1.一种基于A‑LSTM的城市轨道交通客流量预测方法，其特征在于，所述方法包括以下步骤：

S1：获取城市轨道交通客流量数据，获得其客流量空间分布特征及时间分布特征；

S2：对空间分布特征进行处理，提取出不同地铁站的线路特征、站点特征和断面客流量特征，这三个特征即空间特征；

S3：对时间分布特征进行预处理，采用分层聚类的方法对时间分布特征进行聚类分析，划分出不同样本类型；提取出一个星期中每天的客流量分布特征，再将每天的客流量分布特征划分为多个时间段，提取出每个时间段的客流量分布特征；这两个分布特征即时间特征；

S4：采用基于注意力机制的长短时记忆神经网络A‑LSTM模型，利用带有空间特征和时间特征的历史客流量数据对模型进行训练，获得预估出的客流量数据，将预估出的客流量数据与真实客流量数据进行比较，计算损失函数值，直至使其最小化；

S5：输入测试集数据中t时刻窗口的轨道交通进站或出站客流量结合时间特征和空间特征，从而预测出第t+1时刻窗口城市轨道交通进站或出站客流量的值；

其中，窗口的长度为n，表示为 ttotal表示为一天的总时间，tperiod表示为每个客流量数据的时间跨度。

2.根据权利要求1所述的基于A‑LSTM的城市轨道交通客流量预测方法，其特征在于，所述采用分层聚类的方法对时间分布特征进行聚类分析包括将N个城市轨道交通客流量数据样本建立成N个类别，计算出各个类别之间的距离矩阵，将符合类间距离定义要求的两类合并为一个新类，计算新类与其他各类之间的距离，直到类数为1，画出谱系图，利用谱系图和分类需求，将时间特征分为合适的类数。

3.根据权利要求1所述的基于A‑LSTM的城市轨道交通客流量预测方法，其特征在于，所述步骤S4中包括将历史客流量数据和时空特征的输入数据x＝(x1，x2，…，xT)通过注意力机制进行选择性学习，再输入到长短时记忆神经网络中，与隐藏向量序列h＝(h1，h2，…，hT)进行运算，从而预估出客流量数据表示为： 将预估出的客流量数据与该时刻真实客流量数据y＝(y1，y2，…，yT)进行比较，来计算损失函数值，使得误差最小化，完成对基于注意力机制的长短时记忆神经网络模型的训练；

其中，xt表示为t时刻的输入向量，包含t时刻的时空特征数据和时间段为[t‑n,t‑1]的历史客流量数据；n为滑动窗口长度；ht表示隐藏向量的第t时刻的数据； 表示在时间段[t,t+n‑1]客流量数据的预测值；yt表示为在时间段[t,t+n‑1]的真实客流量数据；t∈{1,

2,...,T}；T表示一个历史客流量数据周期。

4.根据权利要求3所述的基于A‑LSTM的城市轨道交通客流量预测方法，其特征在于，所述t时刻客流量数据的预测值表示为：

其中，Why表示隐层输出的权重矩阵；Zt为注意力机制层的输出；bh为隐层偏向量。

5.根据权利要求4所述的基于A‑LSTM的城市轨道交通客流量预测方法，其特征在于，所述注意力机制层的输出表示为Zt＝Wah(ht+xt)+ba；Wah为注意力机制层到隐层的权重矩阵，ba为注意力机制层的偏向量。

6.根据权利要求3所述的基于A‑LSTM的城市轨道交通客流量预测方法，其特征在于，所述隐藏向量的第t时刻的数据包括：

ht＝Η(Wxhxt+Whhht‑1+Zt‑1+bh)其中，Wxh表示隐层输入的权重矩阵，Whh表示隐层状态输入的权重矩阵，bh为隐层偏向量；H为隐层函数，ht‑1表示隐藏向量的第t‑1时刻的数据，Zt‑1为第t‑1时刻的注意力机制值。

7.根据权利要求1所述的基于A‑LSTM的城市轨道交通客流量预测方法，其特征在于，所述输入测试集数据中第t时刻窗口的轨道交通进站或出站客流量结合时间和空间特征，从而预测出第t+1时刻窗口城市轨道交通进站或出站客流量的值包括每个时刻的窗口定义如下：Wt＝(pt,pt+1,…,pt+n‑1)，其中pt表示第t个时间段的进站或出站客流量；得到下一个时刻窗口客流量矩阵预测值 其真实值Wt+1表示为：Wt+1＝(pt+1,pt+2,…,pt+n)。

8.根据权利要求1～7任一所述的基于A‑LSTM的城市轨道交通客流量预测方法，其特征在于，所述损失函数的计算方式包括：

其中，et+1表示t+1时刻的损失函数， 表示在时间段[t+1,t+n]客流量数据的预测值；yt+1＝Wt+1表示为在时间段[t+1,t+n]的真实客流量数据。