1.基于动态多图融合时空深度学习的轨道客流短期预测方法，其特征在于，包括以下步骤：S1、对历史客流特征数据进行卷积，形成输入数据；S2、构建融合图卷积模块，其中，所述融合图卷积模块包括多重预定义图卷积和动态图卷积，所述多重预定义图卷积由物理结构图卷积、客流相似性图卷积和OD相关图卷积构建，在所述融合图卷积模块中引入因果时间多头注意力机制以形成时空学习器；S3、将多个所述时空学习器依次串联，利用每个所述时空学习器分别对所述输入数据进行处理；S4、所有所述时空学习器的输出通过跳转连接层进行连接，所述跳转连接层将所述时空学习器的输出引入输出层，经所述输出层得到预测结果。
2.根据权利要求1所述的基于动态多图融合时空深度学习的轨道客流短期预测方法，其特征在于：在步骤S1中，所述历史客流特征数据由历史客流序列进行表示，具体为：其中，X t 表示历史客流序列； 表示第t个时间间隔内第n个站点的流入数据；N表示车站总数。
3.根据权利要求1所述的基于动态多图融合时空深度学习的轨道客流短期预测方法，其特征在于：在步骤S2中，所述融合图卷积模块的输出由下式表示：其中， 为融合图卷积的输出； 为门控值；H p 为多重预定义图卷积的输出；H d 为动态图卷积的输出；⊙为哈达玛乘积。
4.根据权利要求3所述的基于动态多图融合时空深度学习的轨道客流短期预测方法，其特征在于：所述门控值由下式表示：其中，H p 为多重预定义图卷积的输出；H d 为动态图卷积的输出； 为门控值； 为偏置参数。
5.根据权利要求3所述的基于动态多图融合时空深度学习的轨道客流短期预测方法，其特征在于：所述多重预定义图卷积的输出H p 可由下式表示：H p ＝Z p ‖Z s ‖Z c其中，Z p 为物理结构图卷积输出；Z s 为客流相似性图卷积的输出；Z c 为OD相关图卷积的输出；‖为张量连接。
6.根据权利要求5所述的基于动态多图融合时空深度学习的轨道客流短期预测方法，其特征在于：所述物理结构图卷积输出Z p 、客流相似性图卷积的输出Z s 、OD相关图卷积Z c 分别由下式表示：其中，GCN(·)为图卷积运算；G p 为物理结构图；G s 为客流相似性图；G c 为OD相关图； 为因果时间多头注意力机制的输出。
7.根据权利要求1所述的基于动态多图融合时空深度学习的轨道客流短期预测方法，其特征在于：在步骤S2中，动态空间图可用G d 表示，在特定时刻t，动态空间图可表示为：其中，S表示站点集合； 表示时刻t的空间连通性； 表示节点i和节点j之间的相应权重。
8.根据权利要求3所述的基于动态多图融合时空深度学习的轨道客流短期预测方法，其特征在于：在步骤S4中，所述时空学习器的输出可表示为：其中， 是融合图卷积的输出，H l+1 是本层时空学习器的输出，H l 是上一层时空学习器的输出。
9.根据权利要求4所述的基于动态多图融合时空深度学习的轨道客流短期预测方法，其特征在于：在步骤S4中，所述输出层得到预测结果可通过下式表示：其中，L为时空学习器的数量，H l 为上一层时空学习器的输出。
