1.一种基于多层注意力的图融合交通流量预测方法，其特征在于，包括：S1、针对目标路网中所有道路的历史交通流量数据，按照不同采样间隔进行等样本量的均匀采样，每条道路均得到代表不同数据周期的多条历史流量序列；所述采样间隔至少包含分钟级别、日级别和周级别三种；

S2、针对目标路网中的所有道路，根据道路之间的连通性构建道路空间关系图；所述道路空间关系图由第一顶点集合、第一边集合以及第一邻接矩阵构成，所述第一顶点集合中每个顶点代表一条道路，顶点属性为顶点所代表道路的历史流量序列，所述第一边集合中的每条边代表两个顶点对应的道路之间存在空间连通关系，所述第一邻接矩阵用于记录顶点之间的边连接关系；

S3、针对目标路网中的所有道路，基于每一种数据周期的所述历史流量序列，根据道路之间的功能相似性构建每一种数据周期对应的道路功能相似关系图；所述道路功能相似关系图由第二顶点集合、第二边集合以及第二邻接矩阵构成，所述第二顶点集合与所述第一顶点集合相同，所述第二边集合中的每条边代表两个顶点对应的道路之间存在道路功能相似关系，所述第二邻接矩阵用于记录顶点之间的边连接关系；其中，两个顶点对应的道路之间存在道路功能相似关系需满足道路地理空间距离小于第一阈值且道路历史流量序列距离小于第二阈值，所述道路地理空间距离为道路空间关系图中分别以两个顶点为中心的空间子图之间的归一化编辑距离，所述道路历史流量序列距离为两个顶点各自对应的道路在当前数据周期下的历史流量序列之间的归一化序列距离；

S4、将所述道路空间关系图分别与每一种数据周期对应的道路功能相似关系图通过注意力机制进行邻接矩阵融合，得到每一种数据周期对应的融合邻接矩阵；

S5、将每一种数据周期下目标路网中所有道路的历史流量序列通过嵌入操作，获得顶点特征矩阵；再将每一种数据周期下的融合邻接矩阵以及顶点特征矩阵输入到图注意力网络中，获得每一种数据周期对应的输出结果；对所有数据周期对应的输出结果进行加权融合，最终得到目标路网的未来流量预测结果。

2.如权利要求1所述的基于多层注意力的图融合交通流量预测方法，其特征在于，所述数据周期分为三种，其采样间隔分别对应于分钟级别、日级别和周级别。

3.如权利要求1所述的基于多层注意力的图融合交通流量预测方法，其特征在于，所述数据周期分为三种，其采样间隔分别为15分钟、24小时和7天。

4.如权利要求1所述的基于多层注意力的图融合交通流量预测方法，其特征在于，两个顶点对应的道路之间的道路地理空间距离计算过程如下：S311、分别以待计算的第一顶点和第二顶点为中心结点，从所述道路空间关系图中按照固定深度提取第一空间子图和第二空间子图，对应包含的顶点分别按序排列构成第一子图顶点序列 和第二子图顶点序列 ，其中p和q分别表示第一空间子图和第二空间子图中的顶点个数；

S312、对第一距离矩阵 进行初始化：

，

，

，

再对第一距离矩阵 中的其他元素进行递推计算：

，

，

式中： 函数用于输出括号内顶点的度， 函数用于输出括号内顶点的邻接顶点集合， 表示第一距离矩阵 中第m行第n列的元素值；

S313、将第一距离矩阵 中第p行第q列的元素值 作为第一顶点和第二顶点之间的编辑距离，经过归一化后得到对应的道路地理空间距离。

5.如权利要求1所述的基于多层注意力的图融合交通流量预测方法，其特征在于，两个顶点对应的道路之间的道路历史流量序列距离计算过程如下：S321、针对待计算的第一顶点和第二顶点，按照当前构建的道路空间关系图所对应的数据周期，获取第一顶点在该数据周期下的第一历史流量序列 和第二顶点在该数据周期下的第二历史流量序列 ，其中T为通过所述均匀采样获得历史流量序列的采样样本量；

S322、对第二距离矩阵 进行初始化：

，

，

，

再对第二距离矩阵 中的其他元素进行递推计算：

，

式中： 表示第二距离矩阵 中第m行第n列的元素值；

S323、将第二距离矩阵 中第T行第T列的元素值 作为第一顶点和第二顶点之间的序列距离，经过归一化后得到对应的道路历史流量序列距离。

6.如权利要求1所述的基于多层注意力的图融合交通流量预测方法，其特征在于，所述图注意力网络由多层图注意力层堆叠而成；每一层图注意力层的输入为所述融合邻接矩阵和上一层图注意力层输出的顶点特征向量矩阵，层内采用多头注意力机制将邻域结点的特征向量聚合至各中心结点，进而输出新的顶点特征向量矩阵至下一层；所有图注意力层的输出拼接后通过指数线性单元激活函数进行输出，最后由一个额外的图注意力层处理得到所述图注意力网络的输出结果。

7.如权利要求1所述的基于多层注意力的图融合交通流量预测方法，其特征在于，对所有数据周期对应的输出结果进行加权融合时，将每个数据周期对应的输出结果与可学习的参数矩阵进行哈达玛积计算，然后将各哈达玛积计算结果进行求和，得到目标路网的未来流量预测结果。

8.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时，能实现如权利要求1 7任一项所述的基于多层注意力的图融合交通流量预测~方法。

9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1 7任一所述的基于多层注意力的图融合交~通流量预测方法。

10.一种计算机电子设备，其特征在于，包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求1 7任一所述的基于多层~注意力的图融合交通流量预测方法。