1.一种基于3D反卷积的出行需求预测方法，其特征在于，包括构建预测模型的步骤：步骤1：构建时空栅格数据，具体如下：C×I×J

将时间间隔t内，所有I×J栅格节点的出行需求表示为张量Xt∈R ，其中C＝2表示有需求流入量和流出量两个通道，Xt表示一个时空栅格数据；

步骤2：根据时空栅格数据来构建预测方法的输入；三种时间依赖性的输入不同，分别构建如下：

1)临近依赖性的输入是时空栅格数据的子序列其中，dc表示临近依赖序列的长度；

2)日常依赖性的输入是时空栅格数据的子序列其中lp表示一天时空序列的长度，dp表示日常依赖序列的长度；

3)周期依赖性的输入是时空栅格数据的子序列其中lw表示一周时空序列的长度，dw表示周期依赖序列的长度；

步骤3：使用3D卷积初步提取时空特征；对于三种时间属性，分别连接2个3D卷积层，如下：

1)临近依赖性的3D卷积计算过程如下：其中*表示3D卷积的运算； 是第l个3D卷积的输入，Cl‑1是通(l)

道数；当l＝1时，C0＝C，I0＝I，J0＝J和T0＝dc；Wc 和 是参数，f是激活函数；

2)日常依赖性的3D卷积计算过程如下：其中*表示3D卷积的运算； 是第l个3D卷积的输入，Cl‑1是通(l)

道数；当l＝1时，C0＝C，I0＝I，J0＝J和T0＝dp；Wp 和 是参数，f是激活函数；

3)周期依赖性的3D卷积计算过程如下：其中*表示3D卷积的运算； 是第l个3D卷积的输入，Cl‑1是通道数；当l＝1时，C0＝C，I0＝I，J0＝J和T0＝dw； 和 是参数，f是激活函数；步骤4：使用

3D反卷积来进一步提取空间信息；对于三种时间属性，分别连接2个3D反卷积层，如下：

1)临近依赖性的3D反卷积计算过程如下：其中，表示3D反卷积的运算； C3、C4是通道数，(3) (4)

Wc 、 Wc 和 是参数；将 降维成

2)日常依赖性的3D反卷积计算过程如下：其中，表示3D反卷积的运算； C3、C4是通道数，Wp(3) (4)

、 Wp 和 是参数；将 降维成

3)周期依赖性的3D反卷积计算过程如下：其中，表示3D反卷积的运算； C3、C4是通道数，和 是参数；将 降维成

步骤5：将三个输出 和 融合，提取三个输出不同的贡献程度；融合过程如下：

其中，表示按元素相乘，Wfc，Wfp和Wfw表示可学习的参数，反映对预测目标的三种时间特性影响的程度；

步骤6：激活函数作用于融合结果来得到最终的结果；过程如下：其中，f表示激活函数， 表示最终的模型输出结果。

2.如权利要求1所述的一种基于3D反卷积的出行需求预测方法，其特征在于，所述构建预测模型的步骤，还包括：步骤4.1：对临近依赖性使用残差网络进一步提取空间特征；连接4个残差单元，计算过程如下：

其中， 表示残差映射， 表示第m个残差单元所有参数的集合；

表示第m个残差单元的输入，C4+m‑1表示通道数；

所述步骤5替换为：将三个输出 和 融合，提取三个输出不同的贡献程度；

融合过程如下：

其中，表示按元素相乘，Wfc，Wfp和Wfw表示可学习的参数，反映对预测目标的三种时间特性影响的程度。

3.如权利要求1所述的一种基于3D反卷积的出行需求预测方法，其特征在于，所述构建预测模型的步骤，还包括：步骤4.1：对三种时间属性的3D反卷积输出进行重新校准；如下：

1)对于临近依赖性，重新校准过程如下：其中，输入为

表示按元素相乘，Wc表示可学习的参数来量化通道空间特征在空间中的作用程度，从而很好地考虑空间中特征贡献的差异；

2)对于日常依赖性，重新校准过程如下：其中，输入为

表示按元素相乘，Wp表示可学习的参数；

3)对于周期依赖性，重新校准过程如下：其中，输入为

表示按元素相乘，Ww表示可学习的参数；

所述步骤5替换为：将三个输出Xc、Xp和Xw融合，提取三个输出不同的贡献程度；融合过程如下：

其中，表示按元素相乘，Wfc，Wfp和Wfw表示可学习的参数，反映对预测目标的三种时间特性影响的程度。

4.如权利要求2所述的一种基于3D反卷积的出行需求预测方法，其特征在于，所述构建预测模型的步骤，还包括：步骤4.2：对临近依赖性的残差单元输出进行重新校准，对日常依赖性和周期依赖性的

3D反卷积输出进行重新校准；如下：

1)对于临近依赖性，重新校准过程如下：其中，输入为

表示按元素相乘，Wc表示可学习的参数；

2)对于日常依赖性，重新校准过程如下：其中，输入为

表示按元素相乘，Wp表示可学习的参数；

3)对于周期依赖性，重新校准过程如下：其中，输入为

表示按元素相乘，Ww表示可学习的参数；

所述步骤5替换为：将三个输出Xc、Xp和Xw融合，提取三个输出不同的贡献程度；融合过程如下：

其中，表示按元素相乘，Wfc，Wfp和Wfw表示可学习的参数，反映对预测目标的三种时间特性影响的程度。