1.一种短时交通流数据预测方法，其特征在于，包括：

获取待预测区域以及待预测区域各相关区域的历史交通流数据；

根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；

获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值；

所述预设的交通流预测模型包括第一深度神经网络层、第二深度神经网络层、第一时间注意力机制网络层、第二时间注意力机制网络层、融合层、第一全连接神经网络层以及第二全连接神经网络层；第一深度神经网络层依次连接第一时间注意力机制网络层和融合层，第二深度神经网络层依次连接第二时间注意力机制网络层和融合层，融合层依次连接第一全连接神经网络层以及第二全连接神经网络层；

第一深度神经网络层的输入为最优相关历史交通流数据；第二深度神经网络层的输入为待预测区域当前时段的周期性交通流数据；待预测区域当前时段的外部特征影响因素数据与融合层的输出合并后作为第一全连接神经网络层的输入；第二全连接神经网络层的输出为待预测区域的交通流数据短时预测值；

所述第一深度神经网络层包括一个特征提取单元，第二深度神经网络层包括若干个特征提取单元，特征提取单元包括依次连接的时序卷积神经网络和门控循环单元网络。

2.根据权利要求1所述的短时交通流数据预测方法，其特征在于，所述周期性交通流数据包括日周期性交通流数据、周周期性交通流数据以及月周期性交通流数据。

3.根据权利要求1所述的短时交通流数据预测方法，其特征在于，所述通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据包括：计算待预测区域以及待预测区域各相关区域的历史交通流数据之间的Pearson相关系数，并选取Pearson相关系数前第一预设数量大的相关区域，作为待预测区域的目标相关区域；

基于待预测区域的目标相关区域，采用模拟退火算法选取与当前时段的交通流数据相关性前第二预设数量大的历史时刻的交通流数据，得到待预测区域的最优相关历史交通流数据。

4.根据权利要求1所述的短时交通流数据预测方法，其特征在于，所述交通流数据为交通流量数据或交通速度数据。

5.根据权利要求4所述的短时交通流数据预测方法，其特征在于，当交通流数据为交通流量数据时，所述外部特征影响因素数据包括日期类型数据、天气数据以及当前时段的交通速度数据；当交通流数据为交通速度数据时，所述外部特征影响因素数据包括日期类型数据、天气数据以及当前时段的交通流量数据。

6.一种短时交通流数据预测系统，其特征在于，包括：

数据获取模块，用于获取待预测区域以及待预测区域各相关区域的历史交通流数据；

特征提取模块，用于根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；

预测模块，用于获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值；

所述预设的交通流预测模型包括第一深度神经网络层、第二深度神经网络层、第一时间注意力机制网络层、第二时间注意力机制网络层、融合层、第一全连接神经网络层以及第二全连接神经网络层；第一深度神经网络层依次连接第一时间注意力机制网络层和融合层，第二深度神经网络层依次连接第二时间注意力机制网络层和融合层，融合层依次连接第一全连接神经网络层以及第二全连接神经网络层；

第一深度神经网络层的输入为最优相关历史交通流数据；第二深度神经网络层的输入为待预测区域当前时段的周期性交通流数据；待预测区域当前时段的外部特征影响因素数据与融合层的输出合并后作为第一全连接神经网络层的输入；第二全连接神经网络层的输出为待预测区域的交通流数据短时预测值；

所述第一深度神经网络层包括一个特征提取单元，第二深度神经网络层包括若干个特征提取单元，特征提取单元包括依次连接的时序卷积神经网络和门控循环单元网络。

7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

5任一项所述短时交通流数据预测方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述短时交通流数据预测方法的步骤。