1.一种基于bp神经网络的轨道交通短时客流预测方法，其特征在于：具体包括以下步骤：

(1)聚类分析

(1.1)对原始数据进行预处理；

(1.2)通过计算不同日期类型之间的距离计算预处理后数据的相异度；

(1.3)根据计算的相异度进行聚类，把距离最小的两类分割合并，直到所有分割合并为一个分割；

(1.4)绘制聚类谱系图，进行聚类分析；

(2)客流周期性分析

(2.1)客流时间特性周期性分析；

(2.2)客流空间特性周期性分析；

(2.3)客流时空特性周期性分析；

(3)根据聚类分析和客流周期性分析的结果进行特征因子提取；

(4)选取BP神经网络参数与相关函数，确定BP神经网络的初始权值和阈值。

2.根据权利要求1所述的一种基于bp神经网络的轨道交通短时客流预测方法，其特征在于：

步骤(1.1)所述的对原始数据进行预处理，具体是对不同工作日的原始数据客流量进行标准化：

式中Sj为样本标准偏差，x为数据集的特征点。

3.根据权利要求2所述的一种基于bp神经网络的轨道交通短时客流预测方法，其特征在于：步骤(1.2)所述的对预处理后的数据计算相异度，具体如下：采用欧几里得距离作为相异度的数量指标：式中d(xi,xj)为对象间的相异度通常用向量间的距离。

4.根据权利要求3所述的一种基于bp神经网络的轨道交通短时客流预测方法，其特征在于：步骤(2)所述的客流周期性分析，具体如下：(2.1)客流时间特性周期性分析采用一个一维时间序列来描述一个站点的进/出站客流量，将各站点进出站客流在一天内的分布情况分为单峰型、双峰型、全峰型、凸峰型和无峰型五种；

单峰型分布是指车站在一天的运营时间内出现一个进站高峰和一个出站高峰；

双峰型分布是指城市轨道交通客流在早晨7点至9点间因通勤、通学形成交通早高峰，傍晚17点至19点因下班、放学形成交通晚高峰，其他时段内客流变化不大，属于客流平峰；

全峰型分布是无分明的客流低谷，全天每个时段内的客流量都较大；

无峰型分布的客流分布无明显的高峰，由于周边环境对客流的吸引力不足，导致车站全天进出站客流都较小；

凸峰型分布都出现在举办大型活动场所附近；

(2.2)客流空间特性周期性分析从空间维度对城市轨道交通的客流进行分析，分析同一时间段内不同车站或不同断面的客流情况；车站客流是指单位时间内站点上下车客流和换乘客流的总和；采用一个n维序列描述某个时段内n个站点的客流量；

断面客流是指单位时间内通过城市轨道交通线路各区间的在车客流量，根据列车的运行方向的不同，将其分为上行断面客流量和下行断面客流量；

(2.3)客流时空特性周期性分析客流数据在时间和空间两个维度上同时变化，且呈现一定的规律性，通过构建一条含n个站点的独立的城市轨道交通线路来展示客流的时空特性；所述短时客流预测是根据已收集到的客流数据，分析其中的变化规律及客流数据内部存在的联系，推算出下一个或多个时间段内的各站点的进出站客流，即根据矩阵F的前m列的数据来预测第(m+△t)列的客流数据，其中1≤m≤h，△t为时间段间隔，矩阵F为通过组合各车站的历史进/出站客流数据获得的多维客流矩阵，h为矩阵的列数。

5.根据权利要求4所述的一种基于bp神经网络的轨道交通短时客流预测方法，其特征在于：每个乘客存在一对出行起讫点，即OD对；在第t时间段内从Sn站出站的客流一定是由其他车站之前时段的部分进站客流组成，而这一时段由列车在两个站点间的运行时间决定，即在第t时间段内从Sn站出站的客流将与第Ti时间段内Sj站进站客流有关，其中1≤j≤n‑1，Tj的表达式如下式所示，晚于Tj时段的Sj站的进站客流无法在第t时间段内从Sn站退出轨道交通系统，通过组合各车站的历史进/出站客流数据获得一个大小为[Sj×(h+1)]的多维客流矩阵，如下式所示：

矩阵F的每一行都反映了各站点在时间维度上的客流特性，矩阵F的每一列则从空间维度上表示了同一时间下不同站点的客流特性，由此可见，上式同时反映出城市轨道交通客流的时空特性。

6.根据权利要求5所述的一种基于bp神经网络的轨道交通短时客流预测方法，其特征在于：步骤(3)所述的根据聚类分析和客流周期性分析的结果进行特征因子提取，具体如下：

通过对站点进行聚类分析，将站分为5类，每一类选取一个站点各时段客流量作为BP神经网络的样本集，将5类的数据集合作为BP网络模型的输入数据；

首先根据时间邻近性特征，选取当前时刻前三个时段的客流量分别作为影响因子，通过对客流周期性分析得出天与天之间具有周期性、周与周之间具有周期性，从而选出当前时段前一天同一时间段的客流量以及当前时段前一周同一时段的客流量作为影响因子；考虑到前一天同一时间段的客流量也受其前一时间段客流量的影响，所以把这一客流量也纳入影响因子集合中，同理对前一周同一时间段的前一时间段客流量纳入影响因子集合中；

另外节假日往往比非节假日有较多的客流量以及工作日与周末之间客流量大小与客流量时间分布特征不同，所以，添加当天为工作日、周末、节假日中的哪一种做为一个影响因子；

在选取影响因子之后，通过随机森林算法对影响因子对结果的重要度进行排序，去除重要度小的因子，选取重要度大的因子作为BP网络模型的最终影响影响因子集。

7.根据权利要求6所述的一种基于bp神经网络的轨道交通短时客流预测方法，其特征在于：选取BP神经网络参数与相关函数，具体包括：隐含层数的确定、隐含节点数的确定、传递函数的确定、学习速率的确定、迭代次数的确定和梯度下降算法选择。

8.根据权利要求7所述的一种基于bp神经网络的短时客流预测方法，其特征在于：所述的隐含层数为一层；所述的隐含节点数为24个；所述的传递函数为Sigmoid型函数；所述的学习速率为0.01；所述的迭代次数为60000；所述的梯度下降算法为Adma算法。