1.一种基于时空图迁移学习的交通流预测方法，其特征在于，构建并训练TL‑STGCN模型，获取待处理交通流数据输入训练好的TL‑STGCN模型，输出预测结果；所述TL‑STGCN模型包括时空图卷积网络、域判别器模块和预测模块；

所述TL‑STGCN模型的训练过程包括以下步骤：

S1.获取源交通路网的源域图及其源域数据集，同时获取目标交通路网的目标域图及其目标域数据集；

S2.将源域数据与目标域数据输入时空图卷积网络，得到源域时空特征表示和目标域时空特征表示；

S3.通过域判别器模块度量源域时空特征表示和目标域时空特征表示的特征距离，并对时空图卷积网络进行对抗性域训练；

S4.将源域时空特征表示和目标域时空特征表示输入预测模块获取源域预测值和目标域预测值，采用源域损失函数和目标域损失函数计算损失进行训练。

2.根据权利要求1所述的一种基于时空图迁移学习的交通流预测方法，其特征在于，步骤S1具体包括：S11.利用城市路网中的传感器，将交通流量大于预设交通流量阈值的区域作为源交通路网，将交通流量不大于预设交通流量阈值的区域作为目标交通路网；

S12.获取源交通路网的源域图 其中， 表示源域图中所有源域节点的集合， 表示源域图中所有边的集合， 表示源域图的邻接矩阵， 表示源域图的节点数量；定义源交通路网的源域数据集为：其中， 表示源域图的时间序列样本的数量， 表示源域图的过去p时段的交通流历史观测数据， 表示源域图的未来q时段的交通流数据， 表示源域图在t时刻的交通流特征矩阵；

S13.获取目标交通路网的目标域图 其中， 表示目标域图中所有目标域节点的集合， 表示目标域图中所有边的集合， 表示目标域图的邻接矩阵， 表示目标域图的节点数量；定义目标交通路网的目标域数据集为：其中， 表示目标域图的时间序列样本的数量， 表示目标域图的过去p时段的交通流历史观测数据， 表示目标域图的未来q时段的交通流数据， 表示目标域图在t时刻的交通流特征矩阵。

3.根据权利要求1所述的一种基于时空图迁移学习的交通流预测方法，其特征在于，所述时空图卷积网络包括两个时空图卷积模块，每一个时空图卷积模块包括时间注意力调整模块、第一时序卷积层、图卷积层和第二时序卷积层，第一时序卷积层与第二时序卷积的结构相同。

4.根据权利要求3所述的一种基于时空图迁移学习的交通流预测方法，其特征在于，第一时序卷积层包括内核宽度为Kt的1‑D因果卷积，以及一个非线性的门控线性单元。

5.根据权利要求3所述的一种基于时空图迁移学习的交通流预测方法，其特征在于，每一个时空图卷积模块的处理过程，包括：S21.采用时间注意力调整模块对输入数据进行数据权重动态调整，得到调整数据；

S22.将调整数据输入第一时序卷积层得到第一时序特征；

S23.第一时序特征通过图卷积层得到第一空间特征；

S24.将第一空间特征输入第二时序卷积层得到第二时序特征。

6.根据权利要求5所述的一种基于时空图迁移学习的交通流预测方法，其特征在于，步骤S21时间注意力调整模块对输入数据进行数据权重动态调整，其中数据权重的计算公式为：其中， 表示第r＝1,2个时空图卷积模块的输入数据，表示在t+1时刻的交通流特征矩阵；Cr‑1表示第r个时空图卷积模块的输入数据的通道数，Tr‑1表示第r个时空图卷积模块的输入数据的长度，和 是可学习的参数，N表示

节点个数；σ为sigmoid激活函数，E表示时间注意力矩阵，Ei,j表示时间注意力矩阵第i行第j列的元素，E′表示归一化时间注意力矩阵，E′i,j表示归一化时间注意力矩阵第i行第j列的元素； 表示第r个时空图卷积模块中时间注意力调整模块的输出数据， 表示经过注意力机制调整后t+1时刻的交通流特征矩阵。

7.根据权利要求1所述的一种基于时空图迁移学习的交通流预测方法，其特征在于，步骤S3通过域判别器模块度量源域时空特征表示和目标域时空特征表示的特征距离，并对时空图卷积网络进行对抗性域训练，包括：S31.首先固定时空图卷积网络的参数，对域判别器模块中的域判别器进行训练，包括：通过时空图卷积网络fg(·)学习源域和目标域的特征表示，并输入域判别器计算Wasserstein距离W1，计算如下：其中， 分别为源域和目标域的时空特征表示分布；Hg为来自任意域的特征表示，θw为可训练的参数，||fw||L≤1为Lipschitz约束，函数fw中的参数都满足1‑Lipschitz；

通过最大化如下域判别器损失来近似估算Wasserstein距离：其中， 表示源域图中第i个节点的交通数据特征表示，表示目标域图中第j个节点的交通数据特征表示；

给参数θw添加一个梯度惩罚 强制执行Lipschitz约束，其表示为：其中 表示源域和目标域的特征表示对之间沿直线的随机点；

通过求解如下最大化问题来估计Wasserstein距离：其中γ为梯度惩罚的平衡系数；

S32.域判别器完成训练后，固定域判别器的参数，对时空图卷积网络进行训练，使时空图卷积网络学习到域差异较小的特征表示。