1.面向出行链路提取的车辆行程时间预测方法，其特征在于，包括以下步骤：步骤S1、获取出租车的车辆轨迹数据，随后提取交通主题链路及其分类；

步骤S2：构建NGO‑Attention‑ConvLSTM的车辆出行链路行程时间预测模型；

步骤S3、提取交通主题链路的结果，并得到所预测的车辆出行链路的行程时间；

步骤S1的出租车的车辆轨迹轨迹，Traj数据，是记录出租车在某一时间段内的位置信息的数据，它包括出租车的空载轨迹点和载客轨迹点；

出租车轨迹数据集中有若干条轨迹，即

Traj＝{Traj1,Traj2,...,Trajn} (1)(1)式中Traji表示第i条轨迹；

一条轨迹Traj中是有多个轨迹点，x1,x2,...,xn，组成的，其中，一个轨迹点xi是出租车在行驶过程中，GPS设备采集得到的位置数据点，这些数据点包括车辆标识id、经度lng、纬度lat、时间time、载客状态flag，表示为：xi＝(idi，lngi，lati，timei，flagi)；

根据出租车的行驶轨迹和出租车的载客状态来判断并提取出租车的上下客点，提取上下客点之间的链路信息；

首先根据GPS数据中的时间戳和位置信息，构建出出租车的行驶轨迹，并从中提取出各个轨迹点之间的链路，具体步骤如下：当出租车的载客状态flag由0变为1时，表示出租车将开始载客，将该条信息作为出租车的上客点；

当出租车的载客状态flag由1变为0时，表示出租车载客结束，将该条信息作为出租车的下客点；

根据预处理后的GPS数据，使用公式(2)分析采样点之间的空间关系，以估计未知点Yu的位置，并构建出租车的行驶轨迹Traj；

在行驶轨迹Traj上提取相邻轨迹点之间的链路，设定一个时间阈值t，如果两个轨迹点之间的时间间隔小于该阈值t，则认为这两个轨迹点之间存在链路；

式中，Yu是未知点的值，Yi是已知点的值，Xi是对已知点的权重，ri是已知点与未知点之间的距离；

步骤S1中提取交通主题链路的方法基于相似度进行，具体包括：首先，对输入的轨迹坐标进行预处理，将S经纬度坐标转换为切平面坐标(x，y，z)，再将切平面坐标(x，y，z)转换为笛卡尔坐标系下的坐标数据(X，Y，Z)，将经度转为弧度制并除以地球半径，得到一个单位为弧度的小于1的数值，将纬度直接转换为弧度制；

接下来，计算两个轨迹上每个点之间的经纬度距离，对于每个轨迹上的点i和j，使用欧式距离公式，即式中，xi和yi是点i的笛卡尔坐标，xj和yj是点j的笛卡尔坐标；

然后计算每个点对整个轨迹的贡献度，根据贡献度计算两个轨迹之间的相似度，对这些距离进行加权求平均，再计算两个轨迹之间的相似度，最后，输出两个轨迹之间的相似度，遍历所有链路，统计上下客点之间各条出行链路行走的次数，提取出出行次数大于阈值的出行链路；

计算轨迹点对整个轨迹的贡献度的公式：

计算两个轨迹之间相似度的公式：

式中，n是轨迹上的点的数量，d(i，j)是轨迹点i和j的距离；

先确定OD点的分区，提取出行需求多的OD点，按照轨迹的相似度提取OD分区之间的路径，提取每个OD分区之间出行最多的交通主题链路；

步骤S1中的交通主题链路的分类方法基于出行目的以进行，所述分类方法如下：首先，对出租车GPS数据提取上下客点，对上下客点进行聚类得到载客热点，接着，爬取以载客热点为圆心固定半径的POI数据，选择占比多的POI类型作为载客热点的类型，将载客热点区域作为出行链路的起终点，将起终点的类型划分为住宅类、办公类、生活服务类和学校四种类型；

将出行链路按照起终点的属性特征分为从住宅到公司、住宅到学校、住宅到生活服务、从学校到公司、学校到生活服务，以及各往返的链路。

2.根据权利要求1所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，步骤S2中的所述模型包括：输入层，用于将接受的原始序列数据转换为模型可读的形式；

卷积层，用于提取输入数据中的局部特征，卷积层可以包含多个卷积核，每个卷积核对应一个不同的特征；

LSTM层，具有多个LSTM单元，每个LSTM单元由输入门、遗忘门、输出门组成，用于捕捉输入数据中的长期依赖关系；

北方苍鹰优化算法，用于优化ConvLSTM层的参数；

Attention机制，用于对不同时间步长的信息进行加权，以帮助模型在预测时关注到更重要的信息；

全连接层，用于将Attention‑ConvLSTM的输出进行全连接处理，以获得最终的预测结果；

输出层，用于将全连接层的预测结果转变为时间序列数据中的某个数值。

3.根据权利要求2所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，所述北方苍鹰优化算法主要分为两个阶段：全局搜索阶段和局部搜索阶段；

全局搜索阶段：在这个阶段，北方苍鹰用于在搜索空间中随机选择一个猎物，然后迅速攻击它；

这一过程用数学模型来描述，如式(6)为位置更新，式(7)为速度更新，其中猎物代表优化问题中的目标函数，北方苍鹰则需要在搜索空间中寻找使目标函数最小化的解；

xt+1＝xt‑a*(b‑xt) (6)

vt+1＝vt‑c*(w‑vt) (7)

式中，a和c是加速系数，b是猎物位置，w是苍鹰位置，xt是当前苍鹰的位置，vt是当前苍鹰的速度；

局部搜索阶段：在成功攻击猎物后，北方苍鹰会进入局部搜索阶段；采用模拟退火的方法，设置一个温度参数T，每次迭代中，苍鹰会根据Metropolis准则，以决定是否接受新的位置；公式可以描述为：式中，n是验证集样本数量，y_i是实际行程时间，y_pred_i是模型预测的行程时间，MSE是Attention‑ConvLSTM模型在预测行程时间与真实值的均方误差，xnew和xold是新的和旧的位置，T是温度。

4.根据权利要求3所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，卷积层和LSTM层的公式为：it＝σ(Wxi*ht‑1+bi) (10)

ft＝σ(Wfh*ht‑1+bf) (11)

ot＝σ(Who*ht+bo) (12)

ht＝σ(Wch*xt+bc) (13)

式中：it是输入门的输出，ft是遗忘门的输出，ot是输出门的输出，ht是卷积层的输出，Wxi、Wfh、Who、Wch分别是输入门、遗忘门、输出门、卷积层的权重矩阵，ht是当前时刻的隐藏状态，ht‑1是上一时刻的隐藏状态，bi、bf、bo、bc分别是输入门、遗忘门、输出门、卷积层的偏置向量，σ是sigmoid激活函数，*是卷积运算。

5.根据权利要求4所述的面向出行链路提取的车辆行程时间预测方法，其特征在于，在ConvLSTM模型中引入注意力机制，以使模型关注输入数据对预测有用的特征，对不同空间位置和特征通道进行加权；

在所述注意力机制中，将每个ConvLSTM的输出序列[ht‑s+1，...，ht‑1，ht]作为Attention机制的输入序列，对每个输入序列的位置都会计算一个注意力权重[αt‑s+1，...，αt‑1，αt]，最后，将这些权重与对应的输入值相乘，再将乘积结果进行求和，得到一个表示整个输入序列的向量[Ht‑s+1，...，Ht‑1，Ht]，公式如(14)‑(16)；

ct＝Ws*tanh(Wxa*Xt+Wha*ht+ba) (14)式中：W为卷积核权重，X为输入特征，h为ConvLSTM的输入序列，ba为偏置项，ct为计算每个特征区域的注意力系数的中间值，αt为注意力权重，H为加权求和的输出序列。

6.面向出行链路提取的车辆行程时间预测装置，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时，实现权利要求1‑5中任一项所述的方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被执行时，实现权利要求1‑5中任一项所述的方法的步骤。