1.一种出租车需求预测方法，其特征在于，包括：对历史时刻的多模态信息进行特征提取，得到多模态特征，所述多模态信息包括出租车需求信息、天气信息、事件信息和文本信息，所述多模态特征包括出租车需求特征、天气特征、事件特征和文本特征；

将每个历史时刻提取的多模态特征作为图神经网络的节点，通过时序关系构造所述图神经网络的边连接；

基于多模态注意力的消息传递机制MMPM对所述图神经网络的节点进行更新，对图神经网络模型进行训练；

将当前时刻的多模态信息输入训练好的图神经网络模型，得到所述图神经网络模型输出的出租车需求预测结果。

2.根据权利要求1所述的出租车需求预测方法，其特征在于，所述对历史时刻的多模态信息进行特征提取，得到多模态特征，包括：采用预置特征提取公式对历史时刻的出租车需求信息、天气信息和事件信息进行特征提取，得到出租车需求特征、天气特征和事件特征；

采用一维卷积神经网络1D‑CNN对文本信息进行特征提取，得到文本特征；

所述预置特征提取公式包括：Dn＝wDDemandn+bDWn＝wwWeathern+bWEn＝wEEventn+bE其中，h为转换后特征空间维度大小，1、q、m分别为历史出租车需求、天气、事件信息的

1×h q

原始特征维度，wD∈R ，为历史出租车需求进行特征转换时所涉及的可训练参数，wW∈R×h m×h

，为历史天气信息进行特征转换时所涉及的可训练参数，wE∈R ，为历史事件信息进行h

特征转换时所涉及的可训练参数，bD∈R为历史出租车需求信息进行特征转换的偏置项，bWh h

∈R为历史天气信息进行特征转换的偏置项，bE∈R为历史事件信息进行特征转换的偏置

1 q m

项，Demandn∈R 、Weathern∈R和Eventn∈R分别为第n个时刻的出租车需求信息、天气信息h h h

和事件信息，Dn∈R为第n个时刻的出租车需求特征，Wn∈R 为第n个时刻的天气特征，En∈R为第n个时刻的事件特征。

3.根据权利要求2所述的出租车需求预测方法，其特征在于，所述图神经网络的节点表示为：

Node＝{(Di，Wi，Ei，Ti)|i∈[1，n]}所述图神经网络的边表示为：Edge＝{eil|l∈[2，n]；i∈[l‑p，l‑1]}其中，Node为图神经网络节点的集合，Edge为图神经网络边的集合，(Di，Wi，Ei，Ti)为第i个节点的特征表示，p为邻近节点的连接数量，eil为第l个节点和第i个节点之间的边连接。

4.根据权利要求3所述的出租车需求预测方法，其特征在于，所述将每个历史时刻提取的多模态特征作为图神经网络的节点，通过时序关系构造所述图神经网络的边连接，包括：将每个历史时刻提取的多模态特征作为图神经网络的节点，按照时序顺序将相邻节点连接，并将第n个节点连向第1个节点，构造图神经网络。

5.根据权利要求4所述的出租车需求预测方法，其特征在于，所述基于多模态注意力的消息传递机制MMPM对所述图神经网络的节点进行更新，包括：对第n个时刻的节点进行更新：其中， 为第n个时刻的p个邻近节点，j为网络的层数， 为第j+1层第n个节点的出租车需求特征， 为第j+1层第n个节点的天气特征， 为第j+1层第n个节点的事件特征， 为第j+1层第n个节点的文本特征；

通过注意力机制增加强相关性特征的权重：其中， ||代表连接操作，αk为第k个模态特征的权重，uk∈q q

R为多模态注意力的隐藏层特征的第k个模态分量，ui∈R 为多模态注意力的隐藏层特征的(j) q

第i个模态分量， v ∈R均为可训练参数，q为注意力机制的隐藏层大小， 为权重与模态特征加权后的第j+1层候选的出租车需求特征；

通过一个线性转换层和relu激活函数输出第j+1层是需求特征表示，更新图神经网络的节点：

4h×h h

其中，wfusion∈R ，bfusion∈R为可训练参数；

经过MMPM处理后，得到第j+1层的第n个节点特征表示为：

6.根据权利要求5所述的出租车需求预测方法，其特征在于，训练的图神经网络模型和损失函数分别为：

nh×1 1

其中，wpred∈R ，bpred∈R 分别为预测时涉及的可训练矩阵和偏置项，表示在顶层第J层连接所有节点的出租车需求特征，N为时间步的数量，yi为第i时刻的真实出租车需求量，为第i时刻的预测出租车需求量。

7.根据权利要求6所述的出租车需求预测方法，其特征在于，所述训练好的图神经网络模型为损失函数最小时对应的图神经网络模型。

8.一种出租车需求预测系统，其特征在于，包括：特征提取单元，用于对历史时刻的多模态信息进行特征提取，得到多模态特征，所述多模态信息包括出租车需求信息、天气信息、事件信息和文本信息，所述多模态特征包括出租车需求特征、天气特征、事件特征和文本特征；

构造图单元，用于将每个历史时刻提取的多模态特征作为图神经网络的节点，通过时序关系构造所述图神经网络的边连接；

更新训练单元，用于基于多模态注意力的消息传递机制MMPM对所述图神经网络的节点进行更新，对图神经网络模型进行训练；

输出单元，用于将当前时刻的多模态信息输入训练好的图神经网络模型，得到所述图神经网络模型输出的出租车需求预测结果。

9.根据权利要求8所述的出租车需求预测系统，其特征在于，所述特征提取单元具体用于：

采用预置特征提取公式对历史时刻的出租车需求信息、天气信息和事件信息进行特征提取，得到出租车需求特征、天气特征和事件特征；

采用一维卷积神经网络1D‑CNN对文本信息进行特征提取，得到文本特征；

所述预置特征提取公式包括：Dn＝wDDemandn+bDWn＝wwWeathern+bWEn＝wEEventn+bE其中，h为转换后特征空间维度大小，1、q、m分别为历史出租车需求、天气、事件信息的

1×h q

原始特征维度，wD∈R ，为历史出租车需求进行特征转换时所涉及的可训练参数，wW∈R×h m×h

，为历史天气信息进行特征转换时所涉及的可训练参数，wW∈R ，为历史事件信息进行h

特征转换时所涉及的可训练参数，bD∈R为历史出租车需求信息进行特征转换的偏置项，bWh h

∈R为历史天气信息进行特征转换的偏置项，bE∈R为历史事件信息进行特征转换的偏置

1 q m

项，Demandn∈R 、Weathern∈R和Eventn∈R分别为第n个时刻的出租车需求信息、天气信息h h h

和事件信息，Dn∈R为第n个时刻的出租车需求特征，Wn∈R 为第n个时刻的天气特征，En∈R为第n个时刻的事件特征。

10.一种出租车需求预测设备，其特征在于，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1‑7任一项所述的出租车需求预测方法。