1.一种区域辐射性交通流量预测方法，其特征在于，包括以下步骤：S1：收集日常生活中居民移动的轨迹数据信息，将轨迹数据转换成以子区域为最小单元的交通进出入流量图；

S2：获取城市不同区域交通流特点，以及城市不同区域之间流量的空间相关性；

S3：构建区域辐射性交通流量预测模型，采用特有的全卷积网络以中心区域为起始，通过叠加特征提取—预测子模块来实现逐步的扩展预测；

S4：通过将预测流量图与实际流量图的误差来反向调节全卷积神经网络，拟合出接近于真实情况的区域辐射性交通流量预测模型；

所述S2具体包括：

S21：将城市划分为M*N个区域，利用出流量和入流量来增加流量图像通道，将流量图原有的单通道扩充到2个通道；

S22：分析城市中心地带子区域和周边子区域，在固定时间内中心区域向周边区域的辐射情况。

2.根据权利要求1所述的区域辐射性交通流量预测方法，其特征在于，所述S1具体包括：

S11：收集居民出行轨迹数据，并进行清洗，居民出行轨迹数据集至少包含GPS轨迹点的经度和纬度，以及轨迹点的信息和相应的时间；

S12：GPS轨迹数据集对应预测交通流量的区域，按照经纬度划分为多个地理栅格。

3.根据权利要求2所述的区域辐射性交通流量预测方法，其特征在于，所述S12具体包th

括：令P表示为时间区间t 的轨迹集合；对于第i行和第j列的网格(i,j)，在指定时间区间t的进入流和外出流的分别计算如下：其中，Tr:g1‑>g2‑>....‑>g|Tr|是P中的一条轨迹，gk是空间坐标：gk∈(i,j)表示点gk在th

网格(i,j)中在时间区域t 中；

2×I×J

所有I×J个区域的进入流和外出可以表示成一个张量Xt∈R ，其中在一个I×J的网格地图中，每个网格有两种交通流量，任何时间的交通流

2×I×J

量可以表示成一个张量Xt∈R 。

4.根据权利要求1所述的区域辐射性交通流量预测方法，其特征在于，所述S3具体包括：

S31：采用(‑1，1)对流量数据集进行归一化；

S32：构建特征提取—扩展预测子模块：当流量特征图输入，首先采用可变形卷积对输入的流量图做卷积，进行非规则化采样；然后对卷积结果进行上采样达到从中心流量图向外成倍扩展，在原来m*n尺度基础上得到大小为2m*2n的流量图；在后一层设置实例正则化对预测结果整体进行一次调整；

S33：反复叠加特征提取—扩展预测子模块三次，子模块的可变形卷积核设置为8维，尺寸为2*2，步长设置为1；区域辐射性交通流量预测模型最后一层采用维度为2，尺寸为2*2的普通卷积对流量预测图进行输出双通道流量图的细节信息。

5.根据权利要求4所述的区域辐射性交通流量预测方法，其特征在于，所述S32中的卷积操作如下：

其中，po为输出特征图y(po)的任意一个像素位置，pn为R中位置的枚举，可变形采样点是常规采样经过偏移Δpn得到的，R为采样区域。

6.根据权利要求4所述的区域辐射性交通流量预测方法，其特征在于，所述S32中实例N×C×H×W

正则化的方法：对于x∈R ，对每个样本的H和W维度上的数据求均值和标准差，保留N和C维度，只求均值和标准差，计算公式为：其中，C表示通道数，H、W分别表示特征图的高度、宽度，N代表样本数，n∈N h∈H c∈C w∈W。

7.根据权利要求1所述的区域辐射性交通流量预测方法，其特征在于，所述S4中，预测流量图与实际流量图的误差，即真实结果与预测结果之间的距离，用MSE作为损失函数来衡量，

其中，zi是真实流量值，是预测流量值，M是城市区域网格数量。