1.融合时空信息的轨道人流量预测方法，其特征在于：该方法包括以下步骤：S1：进行地铁刷卡数据记录的预处理操作；

S2：搭建残差神经网络结构，建模地铁人流量数据的时间属性、空间属性和外部影响因素；

S3：进行迁移学习，利用实时数据对于所建立的模型进行迁移优化；

S4，进行人流量在服务器端的预测工作；

S5：服务器端的预测结果下发至移动端。

2.根据权利要求1所述的融合时空信息的轨道人流量预测方法，其特征在于：所述S1包括以下步骤：

S1‑1：读取数据并删除无关数据；读取地铁刷卡原始数据集R并删除数据集R中的刷卡设备编号和用户刷卡类型的无关数据，得到数据集Y＝{Y1,Y2,…,Yi,Yn}，其中Yi＝(s,u,t,c)，Yi表示在时刻t时，用户u在地铁站s的刷卡状态c；

t

S1‑2：处理缺失值；判断数据集Y中是否存在缺失值，处理t时刻的空值Yi时，用临近时t‑1 t+1

刻t的数据Yi 和Yi 的均值插补该空值，并更新数据集Y；

S1‑3：删除异常值；检索数据集Y，并对Yi中的用户账号ui信息检索在时间间隔T内用户T

进出地铁站的次数；保留Yi中出现次数为偶数的相关数据，完成数据的清洗操作，并更新数据集Y；

S1‑4：按时间段划分数据集；定义时间间隔T，并以时间间隔T划分不同时间段的地铁流量数据Y；在每个时间间隔T的数据中，遍历用户账号ui的刷卡时刻字段ti，并追加生成代表时间区间的字段v；根据时间间隔v划分为m组数据，得到数据集Y'＝{Y1',Y2',…,Y'm}，其中Yi＝(s,u,c,v)，m为v的数量；

S1‑5：数据归约；按照刷卡时间段v，检索用户账号u进出地铁站的状态c，调换数据集Y'中“先出后进”的数据的顺序，完成数据的归约操作；

S1‑6：数据集成变换；用“0”初始化m*k*k*2双通道流矩阵X＝{Xt,Xt+T,…,Xt+(m‑1)T}，其中k为站点个数；检索数据集，遍历不同时间段的u，并根据此用户乘坐站点s和进出站的状态c为1、为0的情况，以“+1”的形式将数据写入2维度中的相应矩阵X，即进矩阵或出矩阵；其中xT(i,j)代表了在时间间隔T内，从地铁站i到地铁站j入的地铁人流量数量。

3.根据权利要求2所述的融合时空信息的轨道人流量预测方法，其特征在于：所述S2包括以下步骤：

S2‑1：时间临近性建模；采用临近时间段的lc个双通道流矩阵来模拟时间临近性，临近时间相关序列为 将他们和时间轴连接到一起,形成一个张量其中k为地铁站数量；后跟随一个卷积神经网络，根据捕捉各个地区的空间属性；

其中，*表示卷积，f是一个激活函数, 是第一层卷积的可学习参数；

S2‑2：叠加残差单元；在每个卷积网络下，根据下方公式叠加L残差单元；

其中，F是残差函数， 表示第l个残差单元中的所有可学习参数；

S2‑3：获取临近性结果；进行批处理归一化,然后增加ReLu修正函数；在残差网络之后，再添加一层卷积层，得到临近性输出结果为S2‑4：获取周期性和趋势性结果；根据步骤S2‑1和S2‑2，模拟出周期、趋势时间属性；构造出周期相关序列 趋势相关序列 其中p表示描述时间周期性的一天，q表示描述时间趋势性的一周；根据步骤S2‑3，通过两层卷积神经网络和L层残差神经网络，输出分别为人流量周期性变化序列 和人流量趋势性变化序列

S2‑5：训练外部因素组；设ET为预测时间间隔T内外部因素的特征向量；使用时间间隔为[t‑T,t]时间段的天气来预测[t,t+T]时段的天气；然后将ET向量叠加两个完全连接的神经网络层，通过训练得到外部因素组的结果EExt；

S2‑6：融合矩阵；使用基于参数矩阵的融合方法，融合步骤S2‑3和步骤S2‑4得到的三个矩阵 即

最终融合外部因素组和XRes矩阵，得到t时间间隔的预测值，即Xt＝tanh(XExt+XRes)其中，Wc、Wp、Wq分别是调整临近、周期和趋势影响程度的可学习参数，tanh是双曲正切函数，值域为[‑1,1]。

4.根据权利要求3所述的融合时空信息的轨道人流量预测方法，其特征在于：所述S3包括以下步骤：

S3‑1：特征提取；利用已训练好的人流量预测网络，删除其最终层，全连接层，作为人流量实时预测任务的特征提取器，提取到预测网络的时间属性tsource、空间属性ssource、其他外界属性特征osource；

S3‑2：特征映射；观察源模型预测所变换的图像Ssource与实时数据所变换的图像Sobject，并利用观察所得的共同特征，时间属性tmutual、空间属性smutual和其他外界属性omutual，在不同层级的特征间进行自动迁移，此处将特征投影到同一个特征空间F当中进行，最终得到一个需要微调参数的目标模型Phalf；

S3‑3：微调参数；采用EM算法求解目标模型参数θ,得到最终的目标域模型P，其中算法利用KL散度度量两个域间的差异；极大化l(θ,θj)，得到θj+1＝arg maxl(θ,θj)并反复迭代，直至最后收敛，迭代结束；

S3‑4：获得目标模型；利用迁移学习所获得目标模型结果P，有效提升预测模型的实时性。

5.根据权利要求4所述的融合时空信息的轨道人流量预测方法，其特征在于：所述S4包括以下步骤：

S4‑1：传递相关因素；向服务器端传递所要预测实时时间因素tfact、空间因素Sfact以及外部影响因素Ofact；

S4‑2：结果预测；将相关因素导入目标模型P当中进行预测，得到预测结果Sresult。

6.根据权利要求5所述的融合时空信息的轨道人流量预测方法，其特征在于：所述S5包括以下步骤：

S5‑1：结果传输；通过在线网络方式，将服务器端的预测结果Sresult传输至移动端；

S5‑2：结果显示；完成移动端实时快捷显示流量预测结果Sresult。

7.融合时空信息的轨道人流量预测系统，其特征在于：该系统包括以下模块，数据预处理模块，对于人流量数据进行处理形成矩阵，包括以下子单元：第一单元，读取数据并删除无关数据；读取地铁刷卡原始数据集R并删除数据集R中的刷卡设备编号和用户刷卡类型的无关数据，得到数据集Y＝{Y1,Y2,…,Yi,Yn}，其中Yi＝(s,u,t,c)，Yi表示在时刻t时，用户u在地铁站s的刷卡状态c；

t

第二单元，处理缺失值；判断数据集Y中是否存在缺失值，处理t时刻的空值Yi 时，用临t‑1 t+1

近时刻t的数据Yi 和Yi 的均值插补该空值，并更新数据集Y；

第三单元，删除异常值；检索数据集Y，并对Yi中的用户账号ui信息检索在时间间隔T内T

用户进出地铁站的次数；保留Yi中出现次数为偶数的相关数据，完成数据的清洗操作，并更新数据集Y；

第四单元，按时间段划分数据集；定义时间间隔T，并以时间间隔T划分不同时间段的地铁流量数据Y；在每个时间间隔T的数据中，遍历用户账号ui的刷卡时刻字段ti，并追加生成代表时间区间的字段v；根据时间间隔v划分为m组数据，得到数据集Y'＝{Y1',Y2',…,Y'm}，其中Yi＝(s,u,c,v)，m为v的数量；

第五单元，数据归约；按照刷卡时间段v，检索用户账号u进出地铁站的状态c，调换数据集Y'中“先出后进”的数据的顺序，完成数据的归约操作；

第六单元，数据集成变换；用“0”初始化m*k*k*2双通道流矩阵X＝{Xt,Xt+T,…,Xt+(m‑1)T}，其中k为站点个数；检索数据集，遍历不同时间段的u，并根据此用户乘坐站点s和进出站的状态c为1、为0的情况，以“+1”的形式将数据写入2维度中的相应矩阵X，即进矩阵或出矩阵；其中xT(i,j)代表了在时间间隔T内，从地铁站i到地铁站j入的地铁人流量数量；

预测模型搭建模块，用于建模地铁人流量数据的时间属性、空间属性和外部影响因素，包括以下子单元：

第一单元，时间临近性建模；采用临近时间段的lc个双通道流矩阵来模拟时间临近性，临近时间相关序列为 将他们和时间轴连接到一起,形成一个张量其中k为地铁站数量；后跟随一个卷积神经网络，根据捕捉各个地区的空间属性；

其中，*表示卷积，f是一个激活函数, 是第一层卷积的可学习参数；

第二单元，叠加残差单元；在每个卷积网络下，根据下方公式叠加L残差单元；

其中，F是残差函数， 表示第l个残差单元中的所有可学习参数；

第三单元，获取临近性结果；进行批处理归一化,然后增加ReLu修正函数；在残差网络之后，再添加一层卷积层，得到临近性输出结果为第四单元，获取周期性和趋势性结果；根据步骤S2‑1和S2‑2，模拟出周期、趋势时间属性；构造出周期相关序列 趋势相关序列其中p表示描述时间周期性的一天，q表示描述时间趋势性的一周；根据步骤S2‑3，通过两层卷积神经网络和L层残差神经网络，输出分别为人流量周期性变化序列 和人流量趋势性变化序列

第五单元，训练外部因素组；设ET为预测时间间隔T内外部因素的特征向量；使用时间间隔为[t‑T,t]时间段的天气来预测[t,t+T]时段的天气；然后将ET向量叠加两个完全连接的神经网络层，通过训练得到外部因素组的结果EExt；

第六单元，融合矩阵；使用基于参数矩阵的融合方法，融合步骤S2‑3和步骤S2‑4得到的三个矩阵 即

最终融合外部因素组和XRes矩阵，得到t时间间隔的预测值，即Xt＝tanh(XExt+XRes)其中，Wc、Wp、Wq分别是调整临近、周期和趋势影响程度的可学习参数，tanh是双曲正切函数，值域为[‑1,1]；

迁移学习模块，利用实时数据对于所建立的模型进行迁移优化，包括以下子单元：第一单元，特征提取；利用已训练好的人流量预测网络，删除其最终层(全连接层)，作为人流量实时预测任务的特征提取器，提取到预测网络的时间属性tsource、空间属性ssource、其他外界属性特征osource；

第二单元，特征映射；观察源模型预测所变换的图像Ssource与实时数据所变换的图像Sobject，并利用观察所得的共同特征，时间属性tmutual、空间属性smutual和其他外界属性omutual，在不同层级的特征间进行自动迁移，此处将特征投影到同一个特征空间F当中进行，最终得到一个需要微调参数的目标模型Phalf；

第三单元，微调参数；采用EM算法求解目标模型参数θ,得到最终的目标域模型P，其中算法利用KL散度度量两个域间的差异；在此过程中极大化l(θ,θj)，得到θj+1＝arg max l(θ,θj)并反复迭代，直至最后收敛，迭代结束；

第四单元，获得目标模型；利用迁移学习所获得目标模型结果P，有效提升预测模型的实时性；

预测与下发模块，用于人流量数据预测并下发至移动端，包括以下子单元：第一单元，传递相关因素；向服务器端传递所要预测实时时间因素tfact、空间因素Sfact以及外部影响因素Ofact；

第二单元，结果预测；将相关因素导入目标模型P当中进行预测，得到预测结果Sresult；

第三单元，结果传输；通过在线网络方式，将服务器端的预测结果Sresult传输至移动端；

第四单元，结果显示；完成移动端实时快捷显示流量预测结果Sresult。

8.根据权利要求7所述的融合时空信息的轨道人流量预测系统，其特征在于：所述时间临近性建模为：采用lc个双通道流矩阵模拟时间临近性，临近时间相关序列为将其和时间轴进行连接,形成张量 其中k为地铁站数量；后跟随一个卷积神经网络，根据 捕捉各个地区的空间属性；这也是后续周期性、趋势性建模所采用的方法；其中，*表示卷积，f是一个激活函数,是第一层卷积的可学习参数。

9.根据权利要求8所述的融合时空信息的轨道人流量预测系统，其特征在于：所述叠加残差单元为：在每个卷积网络下，根据下方公式叠加L残差单元；

其中，F是残差函数， 表示第l个残差单元中的所有可学习参数。

10.根据权利要求9所述的融合时空信息的轨道人流量预测系统，其特征在于：所述特征映射为：观察源变换图像Ssource与实时变换图像Sobject，并利用观察所得的共同特征，时间属性tmutual、空间属性smutual和其他外界属性omutual，在不同层级的特征间进行自动迁移，得到一个只需微调参数的目标模型Phalf。