1.一种基于卷积神经网络的轨道交通客流量预测方法，其特征在于，包括以下步骤：S1、获取轨道交通路网各个站点的历史客流数据；

S2、对缺失的历史客流数据进行填补，得到填补后的历史客流数据；

S3、将填补后的历史客流数据按照工作日、休息日、晴天和雨雪天划分为工作日下的数据集、休息日下的数据集、工作日下晴天的数据集、工作日下雨雪天的数据集、休息日下晴天的数据集和休息日下雨雪天的数据集；

S4、在每个数据集中以任一时刻为起点、时间t为单个取样长度向前获取客流数据，将其作为一组训练数据，进而得到每个数据集对应的若干组训练数据；

S5、建立卷积神经网络，分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练，得到六个训练后的卷积神经网络；

S6、以待预测时间段的起始时刻为起点、时间t为单个取样长度，在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据；

S7、选取与待预测时间段相匹配的数据集所训练的卷积神经网络，将待预测时刻的预测基础数据作为该训练后的卷积神经网络的输入，将对应的输出作为该轨道交通路网在该待预测时间段的客流预测结果。

2.根据权利要求1所述的基于卷积神经网络的轨道交通客流量预测方法，其特征在于，所述步骤S2的具体方法包括以下子步骤：S2-1、获取历史客流数据缺失的时间区间；

S2-2、以一周为时间间隔，向前获取至少4个相同时间区间的客流数据；

S2-3、对以一周为时间间隔获取的客流数据进行平均，将平均结果作为该时间区间的填补数据，进而得到填补后的历史客流数据。

3.根据权利要求1所述的基于卷积神经网络的轨道交通客流量预测方法，其特征在于，所述步骤S4的具体方法为：在每个数据集中以任一时刻为起点、10分钟为单个取样长度，在至少24小时长度内向前获取客流数据，并将以同一时刻为起点所获取的客流数据组成一组训练数据，进而得到每个数据集对应的若干组训练数据。

4.根据权利要求1所述的基于卷积神经网络的轨道交通客流量预测方法，其特征在于，所述步骤S5中建立卷积神经网络，分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练的具体方法包括以下子步骤：S5-1、建立卷积神经网络并随机设置卷积神经网络的权值和偏置；

S5-2、将每组训练数据的起点之后长度为t的区间作为该组训练数据的待预测时间段，并将该时间段内的客流数据作为校验数据；分别将每个数据集对应的训练数据作为建立的卷积神经网络的输入；

S5-3、判断卷积神经网络的输出值与校验数据的偏差是否大于偏差阈值，若是则进入步骤S5-4，否则将该卷积神经网络作为训练后的卷积神经网络，并进入步骤S6；

S5-4、根据公式

L L L 2

J(W ,b ,x,y)＝(1/2)|a-y|

aL＝f(zL)＝f(WLaL-1+bL)

获取卷积神经网络中神经元的误差J(WL,bL,x,y)；其中x为卷积神经网络的输入；y为真实值；aL为第L层输出层的输出结果；zL为第L层输出层的输入；bL为第L层输出层的偏置；f(·)为双曲正切激活函数；WL为第L层输出层的权值；

S5-5、根据公式

采用梯度下降法获取第L层输出层中WL和bL的误差梯度，进而得到每个输出层中权值和偏置的误差梯度；其中⊙表示内积运算；(·)T为矩阵的转置；

S5-6、根据每个输出层中权值和偏置的误差梯度更新卷积神经网络中每个输出层的权值和偏置，返回步骤S5-2。

5.根据权利要求1所述的基于卷积神经网络的轨道交通客流量预测方法，其特征在于，所述步骤S6的具体方法为：以待预测时间段的起始时刻为起点、10分钟为单个取样长度、至少24小时的取样总长度，在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据。

6.根据权利要求1所述的基于卷积神经网络的轨道交通客流量预测方法，其特征在于，所述步骤S7中选取与待预测时间段相匹配的数据集所训练的卷积神经网络的具体方法包括以下子步骤：S7-1、判断待预测时间段所在当天是否为工作日，若是则进入步骤S7-2；否则进入步骤S7-4；

S7-2、判断待预测时间段所在当天是否为持续晴天，若是则选取工作日下晴天的数据集所训练的卷积神经网络；否则进入步骤S7-3；

S7-3、判断待预测时间段所在当天是否为持续雨雪天，若是则选取工作日下雨雪天的数据集所训练的卷积神经网络；否则选取工作日下的数据集所训练的卷积神经网络；

S7-4、判断待预测时间段所在当天是否为持续晴天，若是则选取休息日下晴天的数据集所训练的卷积神经网络；否则进入步骤S7-5；

S7-5、判断待预测时间段所在当天是否为持续雨雪天，若是则选取休息日下雨雪天的数据集所训练的卷积神经网络；否则选取休息日下的数据集所训练的卷积神经网络。