim：其中，Dsim(Tx,Ty)表示道路节点vx和vy之间交通流数据的相似性，Tx和Ty分别表示道路节点vx和vy的交通流数据；θ表示设定的阈值；

S22：将相似矩阵Asim作为语义相似性子图的邻接矩阵，将axy＝1的两个道路节点相连构建语义相似性子图。

4.根据权利要求3所述的一种基于多头注意力机制的交通流预测方法，其特征在于，所述目标区域内道路节点之间交通流数据的相似性包括：S211：将目标区域内的历史交通流数据划分为N个时间段，则目标区域内任意两个道路节点vx和vy的历史交通流数据分别表示为：Tx＝[x1,x2,…,xi,…,xN]

Ty＝[y1,y2,…,yj,…,yN]

其中，xi表示道路节点vx在第i个时间段的交通流数据；yj表示道路节点vy在第j个时间段的交通流数据；

S212：利用DTW算法计算目标区域内道路节点之间的交通流数据的相似性；

根据道路节点vx和vy的交通流数据在不同时间段之间的距离，构建道路节点vx和vy之间的距离矩阵MN×N：dij＝|xi‑yj|

根据道路节点vx和vy之间的距离矩阵MN×N利用动态规划算法计算道路节点vx和vy之间交通流数据的相似性：当i‑1或j‑1等于0时，令：

Dmatch(xi,yj)＝dij

当i‑1和j‑1大于0时，令：

则道路节点vx和vy之间交通流数据的相似性包括：

其中，Dsim(Tx,Ty)表示道路节点vx和vy之间交通流数据的相似性。

5.根据权利要求1所述的一种基于多头注意力机制的交通流预测方法，其特征在于，所述利用多头注意力机制分别计算地理邻域子图和语义相似性子图中道路节点与其相邻节点之间的权重包括：S31：用 表示道路节点vx的相邻节点集合， 表示道路节点vx的第k个相邻节点；

S32：将道路节点vx和道路节点vx的所有相邻节点的特征表示组成中间特征序列C＝{cvx,c1,c2,…,ck,…}，其中，ck表示道路节点vx的第k个相邻节点Nk的特征表示；cvx表示道路节点vx的特征表示；

S33：将中间特征序列输入多头注意力机制模块计算道路节点vx与其邻居节点之间的权重；

其中，H表示多头注意力机制头的数量，h表示多头注意力机制的第h个头，和 表示多头注意力机制第h个头的查询、键和值向量的线性变换矩阵，dk表示缩放系数，表示道路节点vx与其第k个相邻节点Nk的权重； 表示多头注意O

力机制的第h个头中道路节点vx与其第k个相邻节点Nk的权重，W表示可训练的参数矩阵。

6.根据权利要求1所述的一种基于多头注意力机制的交通流预测方法，其特征在于，所述利用参数融合法将更新后的地理邻域子图和语义相似性子图的邻接矩阵进行融合得到融合矩阵包括：其中，Afus表示融合矩阵， 表示更新后的地理邻域子图的邻接矩阵， 表示更新后的语义相似性子图的邻接矩阵，E1和 表示可训练的参数矩阵，W1、W2和W3表示可训练的参数矩阵，T表示转置符号。

7.根据权利要求6所述的一种基于多头注意力机制的交通流预测方法，其特征在于，所述根据融合矩阵利用GCN提取目标道路节点的时空特征序列包括：0

H＝ctarget

l+1

其中，ctarget表示目标道路节点的特征表示，H 表示GCN网络第l个隐藏层提取的时空l特征；σ表示sigmoid激活函数； I表示单位矩阵；D表示 的度矩阵；W 表示GCN网络第l个隐藏层的权重参数矩阵。

8.根据权利要求1所述的一种基于多头注意力机制的交通流预测方法，其特征在于，所述目标道路节点的交通流预测结果包括：其中，FC表示全连接层；yt表示目标道路节点的交通流预测结果， 表示双向GRU模型的反向输出结果， 表示双向GRU模型的正向输出结果；Wb和Wf表示可训练的参数矩阵，bbf表示偏置。