1.一种基于手机信令数据的区域人流分析方法，其特征在于，包括以下步骤：A、采集手机原始信令数据，并对手机原始信令数据进行筛选和过滤，得到有效手机信令数据；

B、对分析地域进行区域划分，将有效手机信令数据按照经纬度匹配到各个区域，并将匹配后的每个区域的有效手机信令数据按照时段划分为多维时序数据，如式(1)所示，其中，DT表示所有区域的T时段的状态， 表示第i个区域在T时段的状态， 表示区域i在时段T的留存数， 表示第i个小区在时段T的扩散数， 表示区域j在T‑1时刻向区域i的扩散数；

同时，对 和 作归一化处理，归一化处理公式(2)为：其中， 分别表示区域i在时段T归一化前、后的留存数，maxs为所有区域的所有时段留存数的最大值； 分别表示区域j在T‑1时刻向区域i扩散数归一化前、后的值；

maxq为所有区域在所有时段向其他区域归一化前扩散值的最大值；

C、采用在线混合高斯模型对留存的多维时序数据进行聚类，形成多个人流迁移状态的特征类；

D、对聚类后的每个特征类数据分别建立不同参数的马尔科夫链预测模型，对未来时段的区域客流分布进行预测。

2.根据权利要求1所述的一种基于手机信令数据的区域人流分析方法，其特征在于：手机原始信令数据筛选和过滤的具体方法为：将手机原始信令数据划分为触发型事件数据和周期性事件数据，所述触发型事件数据是指手机开关机数据、摘机数据、挂机数据或跨区切换数据，周期性事件数据是指固定时间间隔的手机状态上报事件数据；选取周期性事件数据和跨区切换数据，并去除周期性事件数据和跨区切换数据中的小区编码缺失和漂移数据，得到有效手机信令数据；

所述的手机原始信令数据包含ID、时间戳、位置区编号、小区编号和事件类型信息数据。

3.根据权利要求1所述的一种基于手机信令数据的区域人流分析方法，其特征在于，步骤B中， 和 的具体计算方式为：c1、对所有的有效手机信令数据按照时间字段先后顺序排序，构成信令队列；

c2、若信令队列为空，则计算结束，否则取出信令队列中第一个信令数据G；

c3、根据G的小区编号所对应的的经纬度匹配到步骤B中的相应区域中，再根据G的时间匹配到步骤B中的时段中，令AG、TG分别为G所匹配的区域和时段；

c4、在队列中从G开始向后查找与G的ID相同的信令数据，记为GN；

c5、若GN不存在，则令 回到步骤c2；

c6、若GN匹配的时段TGN＝TG，则从队列中删除GN，回到步骤c4；

c7、若GN匹配的时段TGN＝TG+1，则判断AG是否与AGN相等，当相等时则当不相等时则 AGN是指信令GN所在的区域；

c8、从信令队列中删除GN，回到步骤c4。

4.根据权利要求1所述的一种基于手机信令数据的区域人流分析方法，其特征在于：区域划分以地区行政区边界为依据进行划分。

5.根据权利要求1所述的一种基于手机信令数据的区域人流分析方法，其特征在于，步骤C中利用在线混合高斯模型进行聚类的具体方法为：第一步、令K为高斯模型数，混合高斯模型H(x)定义为：初始的k值为N， ui和Σi分别表示高斯的均值和方差；

第二步、随着有效手机信令数据的更新，动态的对混合高斯模型进行更新，更新算法如下：输入：X＝{x1,x2,...,xM}为M个新到达的区域状态,H(x|k,u1,u2...,uk,Σ1,Σk,...,Σk)为当前的混合高斯模型,L＝{y1,y2,...}为所有未归类的区域状态，初始状态时L为空集；

输出：H(x|kn,u′1,u'2...,u'kn,Σ'1,Σ'2,...,Σ'kn)为更新后的混合高斯模型；

第三步、进行聚类，聚类过程为：

1)t＝1；

2)E＝{E1,E2.,..,Ek}＝{N(xt|ui,Σi)|i＝{1,2,...,k}}；

3)E＝{(E1‑min(E))/(max(E)‑min(E)),..,(Ek‑min(E))/(max(E)‑min(E))}；

4)I＝argmax(E),V＝max(E)；

5)如果V

6)如果|L|>＝p2，则对L中所有数据采用EM算法单独进行混合高斯聚类，得到新模型HL,令H＝H∪HL，并令L＝{}；其中，p2为未归类数据上限；

7)将xt归入H中第I个高斯分量，并按照如下公式(4)重新计算第I个分量的均值和方差：

8)t＝t+1,若t>M，算法结束，反之则回到步骤1)。

6.根据权利要求5所述的一种基于手机信令数据的区域人流分析方法，其特征在于，建立马尔科夫链预测模型对未来时段的区域客流分布进行预测的方法如下：d1)输入：H(x|k,u1,u2...,uk,Σ1,Σk,...,Σk)为最新的混合高斯模型，并令 表示最新时段的区域状态；

输出： 即T+1时段预测的人流分布

d2)预测的过程为：

d2.1)E＝{E1,E2.,..,Ek}＝{N(DT|ui,Σi)|i＝{1,2,...,k}}，d2.2)I＝argmax(E)，则DT归属第I个高斯分量,取uI作为马尔科夫转移矩阵；

d2.3)对每一个区域，按照下面公式，预测其下一个时段的区域状态:其中i＝1，...，N。