1.一种基于多特征双判别器的交通数据补偿方法，其特征在于，包括：

S1：从数据平台提供的API接口中获取卡口交通数据和路网的真实交通流图像x；所述交通数据包括卡口传感器信息和外部属性信息；

S2：将路网转化为交通路网结构图；

S3：从卡口传感器信息提取相关属性，所述相关属性包括车辆轨迹、卡口和路网交通流量；

S4：根据卡口传感器数据提取的相关属性和建立的交通路网结构图，从车辆轨迹分析卡口之间的影响关系，采用RoadNetPixel算法生成路网交通流图像R；

根据卡口传感器数据提取的相关属性，从车辆轨迹分析卡口之间的影响关系，采用RoadNetPixel算法来生成路网交通流图像R，包括：车辆轨迹由多个卡口组成，输入车辆轨迹样本，引入skip‑gram算法从轨迹中挖掘出卡口的高维特征表示，得到卡口高维特征向量表示[c1,c2,…,cN]，引入t‑SNE方法对卡口的高维特征向量[c1,c2,…,cN]进行降维处理，将其映射到低维空间；

计算高维空间中每个卡口与邻接卡口之间的相似度pij，以及计算低维空间中的每个卡口与邻接卡口的相似度qij；

通过最小化KL散度来不断调整低维空间中卡口的位置，将低维空间中的相似度与高维空间中的相似度尽可能接近，得到最终输出的低维空间中的卡口特征向量[f1,f2,…,fN]；

对低维空间横向和纵向进行切割，让像素空间包含所有的卡口；

对于包含过多卡口的像素点，以包含最大交通流量卡口为中心，其余卡口向外扩张一圈进行分散，若外圈的像素点没有包含卡口，则占用此像素点，否则向外继续扩张一圈，直到所有卡口分散到最近的像素点，当像素空间每个像素点最多包含一个卡口时，得到路网像素化矩阵P；

将对应的卡口交通流量填充到路网像素化矩阵P，矩阵中缺失的卡口用0填充，生成路网交通流图像R；

S5：根据路网交通流图像R捕获交通路网中隐藏的时空特征；

S6：通过多头注意力机制拼接外部因素，并赋予不同的权重系数，挖掘外部属性信息的外部特征；

S7：将时空特征和外部特征进行特征融合，得到融合特征；

S8：建立ST‑DDGAN组件模型；

所述ST‑DDGAN组件模型，包括：生成器G和判别器D；

所述生成器G为自动编码器‑解码器的结构，自动编码器采用残差网络中的残差块取代卷积层，每个残差块包含两个相同的卷积核的卷积操作和批归一化；

所述判别器D为双判别器结构，包括全局判别器DG和局部判别器DL；

S9：将融合特征和路网交通流图像R输入ST‑DDGAN组件模型，根据路网的真实交通流图像x进行对抗训练，通过训练完成后的ST‑DDGAN组件模型对数据缺失的交通数据进行补全。

2.根据权利要求1所述的一种基于多特征双判别器的交通数据补偿方法，其特征在于，将路网转化为交通路网结构图，包括：将路网转化为图G＝(V，E，A)，其中，V表示节点的集合，每个节点表示记录交通数据的卡口，E表示边的集合，每个边表示两个卡口连通的一条交通道路，A表示路网的邻接矩阵，路网的邻接矩阵A中每个元素的值表示相应节点之间是否相连。

3.根据权利要求1所述的一种基于多特征双判别器的交通数据补偿方法，其特征在于，根据路网交通流图像R捕获交通路网中隐藏的时空特征，包括：构造一个过滤器作用于图的节点上，通过一阶邻域捕获节点之间的空间特征，将节点自身特征与其邻居节点特征进行聚合来更新节点的特征表示，通过叠加多个卷积层，提取更复杂的拓扑结构和特征表示，每个卷积层的输出作为下一层的输入，形成层层传递的特征更新过程，得到改进的GCN网络；

将路网邻接矩阵与多个时间步长路网交通流图像R输入改进的GCN网络，改进的GCN网络根据输入数据的拓扑信息，选择相邻节点，相邻节点和目标节点通过一阶过滤运算进行聚合，经过一系列卷积操作后，逐步提取路网的高层次空间特征，最终生成序列化的空间图Rs；

将序列化的空间图Rs输入GRU网络，GRU网络利用重置门和更新门来学习控制交通信息在时间序列中的流动，当前t时刻，输入当前时刻的空间图 和前一时刻的隐藏层状态信息ht‑1，计算t时刻的隐藏层状态信息，并根据t时刻的隐藏层状态信息能够得到t时刻的输出时空特征

4.根据权利要求1所述的一种基于多特征双判别器的交通数据补偿方法，其特征在于，通过多头注意力机制拼接外部因素，并赋予不同的权重系数，挖掘外部属性信息的外部特征，包括：将外部信息中的天气、星期几和时间段进行独热编码离散化，转换为固定长度的向量，将三个外部因素向量进行拼接，得到拼接后的向量为E；

将向量E输入到多头注意力机制模型的多头注意力层，将向量E的查询Q，键K和值V向量通过线性变换转换到相同的维度；

计算向量E的Q和K的缩放点积，挖掘出天气，星期几和时间段之间的相互联系，捕获向量E的内部依赖关系；

将外部因素纳入到多个注意力层中，每个注意力层可以独立关注外部因素不同部分，对每个注意力层分别计算，并将结果拼接在一起；

将多头注意力的结果合并成一个向量；

将多头注意力的结果进行残次连接，并通过规范化层对结果进行归一化，输出外部特征FeE。

5.根据权利要求1所述的一种基于多特征双判别器的交通数据补偿方法，其特征在于，时空特征和外部特征进行特征融合，得到融合特征，包括：F＝FeST·wST+FeE·wE

其中，F表示融合特征，FeST表示时空特征，FeE表示外部特征，wST和wE分别表示时空特征和外部特征的权重。

6.根据权利要求1所述的一种基于多特征双判别器的交通数据补偿方法，其特征在于，将融合特征和路网交通流图像R输入ST‑DDGAN组件模型，根据路网的真实交通流图像x进行对抗训练，包括：将融合特征F与路网交通流图像R输入生成器G，生成器G的编码器将路网交通流图像卷积，得到隐层特征，生成器G的解码器对隐层特征和融合特征进行反编码，生成路网交通流图像z；将生成的路网交通流图像z和路网的真实交通流图像x输入判别器D，判别器D的全局判别器DG从全局上判别路网交通流图像z和真实交通流图像x的真假，并建立全局判别器DG的损失函数；判别器D的局部判别器DL分析路网交通流图像z和真实交通流图像x的局部区域的真实性，并建立局部判别器DL的损失函数；将全局判别器DG和局部判别器DL的判别结果反馈给生成器G，约束生成器G生成更真实的路网交通流图像，当全局判别器DG的损失函数和局部判别器DL的损失函数的损失最小时，固定ST‑DDGAN组件模型的参数，完成ST‑DDGAN组件模型的训练。

7.根据权利要求6所述的一种基于多特征双判别器的交通数据补偿方法，其特征在于，所述全局判别器DG的损失函数和局部判别器DL的损失函数，包括：全局判别器DG的损失函数：

局部判别器DL的损失函数：

其中， 表示全局判别器DG的损失函数，G表示生成器G，x表示真实路网

交通流图像，G(z)表示生成器生成的路网交通流图像z，DG(x)表示全局判别器在真实路网交通流图像x的判断结果，DG(G(z))表示全局判别器在生成数据G(z)的判断结果， 表示所有数据都是真实数据时的期望， 表示所有数据都是生成数据时的期望，pg(x)表示真实路网交通流图像x的概率分布函数，ps(z)表示生成的路网交通流图像z的概率分布函数；xc表示真实路网交通流图像x的局部区域，G(z)c表示生成器生成的路网交通流图像z的局部区域。

8.根据权利要求1所述的一种基于多特征双判别器的交通数据补偿方法，其特征在于，通过训练完成后的ST‑DDGAN组件模型对数据缺失的交通数据进行补全，包括：Y'＝Recover(Rr,F)

其中，Y'表示对缺失数据进行补全后的路网交通流图像，Rr表示数据缺失的路网交通流图像，F表示数据缺失的交通数据的融合特征，Recover()表示ST‑DDGAN组件对卡口缺失的交通数据进行补全操作。