1.一种基于动态多视图耦合图卷积的城市出行需求预测方法，其特征在于，所述基于动态多视图耦合图卷积的城市出行需求预测方法，包括：获取城市中各个区域的地理位置数据、POI数据和道路数据，以各个区域为节点构建地理相似图、功能相似图和道路相似图；

以单位时间为间隔，获取城市中每个区域在各个单位时间内的出行需求数据，得到每个单位时间对应的特征矩阵，并构建动态需求相似图；

将特征矩阵分别与动态需求相似图、地理相似图、功能相似图和道路相似图的邻接矩阵输入到对应的耦合图卷积模块，得到各相似图对应的空间特征，将各相似图对应的空间特征进行融合，得到融合空间特征；

对各个单位时间对应的融合空间特征分别采用门控循环单元提取时间相关特征，然后通过注意力层提取时间相关特征与外部特征之间的注意力分数，以注意力分数为权重，对所有单位时间对应的时间相关特征进行加权求和，得到最终预测结果；

其中，所述通过注意力层提取时间相关特征与外部特征之间的注意力分数，采用公式表示如下：α＝softmax(ReLU(UWU+EWE+bα))；

其中，U表示所有单位时间对应的时间相关特征，E表示外部特征，WU、WE和bα表示权重参数，α表示注意力分数向量。

2.根据权利要求1所述的基于动态多视图耦合图卷积的城市出行需求预测方法，其特征在于，所述地理相似图表示为 其中V表示图中节点的集合，Eg表示节点间边的集合，Ag表示图 的邻接矩阵，Ag中每个元素表示两个节点间是否相邻；

Ag中任一元素Ag(i,j)表示为：

所述功能相似图表示为 其中V表示图中节点的集合，Ep表示节点间边的集合，Ap表示图 的邻接矩阵，Ap中每个元素表示两个节点间的POI分布相似性；

Ap中任一元素Ap(i,j)表示为：

Ap(i,j)＝1‑JS(Pi||Pj)；

其中， 表示区域i和区域j的POI分布，K表示POI类型数量,Pi(k),Pj(k)分别表示区域i和区域j内类型为k的POI数量；

所述道路相似图表示为 其中V表示图中节点的集合，Er表示节点间边的集合，Ar表示图 的邻接矩阵，Ar中每个元素表示两个节点间道路特征的相似性；

Ar中任一元素Ar(i,j)表示为：

Ar(i,j)＝1‑JS(Ri||Rj)；

其中， 表示区域i和区域j的道路分布，L表示道路特征数量，Ri(l),Rj(l)分别表示区域i和区域j内具有特征l的道路数量；

所述动态需求相似图表示为 其中V表示图中节点的集合，Ed表示节点间边的集合，Ad表示图 的邻接矩阵，Ad中每个元素表示两个节点间出行需求的相似性；

Ad中任一元素Ad(i,j)表示为：

Ad(i,j)＝1‑JS(Xi||Xj)；

其中，Xi(m),Xj(m)分别表示区域i和区域j第m个特征，M表示需求特征数量。

3.根据权利要求1所述的基于动态多视图耦合图卷积的城市出行需求预测方法，其特征在于，所述特征矩阵包括各个节点在单位时间内的出发需求和到达需求。

4.根据权利要求1所述的基于动态多视图耦合图卷积的城市出行需求预测方法，其特征在于，所述基于动态多视图耦合图卷积的城市出行需求预测方法，还包括：通过区域与城市网格的映射矩阵，将预测结果转化为网格形式，得到各个区域的预测结果。