1.一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：包括以下步骤：步骤1、获取某城市一段时间内的出租车出行记录数据，并对数据进行预处理，得到具有时空特征的出行需求数据集；

步骤2、选取卷积神经网络和时间卷积神经网络作为基础模块，设计出行需求预测的深度学习网络模型；

步骤2.1、构建时间卷积神经网络提取出行需求数据的时间特征；

步骤2.2、构建卷积神经网络提取出行需求数据的中间状态张量Hwo的空间特征；

步骤3、将卷积神经网络和时间卷积神经网络进行多次融合，得到多个时空特征提取层，堆叠多个时空特征提取层提取出行需求数据的时空特征；

步骤4、将多个时空特征提取层最终输出的时空特征输入全连接层，全连接层的输出作为深度学习网络模型的出行需求预测结果；

步骤5、设计峰值敏感型损失函数，并利用训练集中的出行需求数据和SGD算法对深度学习网络模型进行训练及优化；

步骤6、获取该城市一段时间内的出租车记录数据，并对数据预处理后输入优化好的深度学习网络模型，实现对该城市未来一段时间内的出行需求进行预测；

所述步骤3的具体方法为：

步骤3.1、将时间卷积神经网络和卷积神经网络进行多次融合，得到多个时空特征提取层，每次融合得到的时空特征提取层，如下公式所示：F′LAYER(h)＝fc*cf*tFLAYER(h)其中，F′LAYER(h)为第h个时空特征提取层的输出，FLAYER(h)为第h个时空特征提取层的输入，fc，f分别为卷积核和时间卷积核，*c，*t分别表示卷积操作和时间卷积操作；

步骤3.2、堆叠多个时空特征提取层，使时空特征提取层之间的信息依次向下一层传递，获取高阶邻居时空特征；所述时空特征提取层之间的信息依次向下一层传递，如下公式所示：FLAYER(h+1)＝σ(F'LAYER(h))

其中，FLAYER(h+1)为第h+1个时空特征提取层的输入；

所述步骤5设计的峰值敏感型损失函数，如下公式所示：

其中， 为峰值敏感型损失函数，表示深度学习网络模型的预测值和真实值之间的损失，yi表示出行需求训练集中第i个出行需求的标签值，即出行需求的真实值， 表示深度学习网络模型预测的出行需求训练集中第i个出行需求预测值，T表示整个出行需求训练集中出行需求样本总数，符号 表示按位乘，α为一个超参数，用于微调峰值代价。

2.根据权利要求1所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：所述步骤1的具体方法为：步骤1.1、下载某城市一段时间内的出租车出行记录数据作为出行需求数据集，并对出行需求数据集中的出行需求数据进行标准化处理，如下公式所示：其中，x表示出行需求数据，x'表示标准化之后的出行需求数据；

步骤1.2、将出行需求数据集所在城市划分为nxn的网格区域；

步骤1.3、向网格区域内的出行需求数据集中加入时间特征构建三维时空输入张量；

步骤1.4、将网格区域一段时间内所有的出行需求数据按照一定比例划分为训练集和测试集。

3.根据权利要求2所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：步骤2.1所述时间卷积神经网络包括输入单元、输出单元和时间卷积核构成，如下公式所示：[PQ]＝f*Xwi

Hwo＝P·σ(Q)

其中，[PQ]为时间卷积神经网络的输出，在时间卷积神经网络中将输出张量从通道维等分为P和Q，P,Q的尺寸相等，Xwi是wi个时间步的输入张量，Hwo是时间卷积神经网络输出的wo个时间步的中间状态张量，f是时间卷积神经网络的卷积核，卷积核的宽度为K，wo＝wi‑K+1，σ为RELU激活函数。

4.根据权利要求3所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：步骤2.2所述卷积神经网络的卷积核的尺寸为超参数。