1.一种基于张量GRU神经网络的地铁流量预测方法，其特征在于，该方法具体包括以下步骤：

1)取某一时段各个地铁站各时段刷卡的具体数据作为数据集，对数据集进行清洗以及筛选，分别找到以地铁站，地铁线路，节假日类型作为各阶数据的维度，组成一个高阶张量；

2)在输入GRU神经网络前，对每次的输入按照阶进行归一化，同时保证标签数据与输入数据共享同一组均值方差；根据网络输出的维度对输入数据进行z‑score标准化，得到均值张量M和标准差张量St；K1×K2×…×KN形状的N阶张量按照阶展开；

3)将步骤2)处理后的数据分割成每一个时间步X输入到GRU神经网络中，在每一个张量GRU运算单元中，通过将权重W与X进行爱因斯坦乘得到隐藏层的张量状态，爱因斯坦积的具体表达式为：其中A和B分别代表一个N阶张量和一个N+M阶张量，kN代表张量第N阶的维度大小，将按照阶的顺序从k1到kN依次进行对应下标元素的相乘然后进行求和运算将N阶缩减到1阶使得结果为M阶张量；通过张量GRU内部的更新门和重置门的运算得到最后的隐藏层状态H，用作输出或作下一时间步的输入；通过规定的时间步长的计算后，得到的结果张量H，该张量就是得到的隐藏层状态H；

4)将得到的输出H与同样在输入前进行归一化的标签进行损失计算，采用张量距离作为抓住高阶张量结构特性的损失函数：其中l和m分别代表两个张量的下标，xl，yl，xm，ym分别代表两个张量的对应的下标的元素值， 表示对应下标的元素值的欧式距离，通过反向传播机制更新每一个时刻的Wi权重张量,i代表输出的某一个时间步，对于不同epoch，重复执行步骤3)到步骤4)，直到epoch结束再执行下一步；

5)当epoch结束后，取得步骤3)的结果，根据M和St将网络的输出进行反归一化，取得反归一化后的张量中的有效维度作为网络最后预测的结果值，即得到了最终的流量预测值。