1.一种基于特征注意力机制的交通流预测方法，其特征在于，包括以下步骤：步骤1：获取所需交通流数据信息，将所采集交通流数据信息使用均值处理法进行预处理，所述步骤1中的采集交通流数据信息为交叉路口的历史车流量、空气指数、天气质量的数据信息，每隔2min收集一次数据，每小时有30个样本，一天有12小时，每类数据3万条，对于采集回来的数据，其中2万条数据用于模型训练，1万条数据用于测试集的模型验证；

步骤2：采用熵权法对交通流数据进行处理，构建相应特征矩阵；

步骤3：将熵权法处理后的交通流数据输入SFformer模型进行训练，得出交通流数据的预估值，且所述SFformer模型采用切诺贝利灾难算法CDO对SFformer模型中Q、K、V三个参数进行最优值求解，将均方误差作为损失函数，对SFformer模型训练模型进行评估；

所述SFformer模型有编码层、解码层、全连接层3层；数据输入SFformer模型时要嵌入数据的位置信息，输入位置信息到SFformer模型中，以提取更多的时间特征，所输入位置信息由标量投影、局部时间戳和全局时间戳构成，编码层需要通过编码器Xen将所采集的交通流数据进行编码，然后输入模型，编码层t时刻的输入表达式为：其中，Len为输入数据的序列长度；m为序列长度；N*为交通流数据的训练集长度；

交通流数据输入SFformer模型后，在编码层经过稀疏注意力机制和一种特征注意力机制计算输出含有特征值的交通流数据，采用自注意蒸馏操作对具有主要特征的数据进行卷积计算，最后输出含有自注意力特征的数据；稀疏注意力机制由KL对SFformer模型本身自带的注意力机制进行离散处理后得到，编码层的自注意力层中加入蒸馏层；

经过KL散度处理后的注意力机制为SFformer模型的稀疏注意力机制，计算公式为：T

其中，Q、K、V为稀疏注意力机制的Query、Key、Value元素；QK经过Softmax转为权重，针对可能的输出结果计算加权和得到最终的结果；d为维度， 和Q的稀疏矩阵大小相同，且包含稀疏评估系数qy；

解码层通过生成式解码器和联结注意力函数计算，得到交通流预测结果，特征数据在解码层的输入计算公式如下：其中， 表示输入； 表示多个注意力计算结果；Concat是联结注意力计算结果的函数；将序列通过一个基于掩码的稀疏性自注意力层；

全连接层采用BP神经网络学习算法进行数据的学习，提取交通流数据特征，得到具有强代表性的交通流数据信息，并采用PCA算法对特征数据进行降维，最终通过Softmax函数得到交通流预测结果；

采用CDO算法通过α、β、γ三个辐射粒子的攻击方式，获取SFformer模型中Q、K、V三个参数的最优值，优化SFformer模型的训练结果，提高SFformer模型的自适应学习率；

CDO算法是模仿切诺贝利灾难事故中三种不透明辐射α、β、γ攻击人类的过程，通过计算α、β、γ粒子的梯度下降过程转化为数学模型，从而实现对SFformer模型中重要参数的优化效果，CDO算法中α粒子梯度下降的计算公式为：va＝0.25·(Xa(t)‑ρa·Δα)

2

xh＝r·π

Sa＝log(rand(1:16000))

Δα＝|Aα·Xa(t)‑XT(t)

2

Aα＝r·π

其中，Xa(t)为α粒子当前所在位置；ρa表示α粒子的传播；Δα为α粒子和人类之间的位置距离，xh为人类行走的面积；Sα为α粒子的移动速度，Sα∈[1,16000]；r为[0,1]之间的随机数；Aα为α粒子的传播面积；

β粒子梯度下降的计算公式为：

vβ＝0.5·(Xβ(t)‑ρβ·Δβ)

2

xh＝r·π

Sβ＝log(rand(1:270000))

Δβ＝|Aβ·Xβ(t)‑XT(t)|

2

Aβ＝r·π

其中，Xβ(t)为β粒子当前所在位置；ρβ表示β粒子的传播；Δβ为β粒子和人类之间的位置距离；Sβ为β粒子的移动速度，Sβ∈[1,16000]；Aβ为β粒子的传播面积；

γ粒子梯度下降的计算公式为：

vγ＝(Xγ(t)‑ργ·Δγ)

2

xh＝r·π

Sγ＝log(rand(1:300000))

Δγ＝|Aγ·Xγ(t)‑XT(t)|

2

Aγ＝r·π

其中，Xγ(t)为γ粒子当前所在位置；ργ表示γ粒子的传播；Δγ为γ粒子和人类之间的位置距离，Sγ为γ粒子的移动速度，Sγ∈[1,16000]；Aγ为γ粒子的传播面积；

根据运动方程计算可得出粒子总速度均值：

CDO算法通过α、β、γ三个辐射粒子的攻击方式，获取SFformer模型中Q、K、V三个参数的最优值，进而优化了SFformer模型的训练结果；

步骤4：最后采用平均绝对误差两种统计指标衡量模型SFformer模型预测效果。

2.根据权利要求1所述的一种基于特征注意力机制的交通流预测方法，其特征在于，采用均值处理法对于车流量数据集、空气指数数据集、天气质量数据集中缺失值进行填充，先确定数据集中存在缺失值的列的索引；然后计算列平均值，并将其填充到对应列中的缺失值空位。

3.根据权利要求1所述的一种基于特征注意力机制的交通流预测方法，其特征在于，所述步骤2中采用熵权法对交通流数据进行处理，其具体方法为：熵权法对交通流数据的降噪过程如下：

第1步：通过预测数据集和预测指标集构成决策矩阵J；

其中，参与评价的数据集M＝(M1,M2,M3,…,Mm)，预测指标集D＝(D1,D2,D3,…,Dn)；参与评价的数据Mi与其对应指标Dj的值定义为xij，其中i和j的取值范围为：i＝1,2,3,…,m；j＝

1,2,3,…,n；

第2步：由于预测指标都具有正向指标和逆向指标，所以需要消除不同量纲对决策矩阵的影响，同时还要去除负指标值的决策变量，需要对决策矩阵J进行标准化处理；

决策矩阵J中正向指标的标准化处理方式为：

决策矩阵J中负向指标的标准化处理方式为：

第3步：计算第j个指标下第i个评价对象的特征比值：第4步：计算第j个指标的熵值：

第5步：计算第j个指标的熵值的差异值：dj＝1‑ej；

第6步：计算各指标对应的熵值：

第7步：将各指标对应的熵值与对应指标相乘得到样本矩阵xf：xf＝wj·vij；

将熵权法处理后得到的车流量、空气指数、天气质量数据结合起来，构建特征矩阵C，特征矩阵C＝(ABC)，其中，A为车流量序列，B为空气指数序列，C为天气指数序列；将处理后的车流量数据集、空气质量数据集和天气指数数据集分别划分为训练集和测试集。

4.一种基于权利要求1至3任一所述的基于特征注意力机制的交通流预测方法的系统，其特征在于，包括如下模块：交通流数据采集模块，用于获取所需交通流数据信息；

交通流数据预处理模块，用于利用所收集的历史交通流数据信息，通过熵权法对交通流数据的降噪，构建相应特征矩阵；

交通流数据预测模块，用于将交通流数据信息作为模型样本数据集，并划分为训练集和测试集送入利用切诺贝利灾难算法CDO优化后的SFformer模型中以预测未来时刻的交通流量。