1.一种基于骑行上下文信息的共享单车流量预测方法，其特征在于：包括如下步骤：S100：引入的上下文特征，将共享单车流量预测转化为求T时刻对应的流量 的问题，问题转化的过程为：S110：将所有的历史观测值分为3个部分：Shour，Sday，Sweek；

当特征窗口w为1hour时，时间步长T＝3时，即以w为单位，T为长度进行采样，获得历史数据作为特征；

当特征窗口w为24hour时，时间步长T＝3时，即获取要预测时段的前3天的历史流量数据作为特征；

当特征窗口为148hour时，时间步长T＝3时，即获取要预测时段的前3周的历史流量数据作为特征；

公式(1)表示如下：

S＝[Xt‑Tw，Xt‑(Tw‑1)...Xt‑1]         (1)；

当w取值为1小时、24小时、148小时时，S分别记为Shour，Sday，Sweek；

S120：引入的上下文特征，上下文特征用E表示，如(2)所示：E＝{weather，windspeed，pressure，day of week，hour of day}    (2)；

则t时刻所对应的输入特征为

S130：共享单车流量预测问题定义为：输入时间步长T内的所有输入和部分观测序列{y1，y2...yT‑1}，求T时刻对应的流量 公式如(3)所示：

S200：输入信息 使用LSTM网络作为编码器，计算得到隐藏层向量{h1，h2...hT}，具体步骤包括：

设编码器的输入为 在LSTM网络中，当前时间t的隐藏状态是由上一时间的状态ht‑1和当前时间的输入xt共同决定的，则根据公式(4)得到编码器中的隐藏状态：ht＝f1(ht‑1，xt)            (4)；

编码器逐个读入输入的历史流量观测数据 将其编码为一个隐藏状态序列{h1，h2...hT}，这些隐藏状态中包含了原始输入数据的特征信息，通过规则q共同构成语义向量C，供解码器使用；

所述S200使用LSTM网络作为编码器时加入了注意力机制，将隐藏向量序列{h1，h2...hT}以加权的形式累加，如公式(7)所示：此时的编码器会将输入信息编码成一个语义向量序列{C1，C2...CT}，每一个语义向量都包含对该时刻流量预测结果更为重要的特征信息；

S300：计算每一个隐藏层向量与st‑1的注意力得分，对所有注意力得分使用激活函数softmax得到注意力权重，所有注意力权重的总和为1；

使用LSTM网络作为解码器进行解码，在解码时根据输出对应的语义向量Ct进行解码；

计算注意力得分的步骤如下：

其中， 表示每一个隐藏层向量与st‑1计算得到注意力得分，W表示权重矩阵；

对所有注意力得分使用激活函数softmax得到注意力权重的过程如下：其中， 表示t时刻输入隐藏层状态中的注意力权重；

S400：LSTM网络作为解码器，通过对得到的语义向量序列{C1，C2...CT}进行解码，得到最终的预测结果，LSTM作为解码对得到的语义向量序列{C1，C2...CT}进行解码的过程如下：st＝f2(st‑1，U[yt‑1；Ct‑1]+b)       (10)；

其中，yt‑1是t‑1时刻对应的观测值，即t‑1时刻对应的共享单车流量，Ct‑1是t‑1时刻对应的语义向量，包含与t‑1时刻流量预测值最为相关的输入特征信息；[yt‑1；Ct‑1]表示将二者进行拼接，同t‑1时刻对应的隐藏层状态一起作为LSTM网络的输入，f2即表示通过LSTM模型进行计算，U和b是网络中需要学习到的参数；

利用公式(11)得到最终的预测结果， 是T时刻所对应的流量预测值，V、W、bw和bv都是网络中需要学习到的参数，sT对应T时刻解码器的隐藏层状态，CT为T时刻对应的编码得到的语义向量。