1.一种面向大型活动的动态交通出行需求预测方法，其特征在于，包括以下步骤：S1，数据准备，所述数据包括大型活动期间不同活动地点移动性变化数据集、平日居民交通出行活动链数据集、包含大型活动日程的外部数据集，所述活动地点包括住宅区/酒店、工作场所、大型活动场馆和旅游景点；S2，将所述平日居民交通出行活动链数据集作为离散选择项，建立基于效用最大化理论的多项式logit模型；S3，构建可解释的计算图对多项式logit模型的参数求解，得到平日居民交通出行活动的基线参数，所述基线参数包括居民对不同活动地点的偏好参数以及对不同交通出行活动链的偏好参数；S4，基于所述多项式logit模型中的效用函数以及所述基线参数，定义活动地点偏好变化参数，构建大型活动期间的动态交通出行活动链选择算法；S5，搭建长短时记忆网络，以所述步骤S1中大型活动期间不同活动地点移动性变化数据集为训练集进行训练，利用训练后的长短时记忆网络对未来大型活动期间居民交通出行活动链的动态变化进行预测；S6，将所述步骤S5获得的未来大型活动期间居民交通出行活动链的动态变化预测结果输入所述动态交通出行活动链选择算法，得到未来大型活动期间居民交通出行活动链选择情况的预测结果；所述步骤S2，所述多项式logit模型具体为：其中， 是居民对第 i 条交通出行活动链的选择概率， I 是交通出行活动链的数目， 是第 i 条交通出行活动链的效用函数，表示为其中， 是第 i 条交通出行活动链的出行距离属性， 是居民对于第 i 条交通出行活动链的偏好参数， 是第 i 条交通出行活动链的固定偏好参数， 的值由不同活动地点的偏好参数决定：其中 是第 i 条交通出行活动链中包含第 j 个活动地点的数目， J 是活动地点类型的数目， 是第 j 个活动地点的偏好参数；所述步骤S5，所述长短时记忆网络的损失函数定义为 和 的均方根误差：其中， L T 为长短时记忆网络的损失函数， 和 分别代表第 j 个活动地点在当前时间步长 t 下真实的移动性变化和预测的移动性变化； T 为长短时记忆网络训练集中总时间步长；所述长短时记忆网络的一个长短时记忆单元由一个存储单元、一个输入门、一个遗忘门和一个输出门组成，在当前时间步长 t 下，给定输入样本 ，输入门变量 ，存储单元变量 ，遗忘门变量 ，输出门变量 ，候选隐层变量 ，隐层变量 表示如下：其中， 是双曲正切激活函数， 是sigmod激活函数，算子*表示相同维数矩阵的哈达玛乘积， ， ， 和 分别是输入层和前一隐层对输入门、遗忘门、输出门和候选隐层的权值， ， ， 和 分别是输入门、遗忘门、输出门和候选隐含层的偏置系数；预测移动性变化率结果 由隐藏层变量 和包含大型活动日程的外部数据集中提取的当日外部变量 经过一个全连接层得到:其中， 是从隐藏层变量 到预测移动性变化率 的权值， 代表该全连接层的偏置系数。
2.根据权利要求1所述的面向大型活动的动态交通出行需求预测方法，其特征在于，所述步骤S3，所述多项式logit模型通过最小化负对数似然函数进行基线参数求解，具体为其中， LL 为负对数似然函数， 代表第 n 个出行者的交通出行活动链选择，当出行者选择第 i 条交通出行活动链时其值为1，否则为0； 代表第 n 个出行者选择第 i 条交通出行活动链的概率， N 为出行者的总数。
3.根据权利要求2所述的面向大型活动的动态交通出行需求预测方法，其特征在于，所述步骤S4，假设效用函数中的偏好参数随着大型活动日程安排的发展而发生改变，定义大型活动期间每日活动地点偏好变化参数 ，代表第 d 天第 j 个活动地点的偏好参数变化量，则大型活动期间的动态交通出行活动链选择算法的求解表示为最小化目标函数 f ：其中， 是第 d 天第 j 个活动地点的活动性变化率； θ 是每日各活动地点的偏好参数绝对变化和的权重系数，用于约束求解的 的变化范围; 和 分别代表第 j 个活动地点的基准天和第 d 天的访问概率，由交通出行活动链选择概率求出，公式如下：其中， 为居民在第 d 天对第 i 条交通出行活动链的选择概率。
