1.一种基于张量‑矩阵耦合的地铁客流量预测方法，其特征在于，包括如下步骤：步骤1、获取地铁客流量数据、兴趣点数据、天气状况数据；

步骤2、构建基于张量‑矩阵耦合分解的地铁客流量预测模型；

步骤3、采用交替方向乘子法求解最优化模型，获得未来某个时间间隔内的地铁客流量预测值。

2.根据权利要求1所述基于张量‑矩阵耦合的地铁客流量预测方法，其特征在于，所述步骤1中，根据地铁刷卡数据中包含的乘客票卡号、交易时间、交易站点、交易类型信息提取不同地铁站点之间的客流量数据，将获取的地铁客流量数据定义为地铁客流量矩阵序列，其中 是时间间隔， 为地铁站的数量； 中的元素 表示第 个时间间隔从第个地铁站到第 个地铁站的客流量；将地铁客流量矩阵的对角线元素设为0；

使用网络爬虫技术从高德地图APP中抓取地铁站点一公里范围内的不同兴趣点的数据，将获取的兴趣点数据定义为兴趣点矩阵 ，其中 为兴趣点的种类个数； 中的元素 表示第 个地铁站周围第 种兴趣点的个数；兴趣点包含学校、医院、商场、办公楼、住宅区；

使用网络爬虫技术抓取天气网站上的天气状况数据，将天气状况数据定义为天气特征矩阵 ，其中 为时间维度，为天气状况种类的个数； 为一个二元指示矩阵，其中元素如下式所示： (1)；

其中， 表示第 个时间间隔的第 种天气情况。

3.根据权利要求2所述基于张量‑矩阵耦合的地铁客流量预测方法，其特征在于，所述步骤1中，将地铁客流量矩阵序列 引入时间维度 并扩展为三阶地铁客流量张量 ，其中 ，为天数。

4.根据权利要求3所述基于张量‑矩阵耦合的地铁客流量预测方法，其特征在于，所述步骤2构建基于张量‑矩阵耦合分解的地铁客流量预测模型的具体过程为：步骤2.1、将三阶地铁客流量张量 使用张量分解算法分解为三个秩一张量和的形式，表示为 ，其中 、 、 均为 的因子矩阵，是张量分解算法分解的秩，表示外积运算；将张量 沿第一模展开的矩阵为，此时张量分解算法分解的表达式简化为 ，其中符号 为Khatri‑Rao积，为转置符号；

步骤2.2、将兴趣点矩阵 使用矩阵分解算法分解为两个小维度的矩阵，表示为 ，其中 、 均为 的因子矩阵；

步骤2.3、将天气特征矩阵 使用矩阵分解算法分解为 ，其中、 均为 的因子矩阵；

步骤2.4、将兴趣点矩阵、天气特征矩阵与地铁客流量张量分别在地铁站点维度和时间维度上进行耦合，分解时共用相应的因子矩阵，即 、 ，以下均用 、表示；

因此，基于张量‑矩阵耦合分解的地铁客流量预测模型的目标函数表示为： (2)；

其中， 表示初始地铁客流量张量与张量分解算法分解得到的重构张量之间的平方误差； 表示初始兴趣点矩阵与张量分解算法分解得到的重构矩阵之间的平方误差； 表示初始天气特征矩阵与张量分解算法分解得到的重构矩阵之间的平方误差；

步骤2.5、在目标函数中加入正则化项，基于张量‑矩阵耦合分解的地铁客流量预测模型优化为： (3)；

其中， 表示因子矩阵集合； 、 、 均是正则化参数。

5.根据权利要求4所述基于张量‑矩阵耦合的地铁客流量预测方法，其特征在于，所述步骤3的具体过程为：根据公式(4)‑公式(8)对 、 、、、五个因子矩阵进行更新迭代，直到达到设定的最大迭代次数停止，得到因子矩阵 、、 的最优解；最后通过计算公式得到补全缺失数据后的张量，即得到未来某个时间间隔 内的地铁客流量的预测值；

(4)；

(5)；

(6)；

(7)；

(8)；

其中， 为因子矩阵 第 次迭代后的值； 为因子矩阵 第 次迭代后的值；

为单位矩阵； 为因子矩阵 第 次迭代后的值； 为因子矩阵 第 次迭代后的值； 为因子矩阵 第 次迭代后的值； 为因子矩阵 第 次迭代后的值；

为因子矩阵 第 次迭代后的值； 为张量 沿第二模展开的矩阵； 为因子矩阵 第 次迭代后的值； 为张量 沿第三模展开的矩阵。