1.基于时空有向图卷积网络的出租车载客点推荐方法，包括如下步骤：(1)表示轨迹时空图。用基于有向图的表示来代替传统的表示方法，将包含特征属性即兴趣点的上客点或者下客点作为节点，用有向边表示上客点指向下客点。

形式上，将时序上下客点间用有向带权边连接，构建为每一辆出租车的时空图，时空图由加权有向图 表示：

其中 vi代表一个上客点或者下客点，并且ε＝{eij}，每条边eij代表vi和vj之间的相关性。 是 的加权邻接矩阵，边aij的权重代表vi和vj之间的关联度。

s11.构建空间维度上的有向边。在空间维度上，边表示上游和下游部分的连接；

s12.构建时间维度上的有向边。此时，有向边的具体定义是，前一时刻指向同一上客点或者下客点的下一时刻。

(2)基于步骤(1)的分析与计算结果，根据轨迹时空图的表示，进行计算任务的分配，具体计算过程如下：

在云服务器构建完总时空图之后，需定义相邻节点之间边权重的计算公式以保证节点在时空两个维度上的不同特征可以使用同一个分析框架进行处理。使用灰色关联分析法确定节点间的关联度，以此作为边与边之间的权重。具体包括：s21.分别确定时空两个维度的分析对象。同时将分析对象分为两部分：参考对象(评价标准)和比较对象(评价对象)。在空间维度上，参考对象是上客点，比较对象为与该上客点直接相连的下客点。其中每一类对象中都包括了POI和距离信息。在时间维度上，参考对象为当前时刻下指定的上下客点，比较对象为前/后时刻同一上下客点，其中每一类对象中都包括了不同时间粒度(分、小时、天、周等)下的GPS分布；

s22.将上述数据中的多维特征进行无量钢化(归一化)处理。由于在时空维度上，各维度数据的物理意义均不相同，因此数据的量纲也不相同且难以直观地进行比较。针对时空维度下的每一比较对象，采用参考对象定义多维信息的缩放比例，将各个维度数据的数值落在0～1之间，如下所示：

其中 为比较对象的均值， 为参考对象的均值，σ为标准差。

因此，xc可以标准化，公式如下：其中

s23.进行差异分析。逐个计算每个比较对象与参考对象的对应维度上绝对值差△(k)，公式如下：

其中xc(k)为比较对象在第k个维度下的值，μr(k)为参考对象在第k个维度下的值。

s24.计算灰色关联度系数，公式如下：其中ρ∈[0,1]为识别系数， 表示最小值函数， 表示最大值函数，i表示参考对象，j表示比较对象。

s25.计算灰色关联度，公式如下：aij＝∑wkξij(k)        (6)其中wk代表自定义权重。

s26.构建和分配子任务。服务器需要利用前述的关联度，定义两个参数K(最大跳数)和N(子图节点数)来构造子图。如果设定K，节点数小于N则添加关联度为0的节点；如果节点数大于N则需要删除部分节点，首先需要计算子图中所有其他节点与目标节点的关联度，公式如下：

ait＝max{ai(i+1)·a(i+1)(i+2)…a(t‑1)t}      (7)其中节点i到目标节点t至少有一条可达路径:P＝[ai(i+1),a(i+1)(i+2),…,a(t‑1)t].

然后对所有其他节点i到目标节点t的关联度进行排序，依次删除关联度最小的点。

基于上述步骤，云服务器以每个载客点为中心构建的子图，并将它们作为子任务分配给对应区域的路侧单元。

(3)路侧单元采用时空有向图卷积网络提取时空图特征并对载客点进行推荐，包括：输入层、STDCN层、Dropout层、Embedding层、Softmax层和输出层。具体计算过程如下：s31.为了更有效地提取特征，将邻接矩阵镜像为图结构矩阵 具体公式如下：其中 是邻接矩阵。

s32.定义 作为特征矩阵。其中N代表载客点的数量，M代表POI的属性；

s33.利用STDCN执行卷积操作来捕获特征。每个子图都做作为输入馈送到STDCN，公式如下：

(l) (l)

其中l代表层索引， 代表邻接矩阵的对称矩阵。W 代表第l层的权重矩阵。H 代表第l层的输入矩阵， 代表神经网络的原始输入。ReLU(·)表示激活函数；

s34.为了减少离散变量的空间维度，同时仍然有意义地表示该变量，使用了嵌入层，公式如下：

c

Linear(·)＝WLH       (10)其中WL表示线性层的可训练权重矩阵，c表示时空有向图卷积网络的循环次数。

s35.对于一个位置是否是载客点进行分类，使用Softmax函数作为激活函数，公式如下：

其中 是前一层的输出和Softmax函数的输入，yi是第i个预测对象属于该类(上客点、下客点、都是或者都不是)的概率。

并且使用交叉熵作为损失函数，公式如下：其中ti是第i个对象的真实值。

s36.将s35中得到的所有载客点信息广播给该区域的出租车，完成云边协同下的载客点的推荐。

2.实施权利要求1所述的基于时空有向图卷积网络的出租车载客点推荐方法的系统，其特征在于：包括依次连接的轨迹时空图标识模块、计算任务分配模块、时空图特征提取和对载客点推荐模块；

轨迹时空图标识模块，用基于有向图的表示来代替传统的表示方法，将包含特征属性即兴趣点的上客点或者下客点作为节点，用有向边表示上客点指向下客点；

计算任务分配模块，基于轨迹时空图标识模块的分析与计算结果，根据轨迹时空图的表示，进行计算任务的分配；

时空图特征提取和对载客点推荐模块，路侧单元采用时空有向图卷积网络提取时空图特征并对载客点进行推荐，包括：输入层、STDCN层、Dropout层、Embedding层、Softmax层和输出层。