1.一种可视化的出租车上下车特征分析方法，其特征在于：通过提取出租车GPS轨迹数据中的上下车信息，基于K-medoids算法的出租车出行特征聚类分析，进而对基于路段上下车平均波动趋势曲线图的图案形状对提取聚类后的日常通勤类的出行目的特征分析，最终在GIS电子地图中呈现出各路段出租车出行特征信息，包括以下步骤，S1、提取出租车的GPS轨迹数据并整合汇总，得到每条路段平均每天各时段的上下车情况；

S2、基于傅里叶变换将上下车数据的时间序列从时域转换为频域数值；

S3、利用k-medoids将步骤S2中变换后频域数值进行聚类分析，确定出租车出行类型，包括日常通勤出行模式、节假日出行模式、混合出行模式和数据缺失模式；

S4、提取日常通勤出行模式下的各时段出租车上下车数量，绘制出当日各时段上下车数波动趋势图，基于波动趋势图的图案形状确定时段下出租车出行的出行目的；

S5、基于步骤S3确定的出行特征以及步骤S4确定的各路段通勤出行目的，在GIS电子地图中标注出各路段的出租车上下车出行目的特征信息。

2.如权利要求1所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S1具体为，

S11、接入出租车车载终端，获取出租车GPS轨迹数据，提取出租车上下车数据；

S12、整合每条路段每天的出租车GPS轨迹数据，得到每条路段平均每天各时段的上下车情况。

3.如权利要求2所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S11中，提取出租车上下车数据，具体为，首先对出租车轨迹信息进行数据清洗工作再进行数据分析；出租车车辆的GPS轨迹数据是按其时间进行排序所行成的时间序列traj＝{p1，p2，…，pi，…，pn}，其中，pi＝(lngi，lati，ti)，lngi表示车辆在第i个位置时的经度，lati表示车辆在第i个位置时的纬度，ti表示车辆在第i个位置时的时刻；出租车上下车情况根据出租车GPS轨迹数据中的载客状态包括重车和空车确定，即出租车载客状态由空车变为重车则说明有乘客上车，出租车载客状态由重车变为空车则说明乘客下车，进而从GPS轨迹数据中提取出上下车点并按时间序列排列。

4.如权利要求2所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S12中，得到每条路段平均每天各时段的上下车情况，具体为，S121、根据城市路网信息确定路段，相邻交叉口之间的距离即为路段，进而依托GPS轨迹数据中的经纬度(lngi，lati)将GPS轨迹数据分至各路段上；根据日期和时间将GPS轨迹数据中的时刻信息ti进行分类排序，进而整合每条路段每天各时间段内上下车数量；

S122、求解出每天各时段出租车上下车均值，得到每条路段平均每天各时段的上下车数量，并按时间序列排列。

5.如权利要求1-4任一项所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S2中，基于傅里叶变换将上下车数据的时间序列从时域转换为频域数值，具体为，基于时空数据变换特征，通过傅里叶变换公示将上下车数据情况值Nt＝{p1，p2，…，pj}转换为频率数值ω(t)＝{ω1，ω2，…，ωj}，即针对步骤S1求得各时段内上下车数量转换到各时段频率数值，具体傅里叶公式为：式中，ω代表频率，t代表时间，e-iωt为复变函数，f(t)为上下车数据量，F(ω为上下车数量频率数值。

6.如权利要求1-4任一项所述的可视化的出租车上下车特征分析方法，其特征在于：步骤S3中，确定出租车出行模式，包括日常通勤出行模式、节假日出行模式、混合出行模式和数据缺失模式，具体为，S31、分别对统计时间段样本数量各路段各时间段内的上下车频率数据进行整合，确定样聚类分析的簇个数k；

S32、在统计时间范围内样本点中随机选择k个点作为初始中心点，分别计算剩下点距离k个中心点的欧氏距离从而划分出簇，进一步根据划分的簇再求解簇内剩下的点与其其他样本点的曼哈顿距离之和，并将曼哈顿距离之和最小的点作为簇的中心点；不断重复求解簇直到中心点不再改变，得到聚类结果，即出租车GPS上下车频率数据的划分情况。