1.一种网络流量预测方法，其特征在于，应用于预测模型，所述预测模型包括：图卷积‑自注意力模块、全连接层和激活层；所述网络流量预测方法包括：获取网络流量，并对所述网络流量进行预处理，得到预处理流量组；

将所述预处理流量组输入所述图卷积‑自注意力模块，得到目标流量特征组；

将所述目标流量特征组输入所述全连接层，得到融合流量特征；

基于所述激活层和所述融合流量特征确定预测结果。

2.根据权利要求1所述的网络流量预测方法，其特征在于，所述对所述网络流量进行预处理，得到预处理流量组，具体包括：对所述网络流量进行归一化处理，得到归一化流量；

利用滑动窗口确定所述归一化流量对应的多个预处理流量，其中，所述滑动窗口的长度为预设长度；

根据所述多个预处理流量得到预处理流量组。

3.根据权利要求2所述的网络流量预测方法，其特征在于，所述对所述网络流量进行归一化处理，得到归一化流量，具体包括：确定所述网络流量对应的最大值和最小值；

计算所述网络流量与所述最大值之间的第一差值，计算所述最大值和所述最小值之间的第二差值；

将所述第一差值和所述第二差值之间的比值作为归一化流量。

4.根据权利要求1所述的网络流量预测方法，其特征在于，所述图卷积‑自注意力模块包括：图卷积模块和自注意力模块；所述将所述预处理流量组输入所述图卷积‑自注意力模块，得到目标流量特征组，具体包括：将所述预处理流量组输入所述图卷积模块，得到初始流量特征组；

将所述初始流量特征组输入所述自注意力模块，得到目标流量特征组。

5.根据权利要求1所述的网络流量预测方法，其特征在于，所述基于所述激活层和所述融合流量特征确定预测结果，具体包括：将所述融合流量特征输入所述激活层，得归一化结果；

将所述归一化结果进行反归一化处理，得到预测结果。

6.根据权利要求1至5中任意一项所述的网络流量预测方法，其特征在于，基于训练数据集对预设模型进行训练得到所述预测模型，所述预设模型包括：初始图卷积‑自注意力模块、初始全连接层和初始激活层。

7.根据权利要求6所述的网络流量预测方法，其特征在于，所述基于训练数据集对预设模型进行训练得到的所述预测模型，具体包括：确定训练数据集，所述训练数据集包括多个训练子集，每个训练子集包括一个训练网络流量组，以及该训练网络流量组对应的标签组；

将训练数据集中的训练网络流量组输入所述初始图卷积‑自注意力模块，得到训练目标流量特征组；

将所述训练目标流量特征组输入所述初始全连接层，得到训练融合流量特征；

将所述训练融合流量特征输入所述初始激活层，得到训练预测结果；

基于所述训练网络流量组对应的所述训练预测结果，以及所述训练网络流量组对应的标签组确定损失函数值，基于所述损失函数值修改所述预设模型的模型参数，并继续执行所述将训练数据集中的训练网络流量组输入所述初始图卷积‑自注意力模块的步骤，直至满足预设训练条件，得到预测模型。

8.根据权利要求7所述的网络流量预测方法，其特征在于，所述确定训练数据集包括：获取多个原始网络流量；

对于每个原始网络流量，对该原始网络流量进行归一化处理，得到原始归一化流量，利用预设长度的滑动窗口确定所述原始归一化流量对应的多个原始预处理流量，对于每个原始预处理流量，将所述原始归一化流量中所述原始预处理流量的后一数据作为该原始预处理流量对应的标签，根据该原始网络流量对应的多个原始预处理流量，确定该原始网络流量对应训练网络流量组，根据每个原始预处理流量对应的标签确定该原始网络流量对应的标签组；

根据每个原始网络流量各自分别对应的训练网络流量组和标签组确定训练数据集。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任意一项所述的网络流量预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任意一项所述的网络流量预测方法。