1.一种宏观区域实时流动量预测方法，其特征在于：包括按照物理空间部署在宏观区域范围内的多个检测子网络和远端的后台服务器，所述检测子网络包括若干个分机，以及与所述分机数据连接的一个主机；所述分机通过无线被动感知的模式，采集分机覆盖范围内移动终端设备基于WIFI协议随机向四周环境发送的广播式数据包，并筛选其中带有移动终端设备ID信息的数据包进行检索，打上分机标签后上传至主机，主机将收集到的数据进行统一存储和打上时间标签，并上传至远端的后台服务器中存储，并对数据按照以下步骤进行分析：

步骤1：通过分机分别采集完整时间段(T‑Δkt)的数据，该数据包括区域A和所有连接k

通道R(g),g＝1,2,…，将数据以时间差Δt为周期，切分成k段，每段完整数据表示为D ，其中， 表示第j个子网第i号分机数据；N表示子网的个数，M表示第j个子网中的分机个数；

步骤2：对数据进行切片并提取待分析局部区域S及完整时间段(T‑Δkt)的数据D′s，式中时间距t＝Δt，Dis为第s子网下编号为i的分机所采集到的数据；

步骤3：物理空间位置映射，对应所部署的子网络，将其与实际区域S进行空间匹配，每个子网络主机带有对应区域相应编号信息及分机部署情况列表；

步骤4：对各分机采集的数据根据移动终端设备ID号进行排序，建立数据矩阵{Tower(i,s),t}；

步骤5：将建立的ID数据列表按出现在不同数据矩阵的次数c进行分类：将仅在一个数据矩阵Tower中出现的ID记为IDc＝1并单独提取进行分析，将在两个以上数据矩阵Tower中出现的ID数据归为IDc＞1；

步骤6：对于在时间段Δt内仅出现在一个数据矩阵Tower中出现的ID数据进行分析，若在Δt时间段内，未发现该ID数据在该数据矩阵Tower中重复出现的，则遍历该局部区域S周围相邻的子网查找是否出现相同的ID数据，如果未出现，则将该ID数据归为IDc＝1，如果在其他子网中出现，则将该ID数据打上标识归为IDc＞1；

步骤7：重复步骤4～6直到数据处理完毕；

步骤8：将步骤5和6处理得到的数据进行归纳合并，形成两类数据IDc＝1和IDc＞1；

步骤9：在T‑Δet,e＝1,2,…k时刻的Δt时间段内，区域人流保有量为VT‑Δet，VT‑Δet＝DT‑Δet{ID},通过以下方法对区域流出量预测值Wout和区域流入量预测值Win进行预测评估：(1)首先，将IDc＞1中数据经过数据唯一化处理后计入有效数据；

(2)然后，将IDc＝1和IDc＞1中数据通过FT‑Δet(·)近似拟合函数近似拟合处理，拟合过程中设置偏置参考系ST‑Δet，并以(ST‑Δet‑(Vc＞1)T‑Δet)/(Vc＝1)T‑Δet作为反馈判断条件，当1‑θ≤(ST‑Δet‑(Vc＞1)T‑Δet)/(Vc＝1)T‑Δet≤1+θ，完成拟合得到有效数据，式中，θ为系统设置的允许误差；

(3)继续，通过下式对IDc＞1和IDc＝1通过拟合，形成有效数据区域人流保有量为VT‑Δet：式中，x和y分别是IDc＞1和IDc＝1中有效数据总数；

(4)接着，通过式(2)计算T‑Δet时间范围内，该局部区域内的人员流出量 和流入量式中，δ1和δ2分别为T1和T2的极小量；

(5)最后，根据Δkt时间范围内，区域流出量数列 及区域流入量数列 采用数据拟合算法生成区域流出量近似函数f(x)out和区域流入量近似函数f(x)in，并计算T+Δt时刻区域流动量，将时间数据代入f(x)out和f(x)in，完成。

2.根据权利要求1所述宏观区域实时流动量预测方法，其特征在于：所述偏置参考系ST‑Δet为T‑Δet时间范围内该区域的视频计数或进出口闸门计数。

3.根据权利要求1所述宏观区域实时流动量预测方法，其特征在于：步骤9中，δ1和δ2的取值与拟合函数有关，并通过以下方法确定：首先令y＝F(·)，n为符合系统误差范围内的y的次数，则，

式中，函数F(·)为ID数据的近似拟合函数，y1,y2,…,yn分别对应函数F(·)在T1,T2,…,Tn时刻的值，ymean为y1,y2,…,yn的平均值，δ1和δ2分别为T1和T2的极小量并通过上述通式δ获得。