1.一种交通流量预测方法，其特征在于，包括：
对待预测交通流量区域进行网格划分，将所述待预测交通流量区域划分为多个网格单元；
获取所述多个网格单元的相对位置信息以及所述多个网格单元在第一预设时间阈值的第一交通流量信息，其中，所述相对位置信息包括每个网格单元的中心点位置与其他网格单元的中心点位置的相对位置关系所构成的矩阵，所述第一交通流量信息包括在第一预设时间阈值通过每个网格单元的车的数量；
根据所述相对位置信息以及所述第一交通流量信息，通过预选训练好的交通流量预测模型，预测所述待预测交通流量区域在第二预设时间阈值的交通流量信息，其中，所述交通流量预测模型是基于两层时间卷积神经网络和一层图卷积神经网络构成的神经网络模型，用于预测一定区域内的交通流量。
2.根据权利要求1所述的方法，其特征在于，所述获取所述多个网格单元的相对位置信息的方法包括：
获取每个网格单元的中心点的经纬度信息，以及所述待预测交通流量区域进行网格划分后的维度信息；
根据所述中心点的经纬度信息以及所述维度信息，获取所述每个网格单元的中心点的第一位置信息；
根据所述每个网格单元的中心点的第一位置信息，确定所述多个网格单元的相对位置信息。
3.根据权利要求1所述的方法，其特征在于，所述通过预选训练好的交通流量预测模型，预测所述待预测交通流量区域在第二预设时间阈值的交通流量信息的方法包括：
所述交通流量预测模型的第一层时间卷积神经网络获取所述相对位置信息以及所述第一交通流量信息的第一时间特征信息，并将所述第一时间特征信息发送至图卷积神经网络，其中，所述第一时间特征信息包括所述相对位置信息以及所述第一交通流量信息的底层时间特征信息；
所述图卷积神经网络将所述第一时间特征信息的时间复杂度降低至预设阈值，获取所述相对位置信息以及所述第一交通流量信息的空间相对性，并将时间复杂度降低至预设阈值的第一时间特征信息发送至第二层时间卷积神经网络；
所述第二层时间卷积神经网络获取时间复杂度降低至预设阈值的第一时间特征信息的第二时间特征信息，并根据所述第二时间特征信息预测在第二预设时间阈值的交通流量信息，其中，所述第二时间特征信息包括时间复杂度降低至预设阈值的第一时间特征信息的高层时间特征信息。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述待预测交通流量区域当天的天气信息，将所述天气信息拓展为四维天气空间特征信息；
将所述四维天气空间特征信息与所述交通流量预测模型的中间特征信息进行拼接，获取天气时序信息，其中，所述天气时序信息用于指示所述天气信息在预测交通流量信息中所占的比重；
所述交通流量预测模型的第二层时间卷积神经网络获取所述天气时序信息的高层时间特征信息，其中，所述天气时序信息的高层时间特征信息用于提高预测所述交通流量信息的准确性。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过预先获取的相对位置信息以及第一交通流量信息训练所述交通流量预测模型，所述训练交通流量预测模型的方法包括：
基于预先获取的相对位置信息以及第一交通流量信息的均值信息，在所述均值信息中加入预设的稳定因子以及预设学习矩阵，训练所述交通流量预测模型，以使待训练的交通流量预测模型的收敛速度达到预设阈值，
其中，所述稳定因子用于增加训练所述交通流量预测模型的计算稳定性，所述学习矩阵用于提高所述交通流量预测模型的学习能力。
6.根据权利要求5所述的方法，其特征在于，所述训练交通流量预测模型的方法包括：
按照如下公式所示的方法训练所述交通流量预测模型：
其中，y表示归一化后的特征数据，x表示输入数据的横坐标，μ表示输入数据的均值，v表示输入数据的方差，eps表示稳定因子，gamma表示第一学习系数矩阵，beta表示第二学习系数矩阵。
7.根据权利要求3所述的方法，其特征在于，
所述交通流量预测模型的第一层时间卷积神经网络获取所述相对位置信息以及所述第一交通流量信息的第一时间特征信息的方法包括：
按照如下公式所示的方法获取所述第一时间特征信息：
其中，g(θ)表示原始图特征，y表示所述第一时间特征信息，k表示切比雪夫多项式的阶数，θi表示第i个图节点特征值，
所述图卷积神经网络将所述第一时间特征信息的时间复杂度降低至预设阈值的方法包括：
按照如下公式所示的方法将时间复杂度降低至预设阈值：
其中，
8.根据权利要求2所述的方法，其特征在于，
所述获取所述每个网格单元的中心点的第一位置信息的方法包括：
按照如下公式所示的方法获取所述第一位置信息：
其中，loc(i，j)表示所述第一位置信息，xi表示第i个中心点的横坐标，yi表示第i个中心点的纵坐标，len表示所述中心点的经度，wid表示所述中心点的纬度，n表示所述待预测交通流量区域进行网格划分后的维度信息；
所述确定所述多个网格单元的相对位置信息的方法包括：
按照如下公式所示的方法确定所述相对位置信息：
其中，d(i，k)表示第i个和第i+k个中心点的相对位置信息，xi+k表示第i+k个中心点的横坐标，yi+k表示第i+k个中心点的纵坐标。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的交通流量预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的交通流量预测方法。