1.一种基于自适应图嵌入的起始地‑目的地时间预测方法，其特征在于，所述方法包括：

获取原始交通数据，并对所述原始交通数据进行预处理；所述原始交通数据包括交通路网信息和道路交通数据；

根据所述原始交通数据，提取内部属性信息和外部属性信息，所述内部属性信息包括路网结构、路网邻接矩阵、路网卡口点；所述外部属性信息包括外部属性权重矩阵；

根据所述内部属性信息，构建“时隙‑路段‑速度”的非负张量，对所述非负张量进行张量分解，提取出路网速度特征向量；

根据所述内部属性信息，构建自适应路网邻接矩阵，提取出路网时空特征向量；

根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数；

基于各个时刻局部路段的注意力权重系数，对所述路网时空特征向量进行处理，融合得到外部属性加权的路网时空特征向量；

将所述路网速度特征向量和外部属性加权的路网时空特征向量进行融合，预测得到起始地‑目的地时间值。

2.根据权利要求1所述的一种基于自适应图嵌入的起始地‑目的地时间预测方法，其特征在于，所述构建“时隙‑路段‑速度”的非负张量包括将路网结构划分为多个网格，根据每个时刻下每个网格的速度构建出历史速度存储矩阵和实时速度存储矩阵；将历史速度存储矩阵和实时速度存储矩阵构成混合速度存储矩阵；将所述混合速度存储矩阵映射为非负张量。

3.根据权利要求1所述的一种基于自适应图嵌入的起始地‑目的地时间预测方法，其特征在于，对所述非负张量进行张量分解包括将所述非负张量分解为误差张量，以及与由时隙非负因子矩阵、路段非负因子矩阵、速度非负因子矩阵构成的分解张量之和；通过基于欧式距离的损失代价函数迭代计算出误差张量；通过最小化两次相邻迭代后的误差张量差值，得到最优的分解张量。

4.根据权利要求1所述的一种基于自适应图嵌入的起始地‑目的地时间预测方法，其特征在于，所述提取出路网速度特征向量包括将最优的分解张量输入到卷积神经网络中，经过一维卷积滤波器处理后得到更新后的速度特征序列；将更新后的速度特征序列输入到长短时记忆神经网络中，经过输入门、遗忘门和输出门后，得到各个时刻网格的速度特征向量。

5.根据权利要求1所述的一种基于自适应图嵌入的起始地‑目的地时间预测方法，其特征在于，所述根据所述内部属性信息，构建自适应路网邻接矩阵包括构建出两个可学习的参数矩阵；采用ReLU函数对两个可学习的参数矩阵进行连接处理；采用softmax函数对连接处理的参数矩阵进行处理，生成自适应路网邻接矩阵。

6.根据权利要求1所述的一种基于自适应图嵌入的起始地‑目的地时间预测方法，其特征在于，所述提取出路网时空特征向量包括采用自适应路网邻接矩阵对路网中轨迹经过的一阶邻域节点和二阶邻域节点进行编码和解码；通过最小化一阶损失函数、二阶损失函数与正则化损失函数之和，得到每个网格的局部特征和全局特征；将每个网格的局部特征和全局特征与轨迹中每个卡口的经纬度相结合，通过全连接层得到每个网格的结构特征；将每个网格的结构特征输入到门控循环单元中，通过更新门和重置门处理，经过激活函数处理后输出路网时空特征向量。

7.根据权利要求1所述的一种基于自适应图嵌入的起始地‑目的地时间预测方法，其特征在于，根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数包括使用注意力机制，计算出注意力概率分布值；根据注意力概率分布值计算得到注意力权重系数。

8.一种基于自适应图嵌入的起始地‑目的地时间预测装置，其特征在于，所述装置包括：

数据采集模块，用于获取原始交通数据，并对所述原始交通数据进行预处理；所述原始交通数据包括交通路网信息和道路交通数据；

数据提取模块，用于根据所述原始交通数据，提取出内部属性信息和外部属性信息，所述内部属性信息包括路网结构、路网邻接矩阵、路网卡口点；所述外部属性信息包括外部属性权重矩阵；

数据处理模块，用于根据所述内部属性信息，构建“时隙‑路段‑速度”的非负张量，对所述非负张量进行张量分解，提取出路网速度特征向量；根据所述内部属性信息，构建自适应路网邻接矩阵，提取出路网时空特征向量；根据所述外部属性信息，计算出各个时刻局部路段的注意力权重系数；基于各个时刻局部路段的注意力权重系数，对所述路网时空特征向量进行处理，融合得到外部属性加权的路网时空特征向量；

数据预测模块，用于将所述路网速度特征向量和外部属性加权的路网时空特征向量进行融合，预测得到起始地‑目的地时间值。