1.一種城際網約車出行運力預測方法，其特征在于，包括：

獲取城際網約車歷史訂單數據；

根據所述城際網約車歷史訂單數據確定在i時間段內平均候車時間、平均下車時間和平均發車間隔時間；所述i時間段為以預設時間窗大小劃分每日網約車運營時間的第i個時間段；

獲取出行數據；所述出行數據包括：城際之間的距離、車輛出發時間、車輛出發位置和出行日期；

將所述出行數據輸入訓練好的城際公路出行時長模型，得到城際公路出行時長；所述訓練好的城際公路出行時長模型的訓練過程，具體包括：

對網約車的城際公路出行時長模型，建立包含以下相關參數的模型：

其中，是城際公路出行時長，f()為SVR運算，dist是城際之間的距離，s表示車輛出發時間，o表示出發位置，h表示當天是否為重大節假日，f表示不同時段，據城市出行調查結果顯示，出行需求在早晚高峰集中爆發；

其中，對城際公路出行時長模型，采用SVR的方法訓練，核函數選用高斯核函數；SVR回歸模型的建立取決于懲罰因子c和高斯核函數中的參數尋優；懲罰因子c用于調節置信區間范圍；高斯核函數的尋優參數為徑向基半徑σ，其中則需要優化的參數變為c和g；

采用差分演化算法來優化城際運行時間模型中的參數c和g，具體的優化步驟如下：

種群初始化：差分演化算法優化中種群的個體，采用c和g的組合參數，其范圍均為2^-8～2⁸，且均采用實數編碼，如(c，g)＝(0.001,0.005)；

變異：采用DE/rand/1變異方法，即：

V_i,G＝X_r1,G+F(X_r2,G-X_r3,G)

其中，X_r1，G、X_r2，G、X_r3，G為種群中隨機抽取的三個不同的個體，F為縮放因子；

交叉：采用二項式交叉算子，將變異種群和原種群進行交叉操作，具體如下：

其中，表示交叉后得到的種群G中的第i個個體對應的新個體u_i,G的第j個分量，rand_j[0，1)為[0，1)之間的隨機數，j表示個體的第j個分量，C_R為交叉概率，j_rand為[1,2,…,n]之間的隨機量，用于保證新個體至少有一維分量由變異個體貢獻；首先，給交叉算子隨機產生一個維標識j_rand，確保最后產生的試驗個體至少有一維來自變異個體，保證種群的多樣性；然后，針對當前個體的每一維隨機產生一個0到1之間的實數，如果該隨機實數小于交叉率C_R，則試驗個體來自變異個體；否則，試驗個體來自當前個體；

選擇：選擇保留適應值高的個體作為優秀的個體，不斷淘汰適應值低的較差個體；

將所述i時間段內平均候車時間、平均下車時間、平均發車間隔時間和所述城際公路出行時長之和確定為i時間段內車輛完成訂單時間；

獲取車輛出發接客時間；

將所述i時間段內車輛完成訂單時間與所述車輛出發接客時間之和確定為i時間段內車輛為城市提供運力的運力空閑預估時刻；

根據所述運力空閑預估時刻建立車輛服務時間預測表；所述車輛服務時間預測表的行表示時間段，所述車輛服務時間預測表的列表示車輛為城市提供運力的運力空閑預估時刻；

獲取車輛位置；

根據所述車輛位置和所述車輛服務時間預測表建立車輛預估時間表；所述車輛預估時間表的行表示時間段，所述車輛預估時間表的列表示車輛預估位置標志，所述車輛預估位置標志用于反映車輛能否為城市提供運力；所述車輛預估位置標志，具體公式如下：

式中，F表示車輛預估位置標志，t_ji表示i時段內第j輛車為城市提供運力的運力空閑預估時刻，C₁和C₂表示城市；

根據所述車輛預估時間表進行城際網約車出行運力預測，具體建模如下：

式中，P_i'表示i時間段內被統計城市預估運力總和，M表示i時間段內車輛預估時間表中能為被統計城市提供運力的車輛總數，s^m表示第m輛車的座位總數。