1.一种OD客流预测方法，其特征在于，包括：基于历史OD客流数据计算若干OD对的ODFL值,根据ODFL值筛选出稀疏OD对的集合；

挖掘和过滤稀疏OD对的若干属性特征，并对所述属性特征进行降维，得到各稀疏OD对的低维属性特征；

获取稀疏OD对的预测时段的邻近客流模式特征、日客流模式特征及周客流模式特征和时序特征，将所述邻近客流模式特征、日客流模式特征、周客流模式特征、时序特征及所述低维属性特征拼接得到多维目标输入属性；

利用所述目标输入属性构造训练集和测试集，利用所述训练集拟合模型，利用所述测试集测试模型泛化性能；

将待预测时段的多维目标输入属性输入模型进行预测，输出所述待预测时段的OD客流；

所述ODFL值为OD对的客流量级大小的值；

所述基于历史OD客流数据计算若干OD对的ODFL值,根据ODFL值筛选出稀疏OD对的集合，包括：令 表示第i个OD对第k时段客流值，yi为第i个OD对的ODFL值，则设ODFL的阈值为q,当yi≤q时，所述OD对为稀疏OD对；

将所有的稀疏OD对组成集合A；

所述挖掘和过滤稀疏OD对的若干属性特征，并对所述属性特征进行降维，得到各稀疏OD对的低维属性特征，包括：利用特征工程挖掘稀疏OD对的64种时间序列特征，其包括763维特征；具体包括，利用Python第三方库Tsfresh计算包含绝对能量值、一阶差分绝对和等64种时间序列特征，用于描述时间序列的波动性、不可预测性、周期性、平稳性和非线性；

分别计算特征向量与OD客流均值的pearson相关系数值；

Pearson相关系数的计算公式如下：

其中，xi和yi分别表示所选择的两个相关变量，和 分别表示所选择相关变量的平均值；

过滤相关系数值较小的特征；

将过滤后的特征映射到10维的低维空间，得到10维属性特征；

所述利用所述目标输入属性构造训练集和测试集，利用所述训练集拟合模型，利用所述测试集测试模型泛化性能，包括：获取若干OD对的不同预测时段的真实客流值；

将若干OD对的不同预测时段的目标输入属性和真实客流值作为数据集；

将70％—80％的数据集划分为训练集，剩余的数据集作为测试集；

利用所述训练集训练LightGBM模型，更新LightGBM模型参数；

利用所述测试集测试LightGBM模型的有效性，直至测试集误差符合要求；

保存LightGBM模型；

所述将待预测时段的多维目标输入属性输入模型进行预测，输出所述待预测时段的OD客流，包括：根据待预测时段确定邻近客流模式特征、日客流模式特征、周客流模式特征及时序特征；

将所述客流模式特征、时序特征及低维属性特征拼接得到19维目标输入属性；

将所述19维目标输入属性输入LightGBM模型中；

LightGBM模型输出待预测时段的客流值。

2.根据权利要求1所述的OD客流预测方法，其特征在于，所述过滤相关系数值较小的特征，包括：令系数值的阈值为ε，第j个特征的系数值为rj，当|rj|＜ε时，所述特征为相关系数值较小的特征，删掉；

当|rj|≥ε时，所述特征为相关系数值较大的特征，保留。

3.根据权利要求1所述的OD客流预测方法，其特征在于，所述获取稀疏OD对的预测时段的邻近客流模式特征、日客流模式特征及周客流模式特征和时序特征，将所述邻近客流模式特征、日客流模式特征、周客流模式特征、时序特征及低维属性特征拼接得到多维目标输入属性，包括：分析邻近客流模式，获取预测时段的前3个时段客流特征，分别命名为recent1、recent2、recent3；

分析日客流模式，获取预测时段的前三日同一时段客流特征，分别命名为daily1、daily2、daily3；

分析周客流模式，获取预测时段的上一周同一日同一时段客流特征，分别命名为weekly1；

分析时序特征，获取预测时段为周内的第几天和一天内的第几个时段，分别命名为interval和day of week；

将OD对的低维属性特征命名为OD feature1、OD feature2、……、OD feature10；

将上述特征拼接为所述预测时段的19维目标输入属性。

4.一种OD客流预测装置，其特征在于，包括：稀疏OD对筛选模块：用于基于历史OD客流数据计算若干OD对的ODFL值,根据ODFL值筛选出稀疏OD对的集合；

特征工程模块：用于挖掘和过滤稀疏OD对的若干属性特征，并对所述属性特征进行降维，得到各稀疏OD对的低维属性特征；

输入属性构造模块：用于获取稀疏OD对的预测时段的邻近客流模式特征、日客流模式特征及周客流模式特征和时序特征，将所述邻近客流模式特征、日客流模式特征、周客流模式特征、时序特征及低维属性特征拼接得到多维目标输入属性；

训练模块：用于根据目标输入属性构造训练集和测试集，利用训练集对模型进行训练确定模型参数，再利用测试集测试模型；

预测模块：用于将待预测时段的多维目标输入属性输入模型进行预测，输出所述待预测时段的OD客流；

所述ODFL值为OD对的客流量级大小的值；

所述基于历史OD客流数据计算若干OD对的ODFL值,根据ODFL值筛选出稀疏OD对的集合，包括：令 表示第i个OD对第k时段客流值，yi为第i个OD对的ODFL值，则设ODFL的阈值为q,当yi≤q时，所述OD对为稀疏OD对；

将所有的稀疏OD对组成集合A；

所述挖掘和过滤稀疏OD对的若干属性特征，并对所述属性特征进行降维，得到各稀疏OD对的低维属性特征，包括：利用特征工程挖掘稀疏OD对的64种时间序列特征，其包括763维特征；具体包括，利用Python第三方库Tsfresh计算包含绝对能量值、一阶差分绝对和等64种时间序列特征，用于描述时间序列的波动性、不可预测性、周期性、平稳性和非线性；

分别计算特征向量与OD客流均值的pearson相关系数值；

Pearson相关系数的计算公式如下：

其中，xi和yi分别表示所选择的两个相关变量，和 分别表示所选择相关变量的平均值；

过滤相关系数值较小的特征；

将过滤后的特征映射到10维的低维空间，得到10维属性特征；

所述利用所述目标输入属性构造训练集和测试集，利用所述训练集拟合模型，利用所述测试集测试模型泛化性能，包括：获取若干OD对的不同预测时段的真实客流值；

将若干OD对的不同预测时段的目标输入属性和真实客流值作为数据集；

将70％—80％的数据集划分为训练集，剩余的数据集作为测试集；

利用所述训练集训练LightGBM模型，更新LightGBM模型参数；

利用所述测试集测试LightGBM模型的有效性，直至测试集误差符合要求；

保存LightGBM模型；

所述将待预测时段的多维目标输入属性输入模型进行预测，输出所述待预测时段的OD客流，包括：根据待预测时段确定邻近客流模式特征、日客流模式特征、周客流模式特征及时序特征；

将所述客流模式特征、时序特征及低维属性特征拼接得到19维目标输入属性；

将所述19维目标输入属性输入LightGBM模型中；

LightGBM模型输出待预测时段的客流值。

5.一种OD客流预测设备，其特征在于，包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述OD客流预测方法的步骤。

6.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述OD客流预测方法的步骤。