1.一种基于图卷积网络融合多特征输入的网络流量预测方法，其特征在于，包括以下步骤：

(1)获取网络流量数据；

(2)利用皮尔森相关系数对流量进行相关性分析；

(3)采用时空特征提取单元来提取流量间的时空特征；所述时空特征提取单元通过双通道GCN模型提取空间特征，通过GRU模型提取时间特征，时空特征提取单元的输出为 所述双通道GCN模型包括邻接特征提取模块AGCN和相关特征提取模块PGCN；所述邻接特征提取模块AGCN包括两层GCN模型，其输入为网络流量特征矩阵X及其邻接矩阵；所述相关特征提取模块PGCN包括两层GCN模型，其输入为网络流量特征矩阵X及其相关系数矩阵；

设f(X,A,P)为双通道GCN模型的输出，f(X,A)为邻接特征提取模块AGCN的输出，f(X,P)为相关特征提取模块PGCN的输出，则：f(X,A,P)＝[f(X,A)|f(X,P)]其中，“|”表示矩阵的拼接，A为邻接矩阵，P为相关系数矩阵；

邻接特征提取模块AGCN的输出f(X,A)的表达式如下：其中， II为单位矩阵， 为 的第(l‑1)

i行第j列的元素， 为对角矩阵 的第i行第i列的元素，W 为输入层到隐藏层的权重，(l)

W 为隐藏层到输出层的权重,ReLU表示修正线性单元；

时空特征提取单元的计算过程如下：T T‑1

Γu＝σ(Wu[f(X ,A,P),h ]+bu)T T‑1

Γr＝σ(Wr[f(X ,A,P),h ]+br)T T

其中，f(X ,A,P)为T时刻网络流量特征X 对应的双通道GCN模型的输出，Γu为GRU模型T T‑1

中的更新门，Γr为GRU模型中的重置门，σ为激活函数，h为T时刻隐藏状态，h 为T‑1时刻隐藏状态， 为T时刻候选隐藏状态，Wu、Wr、Wc为权重，bu、br、bc为偏置项；

(4)提取历史上每周同一时刻的网络流量数据 将 构建成与步骤(3)中 相同尺寸的矩阵；

(5)特征融合得到预测结果：其中，P1、P2为权值，⊙表示哈达玛乘子， 为预测结果。

2.根据权利要求1所述基于图卷积网络融合多特征输入的网络流量预测方法，其特征在于，在步骤(5)中，采用PSO算法选出P1、P2的最优值。