1.一种基于时空卷积网络的短时交通流量预测方法，其特征在于，包括：S1：从交通卡口处获取交通数据；

S2：根据交通数据计算交通卡口活跃度；

S3：提取卡口节点的隐藏特征并融合交通卡口活跃度，得到隐藏信息矩阵；

S4：根据隐藏信息矩阵生成自适应邻接矩阵；

S5：采用自适应图卷积网络模块对自适应邻接矩阵进行处理，得到初始交通流量特征；

S6：采用BiGRU网络对初始交通流量特征进行处理，得到交通时空属性特征；

S7：从交通数据中提取外部属性特征，生成增广矩阵；将增广矩阵输入到BiGRU网络并采用注意力机制进行处理，生成注意力权重；

S8：根据交通时空属性特征和注意力权重预测交通流量，得到交通流量预测结果。

2.根据权利要求1所述的一种基于时空卷积网络的短时交通流量预测方法，其特征在于，所述交通数据包括路网在历史时间周期内的交通信息和外部属性数据；其中，交通信息包括卡口位置关系、车辆流入量和车辆流出量，外部属性数据包括降雨量和能见度。

3.根据权利要求1所述的一种基于时空卷积网络的短时交通流量预测方法，其特征在于，计算交通卡口活跃度的公式为：其中，ActiC(v)表示卡口节点v的交通卡口活跃度，Fout(ci＝x|ci‑1＝v)表示卡口节点v的所有邻居节点流出量，ci表示i时刻的流量，Fin(v)表示节点的流入量。

4.根据权利要求1所述的一种基于时空卷积网络的短时交通流量预测方法，其特征在于，得到隐藏信息矩阵的过程包括：采用CI2vec方法将卡口节点向量化并嵌入低维向量空间中，同时融入交通卡口活跃度，得到卡口节点在空间上的表示；根据所有卡口节点在空间上的表示生成隐藏信息矩阵。

5.根据权利要求1所述的一种基于时空卷积网络的短时交通流量预测方法，其特征在于，生成自适应邻接矩阵的过程包括：根据卡口节点的嵌入表示创建初始自适应邻接矩阵；

将初始自适应邻接矩阵与隐藏信息矩阵点乘，得到最终的自适应邻接矩阵。

6.根据权利要求1所述的一种基于时空卷积网络的短时交通流量预测方法，其特征在于，初始自适应邻接矩阵表示为：其中， 表示初始自适应邻接矩阵，E1表示源节点嵌入，E2表示目标节点嵌入，ReLU()表示ReLU激活函数，softmax()表示softmax激活函数。

7.根据权利要求1所述的一种基于时空卷积网络的短时交通流量预测方法，其特征在于，所述自适应图卷积网络模块表示为：其中，Sout表示初始交通流量特征，k＝1,2,3,…,K表示切比雪夫多项式的阶数，Aada表示自适应邻接矩阵， 表示时间并行化处理后的流量特征输入，Wk表示第k阶权重矩阵，θk表示可学习参数， 表示关于拉普拉斯矩阵的第k阶切比雪夫多项式，表示拉普拉斯矩阵。

8.根据权利要求1所述的一种基于时空卷积网络的短时交通流量预测方法，其特征在于，生成注意力权重的公式为：et＝tanh(weht+be)

其中，Qt表示t时刻的注意力权重，αt表示t时刻的卡口权重系数， 表示卡口节点i在t时刻路网的时空流量序列，H表示卡口节点数量，et表示t时刻由 决定的注意力概率分布值，we和be分别表示可学习权重和偏置。