1.一种出行行为预测方法，其特征在于，包括：获取用户的历史出行数据；

对历史出行数据中的时间属性进行离散化；

根据时间属性离散化后的历史出行数据，进行决策树的建立，以对用户出行行为进行预测。

2.根据权利要求1所述的方法，其特征在于，所述对历史出行数据中的时间属性进行离散化的步骤包括：若所述时间属性的概率分布符合高斯分布，则将μ-1.96σ和μ+1.96σ作为分裂点，以将所述时间属性离散化，其中，μ为所述时间属性的均值，σ为所述时间属性的方差。

3.根据权利要求1所述的方法，其特征在于，所述对历史出行数据中的时间属性进行离散化的步骤包括：通过多项式拟合，获取所述时间属性的概率分布的拟合曲线；

根据所述拟合曲线，获取所述时间属性的分裂点，以将所述时间属性离散化。

4.根据权利要求3所述的方法，其特征在于，所述根据所述拟合曲线，获取所述时间属性的分裂点，以将所述时间属性离散化的步骤包括：获取所述拟合曲线的极小值点，得到极小值点集合；

将所述极小值点集合中的极小值点作为所述分裂点；以及对于所述极小值点集合中的每个极小值点，若两个极小值点之间的极大值点，比所述极小值点集合中的任一值小，则将该两个极小值点对应的分裂点之间的数据去除。

5.根据权利要求1所述的方法，其特征在于，所述决策树的建立的步骤包括：根据待预测的目标事件，确定决策树的根节点；

根据用户的历史出行数据，获取各层相对应的特征属性的信息增益值，以得到决策树的各层分支节点。

6.一种出行行为预测装置，其特征在于，包括：获取模块，用于获取用户的历史出行数据；

离散模块，用于对历史出行数据中的时间属性进行离散化；

预测模块，用于根据时间属性离散化后的历史出行数据，进行决策树的建立，以对用户出行行为进行预测。

7.根据权利要求6所述的装置，其特征在于，所述离散模块包括：高斯离散子模块，用于若所述时间属性的概率分布符合高斯分布，则将μ-1.96σ和μ+

1.96σ作为分裂点，以将所述时间属性离散化，其中，μ为所述时间属性的均值，σ为所述时间属性的方差。

8.根据权利要求6所述的装置，其特征在于，所述离散模块包括：多项式拟合子模块，用于通过多项式拟合，获取所述时间属性的概率分布的拟合曲线；

分裂点获取子模块，用于根据所述拟合曲线，获取所述时间属性的分裂点，以将所述时间属性离散化。

9.根据权利要求6所述的装置，其特征在于，所述预测模块包括：根节点确定子模块，用于根据待预测的目标事件，确定决策树的根节点；

分支节点确定子模块，用于根据用户的历史出行数据，获取各层相对应的特征属性的信息增益值，以得到决策树的各层分支节点。

10.一种出行行为预测装置，其特征在于，包括：处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：获取用户的历史出行数据；

对历史出行数据中的时间属性进行离散化；

根据时间属性离散化后的历史出行数据，进行决策树的建立，以对用户出行行为进行预测。