1.一种基于土地利用混合度的网约车出行需求预测方法，其特征在于，包括以下步骤：S1、获取多源地理空间数据和网约车订单数据；

S2、对网约车订单数据进行预处理；

S3、对研究区域建立栅格单元，计算栅格面积，统计每个栅格内不同时间段的网约车订单量，基于多源地理空间数据得到建成环境指标，建成环境指标包括密度指标和土地利用混合度；

S4、将建成环境指标作为自变量，网约车订单数据作为因变量，建立多尺度时空地理加权回归模型；

S5、采用反向拟合算法对模型进行校准，采用校准后的模型对网约车出行需求进行预测；

所述S3中，对城市POI数据进行重分类，分为居住区、政府机构、科研、文化、教育、体育休闲、医疗保健、购物、餐饮、商务金融、公司企业、公交站点、交通枢纽、公园、广场，以每个栅格中心为原点创建缓冲区，缓冲区半径不低于栅格边长大小，统计落在缓冲区内POI种类的数量，并带入信息熵中计算得到土地利用混合度，表达式为： (1)；

其中， 为第 个POI类型在栅格中所占的比例， 为栅格中POI类型总数；

将建成环境指标作为自变量，网约车订单数据作为因变量，建立多尺度时空地理加权回归模型，表达式为： (2)；

其中，为因变量，即网约车出行需求数据， 表示基于特定空间带宽和时间带宽的第 个自变量的估计系数； 为截距， 为第 个采样点的坐标， 为第个采样点的空间位置坐标，为采样点 的时间坐标， 为第 个自变量，即建成环境指标，，为随机误差项；

模型中估计 的形式如下：

 (3)；

其中， 为权重矩阵，为解释变量；

求权重矩阵 时，采用的核函数为高斯函数，表达式为： (4)；

式中， 为 的权重， 为第 个采样点到第 个回归点的时空距离，为时空带宽；

采用AICc准则选择最优带宽，赤池信息准则修正值 是衡量模型拟合优良性的标准， 值越低，模型拟合情况越好，表达式为： (5)；

式中，是误差项的估计标准差， 是帽子矩阵 的迹，为样本量；当 最小时，即为最优带宽；

MGTWR的收敛准则为：连续迭代之间的差异足够小时迭代结束，采用变化值 来体现前后相邻迭代之间的差异，当 时迭代终止， 表达式为：(7)；

式中， 为第 +1 轮迭代中的加法项， 为第 轮迭代中的加法项，为迭代次数。

2.根据权利要求1所述的一种基于土地利用混合度的网约车出行需求预测方法，其特征在于，所述多源地理空间数据包括城市POI数据、路网数据、Worldpop人口数据，所述网约车订单数据包括订单起始点时间和位置信息。

3.根据权利要求2所述的一种基于土地利用混合度的网约车出行需求预测方法，其特征在于，所述S2包括以下子步骤：S201：剔除订单数据中起始时间为空的数据；

S202：剔除运行时长低于1分钟的数据；

S203：剔除不在研究区域内的订单数据。

4.根据权利要求3所述的一种基于土地利用混合度的网约车出行需求预测方法，其特征在于，所述S3中，所述密度指标包括人口密度、路网密度、交通设施密度、居住区密度、公共管理与服务密度、商业服务密度、绿地与开敞空间密度和公司企业密度。

5.根据权利要求4所述的一种基于土地利用混合度的网约车出行需求预测方法，其特征在于，采用反向拟合算法进行模型校准，多尺度时空地理加权回归模型本质上是一种广义加性模型，因此采用最大化对数似然的反向拟合算法用于校准，多尺度时空地理加权回归模型的GAM形式为；

 (6)；

式中，为响应变量，是第 个解释变量的平滑函数，为误差项，解释变量总数；

模型校准过程包括以下子步骤：

S51、对所有加法项 设定初始值，为 ，则对应的误差项为 ；

S52、对初始化的 和 ， 和 结合 进行MGTWR模型回归分析，计算对应的时空带宽 ，从而对 进行更新，记为 ；

S53、根据 计算对应的 ，重复步骤S52，得到对应的时空带宽 ，从而对 进行更新，记为 ；

S53、重复步骤S53，更新所有变量对应的 和 ，至此完成第一轮迭代；

S55、重复迭代过程，直至达到收敛准则；

MGTWR的收敛准则为：连续迭代之间的差异足够小时迭代结束，采用变化值 来体现前后相邻迭代之间的差异，当 时迭代终止， 表达式为：(7)；

式中， 为第 +1 轮迭代中的加法项， 为第 轮迭代中的加法项，为迭代次数。