1.一种卡口节点的短时交通流预测方法，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卡口的天气信息、目标卡口的节假日信息、以及目标卡口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；

所述目标区域的路网地理图包括：

G＝(V,E,A)

其中，V＝{v1,v2,…,vP}表示路网地理图中的卡口节点集合，P表示路网地理图中卡口节点的数量，E＝{e1,e2,…,eM}表示路网地理图中边的集合，M表示边的数量，表示邻接矩阵，aij＝1表示卡口节点vi和卡口节点vj在地理空间上直接相连；aij＝0表示卡口节点vi和卡口节点vj在地理空间上不直接相连；

S2：对预处理后的历史交通流数据提取内部属性和外部属性，其中，所述内部属性包括交通流特征矩阵；外部属性包括POI数据；

S3：根据路网地理图中卡口节点的邻居信息和卡口节点的交通流特征矩阵利用SDNE算法和DTW算法计算卡口节点与其相邻节点之间的连接强度，构建连接强度矩阵；

所述利用SDNE算法和DTW算法计算卡口节点与其相邻节点之间的连接强度包括：S31：根据路网地理图中卡口节点的邻居信息利用SDNE算法生成卡口节点的特征向量表示：(u) (u)

其中， 表示第u层第i个卡口节点的特征向量表示，W 表示第u层的权重矩阵，b表示第u层的偏差，nodei表示第i个卡口节点的邻居信息，为邻接矩阵A的第i行数据，σ表示sigmoid激活函数；

S32：利用DTW算法计算路网地理图中两个卡口节点之间的交通流相似度：利用DTW计算不同节点之间交通流序列的相似度，该相似度值越大表示两个节点之间的交通车流量的变化趋势越相近；

S33：利用余弦相似度算法计算路网地理图中卡口节点之间的特征向量表示相似度：其中，SESim(i,j)表示第i个卡口节点和第j个卡口节点的特征向量表示相似度；SEi表示第i个卡口节点的特征向量表示；SEj表示第j个卡口节点的特征向量表示； 和 分别表示第i个卡口节点和第j个卡口节点的特征向量表示的第n个元素；d为卡口节点的特征向量表示的维度；

S34：根据路网地理图中卡口节点之间的特征向量表示相似度、卡口节点之间的交通流相似度计算卡口节点与其相邻节点之间的连接强度：IMPA′,B′＝TSim(A′,B′)×w′1+SESim(A′,B′)×w′2+(impNA′+impNB′)×w′3其中，IMPA′,B′表示卡口节点A′和卡口节点B′之间的连接强度，卡口节点A′和卡口节点B′在路网地理图中相邻，TSim(A′,B′)表示卡口节点A′和卡口节点B′之间的交通流相似度，SESim(A′,B′)表示卡口节点A′和卡口节点B′之间的特征向量表示相似度，impNA′表示卡口节点A′的重要程度；impNB′表示卡口节点B′的重要程度，v∈{A′,B′}，flowv表示卡口节点v在所有时间步的交通流数据之和，flowm表示卡口节点v的第m个邻居卡口节点在所有时间步的交通流数据之和；

S4：根据连接强度矩阵和交通流特征矩阵利用空间注意力机制和基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征，得到空间特征矩阵；

所述根据连接强度矩阵和交通流特征矩阵利用空间注意力机制和基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征包括：S41：根据连接强度矩阵和交通流特征矩阵利用空间注意力机制在空间维度上自适应捕获节点之间的空间动态相关性，构建空间注意力矩阵；

T

SA＝Vs·σ((W1X)W2(W3X) +bs)

其中，Vs、W1、W2、W3和bs为可学习的参数矩阵，σ(·)表示sigmoid激活函数，为空间注意力矩阵，X为交通流特征矩阵，SAi,j表示卡口节点i与卡口节点j之间的空间动态相关性；

S42：根据空间注意力矩阵、连接强度矩阵和交通流特征矩阵利用基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征，构建空间特征矩阵：其中， 表示空间特征矩阵，K为卷积核尺寸，SA为空间注意力矩阵，θk表示第k阶切比雪夫系数； 表示第k阶切比雪夫多项式，hi表示第i个卡口节点的空间特征，为L缩放后的矩阵， λmax为拉普拉斯的最大特征值，L＝D‑S为拉普拉斯矩阵，其归一化形式如下：其中，IN是单位矩阵，S为连接强度矩阵，D为S的加权度矩阵；

S5：根据空间特征矩阵利用Gate‑TCN模型提取卡口节点的时空特征，得到时空特征矩阵；

所述根据空间特征矩阵利用Gate‑TCN模型提取卡口节点的时空特征，得到时空特征矩阵包括：ST＝g(θ1★H+b)⊙σ(θ2★H+c)

其中， 表示时空特征矩阵，si表示第i个卡口节点的时空特征，θ1和θ2表示门控卷积网络的权重矩阵，b和c表示权重偏置，H表示空间特征矩阵；⊙表示乘积，★表示卷积操作，g(·)表示tanh激活函数，σ(·)表示sigmoid函数；

S6：根据外部属性构建目标卡口节点的流量吸引矩阵，并根据目标卡口节点的流量吸引矩阵、天气信息、节假日信息和时空特征利用MLP多层感知器预测目标卡口节点的交通流；

所述根据外部属性构建目标卡口节点的流量吸引矩阵包括：

通过POI数据对交通流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，依次为食品、居住、旅游、娱乐、户外休闲、教育、专业、商店、医疗类和其他类；根据距离目标卡口节点B米范围内的各类型POI的数量构建流量吸引矩阵poie表示距离目标卡口节点B米范围内第e类POI的数量； 表示目标卡口节点的流量吸引矩阵；

所述根据目标卡口节点的流量吸引矩阵、天气信息、节假日信息和时空特征利用MLP多层感知器预测目标卡口节点的交通流包括：目标卡口节点的天气信息包括：温度、风速、能见度、降水量和天气状况，将离散的天气数据通过One‑Hot进行编码再利用全连接层进行特征嵌入；连续的天气数据直接通过FC层进行特征嵌入，将离散的天气数据和连续的天气数据的嵌入特征拼接，再通过FC层融合为天气特征，用向量 表示，dfw为特征维度；

利用FC层对目标节点的流量吸引矩阵进行线性化处理得到流量吸引特征，用表示，dfp表示特征维度；

节假日特征表示为 0表示工作日，1表示节假日；

将 和 进行拼接得到

将EX输入注意力机制对目标卡口节点的天气特征、流量吸引特征和节假日特征分配不同的权重得到将 和目标卡口节点的时空特征进行拼接输入MLP多层感知器预测目标卡口节点的交通流：其中， 为目标卡口节点的交通流预测结果，starget表示目标卡口节点的时空特征，MLP(·)为多层感知器。

2.根据权利要求1所述的一种卡口节点的短时交通流预测方法，其特征在于，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,..,Xi,…,Xj,...,Xp]，其中，N为时间步的数量；Xi表示在第i个卡口节点的所有交通流数据；Xj表示第j个卡口节点的所有交通流数据； 表示第i个卡口节点在第T个时间步的交通流数据。