1.基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，包括如下步骤：步骤一，将地域划分为N个不相连的不规则区域；

步骤二，对历史轨迹数据进行时空简化，计算得到所有区域在每个时间步下的进入量和流出量；

步骤三，建立区域间的多个关联图，构造相应的邻接矩阵，表示不规则区域间多样化的空间关联；

步骤四，基于区域间的所述关联图设计多图卷积神经网络，融合区域间多样化的空间关联特征，得到多图卷积融合的结果；

步骤五，基于多图卷积融合结果，采用GRU神经网络来捕获时间关联；

步骤六，选择合适的损失函数，训练得到预测模型，通过所述预测模型预测得到每个区域的所述进入量和所述流出量。

2.根据权利要求1所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤一中，基于所述地域的路网结构数据，采用不规则区域划分方法，将所述地域划分为N个不相连的不规则区域。

3.根据权利要求1所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤二，首先将处理的整个时间段按单位时间划分为多个时间步，然后基于区域划分结果，将原始的历史轨迹数据按单位时间映射到所述区域中，得到简化的轨迹：TRSimp＝(startRegion，startDate，startHour，endRegion，endDate，endHour)其中startRegion为出发区域ID，startDate为出发日期，startHour为出发单位时间，endRegion为到达区域ID，endDate为到达日期，endHour为到达单位时间，接着聚合简化的轨迹计算得到每个所述区域的进入量 和流出量 其中所述 表示第t个时间步下区域i的进入量，所述 表示第t个时间步下区域i的流出量，最后基于所述 和所述 计算得到所有区域在所述时间步t下的进入量 和流出量

4.根据权利要求3所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤三，建立不同的所述关联图来表示不规则区域间多样化的空间关联，包括距离图、流量交互图、流量关联图，所述不同的关联图均采用G＝(V，E)表示，节点vi∈V代表不规则区域，边(vi，vj)∈E编码了不规则区域间的关联程度，由邻接矩阵A∈RN×N表示；

所述距离图，边的权重为两个区域间的距离，所述距离图中邻接矩阵元素Ad(i，j)的值计算如下：

所述dist(i，j)表示所述区域i和j中心点之间的距离，将所述邻接矩阵Ad归一化到[0，

1]，并基于预先定义好的距离阈值thresd将所述Ad转换为一个0/1矩阵，如果所述Ad(i，j)≤thresd，表示所述区域i和j之间的距离非常接近，令所述Ad(i，j)＝1，否则所述Ad(i，j)＝0；

所述流量交互图，指示两个区域之间是否有频繁的双向流量，通过对所述TRSimp数据进行聚合，获得在整个分析时间段内从所述区域i出发到达所述区域j的流量值fn(i，j)和从所述区域j出发到达所述区域i的流量值fn(j，i)，所述流量交互图中邻接矩阵元素Ainter(i，j)的值计算如下：将所述邻接矩阵Ainter归一化到[0，1]，并基于预先定义的流量交互阈值thresinter将所述Ainter转换为一个0/1矩阵，如果所述Ainter(i，j)≥thresinter，表示所述区域i和j之间的交互非常强，令所述Ainter(i，j)＝1，否则所述Ainter(i，j)＝0；

所述流量关联图，指示区域间流量的时间相关性，获得每个区域在每个时间步下的历史流量值，根据需要分析的时间段，设定所述时间段内每个区域进入量和流出量的时间序列，对于所述区域i，时间序列表示为： 所述T表示时间段长度，采用皮尔逊相关系数计算所述区域i和所述区域j之间的关联，所述流量关联图中所述邻接矩阵元素Acorr(i，j)的值计算如下：

所述hi和所述hj表示所述区域i和j的所述时间序列，将所述邻接矩阵Acorr归一化到[0，

1]，并基于预先定义的流量关联阈值threscorr将所述Acorr转换为一个0/1矩阵，如果所述Acorr(i，j)≥threscorr，表示所述区域i和j具有相似的时间使用模式，令所述Acorr(i，j)＝1，否则所述Acorr(i，j)＝0。

5.根据权利要求4所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤四，基于区域间的多个所述关联图，提出所述多图卷积神经网络来充分挖掘不同图中隐藏的有用信息、捕获复杂的空间依赖关联，包括如下步骤：(1)采用图卷积神经网络模型f(Xt′，A)处理t′时间步下的每个图：所述Xt′＝(It′，Ot′)是模型在所述t′时间步下的输入，表示所述区域的进入量和流出量， 是一个具有自流量的邻接矩阵，所述IN为单位矩阵，所述 是一个对角矩阵，其中 所述Wd、Winter、Wcorr是可训练的权重矩阵，所述tanh(·)表示激活函数；

(2)对每个时间步加入附加属性attrt′，编码每个时间步下的流量影响因素；

(3)采用一个全连接层，将多个所述关联图和所述附加属性联合起来，融合区域间各式各样的空间关联特征；

FCL(Xt′，Ad，Ainter，Acorr，attrt′)＝Wfcl[fd(Xt′，Ad)，finter(Xt′，Ainter)，fcorr(Xt′，Acorr)，attrt′]所述Wfcl为权重矩阵，所述FCL(·)为多图卷积融合结果。

6.根据权利要求5所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述附加属性，包括日期属性 小时属性 天气属性 和温度属性 所述 维度为7维，表示一周中的周几；所述 维度为24维，表示一天中的第几个小时；

所述 被划分为8个类别，包括晴、多云、小雨、中雨、大雨、小雪、中雪和大雪；所述被划分为8个等级，从10°F到90°F，每10°F对应为一个等级，所有所述附加属性都使用独热编码，连接得到向量

7.根据权利要求5所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤五，基于所述多图卷积融合结果FCL(·)，采用GRU神经网络捕获历史中的时序关联，所述GRU将t'-1时间步下的隐藏状态和多图卷积结果作为输入，获得t'时间步下的流量状态，计算流程如下所示：ut'＝σ(Wu[FCL(·),ht'-1]+bu)rt'＝σ(Wr[FCL(·),ht'-1]+br)ct'＝tanh(Wc[FCL(·),(rt'⊙ht'-1)]+bc)ht'＝ut'ht'-1+(1-ut')ct'

所述ht'-1表示所述时间步t'-1下的隐藏状态，所述ut'为更新门，定义了将上一时刻的哪些记忆保存到当前时间步的量，所述rt'为重置门，决定了如何将新的输入信息与前面的记忆相结合，所述ct'为所述t'时间步下的存储内容，所述ht'为所述t'时间步下的输出状态，所述FCL(·)为所述t'时间步下的所述多图卷积结果，所述Wu、Wr、Wc为权重矩阵，所述bu、br、bc为偏差向量，所述σ为sigmoid函数，所述⊙为逐元素相乘操作。

8.根据权利要求7所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤六，使用Smooth L1作为所述损失函数，基于训练集采用反向传播和Adam优化算法训练所述权重矩阵和所述偏差向量，得到所述预测模型，所述预测模型的目标是基于输入的历史数据[(I0，O0)，(I1，O1)，...，(It-1，Ot-1)]，学习一个函数f(·)将历史数据中每个区域的进入量和流出量映射得到下一个时间步的进入量和流出量 使得所述(It，Ot)为下一个时间步t的真实流量值，根据验证集选取均方根误差最小的模型作为最终的预测模型，基于测试集采用所述最终的预测模型进行预测，对输出结果进行反向归一化，得到最终的预测结果。