1.一种基于通信数据和神经网络的实时地铁人流密度预测方法，其特征在于：所述预测方法包括数据预处理、构建和训练权值共享循环神经网络模型、实时预测地铁人流密度三个步骤，具体过程如下：(1)进行数据预处理

(1.1)构建地铁进出站数据集B＝(t，in，out，num)，即t时刻的进站人数、出站人数、站台等候人数；

(1.2)对一定距离范围内的通信数据进行清洗，只保留用户编号、经度、纬度、时间，得到数据集C＝(id，t，x，y)；

(1.3)对数据集C进行处理，对每个时刻t的数据进行聚类，以K个地铁站为聚类中心，采用欧氏距离进行聚类，聚类完成后统计每类包含的乘客数p，将其作为t时刻的潜在乘客；

(1.4)组合数据集B、C，得到下面两个部分需要使用的数据集A(t)＝(in，out，num，p)，代表t时刻地铁站进站人数、出站人数、站内等待人数、潜在乘客人数，并将符号简化为A(t)＝{x0(t)，...x3(t)}；

其中，in-t时刻的进站人数，out-t时刻的出站人数，num-t时刻的站台等候人数，id-通信用户编号，x-通信用户经度、y-通信用户纬度，t-时间，k-地铁站数，p-每类包含的乘客数，x0(t)-t时刻地铁站进站人数，x1(t)-t时刻地铁站出站人数，x2(t)-t时刻地铁站内等待人数，x3(t)-t时刻地铁站潜在乘客人数；

(2)构建和训练权值共享循环神经网络模型，该模型包括一个输入层、一个隐藏层、一个权值共享层、一个输出层，即：(2.1)输入经步骤(1)数据预处理过程处理出的A(t)＝{x0(t)，...x3(t)}；

(2.2)根据步骤(2.1)中的输入集合上一个时刻t-1时隐藏层的输出ht-1，计算t时刻下的隐藏层神经元输出ht＝tanh(Whxxt+Whhht-1+bh)；

(2.3)根据步骤(2.2)中的t时刻隐藏层神经元的输出ht和多个神经网络共享的权值计算共享层的输出(2.4)根据步骤(2.3)计算出的共享层输出st计算最终输出yt＝σ(Wosst+bo)，即得到预测的下一个时刻的人流密度；

其中，Whx、Wos-训练出来的模型的参数，bo、bs、bh-神经网络的偏置参数，xt-t时刻的输入，ht-1-上一个时刻隐藏层的神经元的输出值，Whh-上一个时刻隐藏层神经元输出对应的权值矩阵， -多个神经网络共享的权值；

(3)实时预测地铁人流密度

(3.1)实时接收地铁站的数据和通信数据，按照步骤(1)的数据预处理方式对实时接受到的数据进行处理，输出神经网络需要使用的输入数据集；

(3.2)使用步骤(2)训练好的模型，对下一时刻的地铁站人流密度进行预测，得到预测结果。

2.根据权利要求1所述的基于通信数据和神经网络的实时地铁人流密度预测方法，其特征在于：所述步骤(1.2)中进行清洗的通信数据距离范围为地铁站周边0.5-1km。

3.根据权利要求1所述的基于通信数据和神经网络的实时地铁人流密度预测方法，其特征在于：所述预测方法的整个操作过程均基于并行化的云计算引擎Resa完成。