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；

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

3.根据权利要求2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，邻接特征提取模块AGCN的输出 的表达式如下：其中， 为单位矩阵， 为 的

第i行第j列的元素， 为对角矩阵 的第i行第i列的元素， 为输入层到隐藏层的权重， 为隐藏层到输出层的权重， 表示修正线性单元。

4.根据权利要求2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（3）中，时空特征提取单元的计算过程如下：其中， 为T时刻网络流量特征 对应的双通道GCN模型的输出， 为GRU模型中的更新门， 为GRU模型中的重置门， 为激活函数， 为T时刻隐藏状态， 为T-1时刻隐藏状态， 为T时刻候选隐藏状态， 为权重，为偏置项。

5.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 的最优值。