1.一种数据缺失场景下的时间序列预测方法，其特征在于，所述时间序列预测方法包括：S101，根据目标交通数据中各个采集数据的缺失情况，确定所述目标交通数据对应的缺失掩码信息，其中，所述目标交通数据包括N个目标交通参数分别在T个采集时间点下的采集数据，每个采集数据包含D个采集维度下分别对应的采集子数据，N、T和D均为大于一的整数；

S102，对所述目标交通数据和所述缺失掩码信息分别进行特征提取，得到所述目标交通数据对应的第一融合特征向量和所述缺失掩码信息对应的第二融合特征向量；

S103，将每个目标交通参数作为图节点，将每个目标交通参数对应的T个采集时间点下的采集数据作为对应图节点的信息，构建所述目标交通数据对应的交通图结构；

S104，根据所述交通图结构，得到所述交通图结构对应的预定义邻接矩阵和参考邻接矩阵；

S105，根据所述第二融合特征向量和所述参考邻接矩阵，确定所述交通图结构对应的相关性矩阵；

S106，根据所述相关性矩阵、所述第一融合特征向量、所述预定义邻接矩阵和训练好的图卷积网络，得到缺失重构交通数据；

S107，将所述缺失重构交通数据输入训练好的时序预测模型中，得到所述目标交通数据对应的预测交通数据。

2.根据权利要求1所述的数据缺失场景下的时间序列预测方法，其特征在于，S102包括如下步骤：S1021，将所述目标交通数据和所述缺失掩码信息分别输入训练好的时序特征提取模型中，得到所述目标交通数据对应的第一时序特征向量和所述缺失掩码信息对应的第二时序特征向量；

S1022，将所述目标交通数据和所述缺失掩码信息分别输入训练好的多尺度卷积模型中，得到所述目标交通数据对应的第一多尺度特征向量和所述缺失掩码信息对应的第二多尺度特征向量；

S1023，根据所述目标交通数据对应的第一时序特征向量和第一多尺度特征向量，得到所述目标交通数据对应的第一融合特征向量；

S1024，根据所述缺失掩码信息对应的第二时序特征向量和第二多尺度特征向量，得到所述缺失掩码信息对应的第二融合特征向量。

3.根据权利要求2所述的数据缺失场景下的时间序列预测方法，其特征在于，所述训练好的时序特征提取模型为训练好的双向长短时记忆模型；

S1021包括如下步骤：

将所述目标交通数据输入所述训练好的双向长短时记忆模型中，得到第一正向时序向量和第一反向时序向量；

将所述第一正向时序向量和所述第一反向时序向量逐点相加，得到第一参考时序向量；

将所述缺失掩码信息输入所述训练好的双向长短时记忆模型中，得到第二正向时序向量和第二反向时序向量；

将所述第二正向时序向量和所述第二反向时序向量逐点相加，得到第二参考时序向量；

将所述第一参考时序向量和所述第二参考时序向量逐点相乘，得到所述第一时序特征向量，以所述第二参考时序向量作为所述第二时序特征向量。

4.根据权利要求2所述的数据缺失场景下的时间序列预测方法，其特征在于，S1023包括如下步骤：将所述第一时序特征向量通过第一预设激活函数处理，得到第一处理结果；

将所述第一多尺度特征向量通过第二预设激活函数处理，得到第二处理结果；

将所述第一处理结果和所述第二处理结果逐点相乘，得到所述第一融合特征向量。

5.根据权利要求4所述的数据缺失场景下的时间序列预测方法，其特征在于，S1024包括如下步骤：将所述第二时序特征向量通过第一预设激活函数处理，得到第三处理结果；

将所述第二多尺度特征向量通过第二预设激活函数处理，得到第四处理结果；

将所述第三处理结果和所述第四处理结果逐点相加，得到所述第二融合特征向量。

6.根据权利要求1所述的数据缺失场景下的时间序列预测方法，其特征在于，S105包括如下步骤：S1051，根据所述第二融合特征向量和所述参考邻接矩阵，确定所述参考邻接矩阵对应的偏差矩阵；

S1052，根据所述参考邻接矩阵和所述偏差矩阵，确定所述交通图结构对应的相关性矩阵。

7.根据权利要求1所述的数据缺失场景下的时间序列预测方法，其特征在于，训练好的图卷积网络包括第一图卷积分支和第二图卷积分支，所述第一图卷积分支对应于第一模型参数和第一偏置参数，所述第二图卷积分支对应于第二模型参数和第二偏置参数；

S106包括如下步骤：

计算得到所述相关性矩阵对应的入度矩阵和出度矩阵；

根据所述相关性矩阵及所述相关性矩阵对应的入度矩阵和出度矩阵、所述第一模型参数、所述第一偏置参数和所述第一融合特征向量，确定第一重构数据；

根据所述预定义邻接矩阵、所述第二模型参数、所述第二偏置参数和所述第一融合特征向量，确定第二重构数据；

将所述第一重构数据和所述第二重构数据相加，得到所述缺失重构交通数据。

8.一种数据缺失场景下的时间序列预测装置，其特征在于，所述时间序列预测装置包括：掩码生成模块，用于根据目标交通数据中各个采集数据的缺失情况，确定所述目标交通数据对应的缺失掩码信息，其中，所述目标交通数据包括N个目标交通参数分别在T个采集时间点下的采集数据，每个采集数据包含D个采集维度下分别对应的采集子数据，N、T和D均为大于一的整数；

特征提取模块，用于对所述目标交通数据和所述缺失掩码信息分别进行特征提取，得到所述目标交通数据对应的第一融合特征向量和所述缺失掩码信息对应的第二融合特征向量；

图谱构建模块，用于将每个目标交通参数作为图节点，将每个目标交通参数对应的T个采集时间点下的采集数据作为对应图节点的信息，构建所述目标交通数据对应的交通图结构；

第一矩阵获取模块，用于根据所述交通图结构，得到所述交通图结构对应的预定义邻接矩阵和参考邻接矩阵；

第二矩阵获取模块，用于根据所述第二融合特征向量和所述参考邻接矩阵，确定所述交通图结构对应的相关性矩阵；

数据重构模块，用于根据所述相关性矩阵、所述第一融合特征向量、所述预定义邻接矩阵和训练好的图卷积网络，得到缺失重构交通数据；

时序预测模块，用于将所述缺失重构交通数据输入训练好的时序预测模型中，得到所述目标交通数据对应的预测交通数据。

9.一种非瞬时性计算机可读存储介质，所述非瞬时性计算机可读存储介质中存储有至少一条指令或至少一段程序，其特征在于，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1‑7中任意一项所述的数据缺失场景下的时间序列预测方法。

10.一种电子设备，其特征在于，包括处理器和权利要求9中所述的非瞬时性计算机可读存储介质。