1.一种基于居民刚性需求的出行调度优化方法，其特征在于包括如下步骤：

S1：获取行政区划边界数据及高德地图AMap_Adcode_citycode城市编码表；

S2：基于行政区和城市编码确定所需兴趣点POI数据，并通过高德API爬取目标城市的POI数据；

S3：利用Pandas对POI数据进行快速预处理，筛选出具有时间差异性数据；

S4：构建区域间的平均可达距离模型，确定出行强度；

S5：对各类POI进行分类处理，通过SDE计算各类POI服务范围；

S6：通过ImageJ处理所得到的SDE结果得到刚性需求引导产生的出行强度变化值；

S7：利用Matlab构建差分方程计算平衡点，该平衡点则为数类与该地区居民刚性需求具有强相关性的出行强度值；

S8：对平衡点数值进行加权平均，进一步消除部分种类POI带来的敏感性，得到该地区基于居民刚性需求产生的出行强度权重系数；

S9：针对加权平均求得的结果，确定刚性需求引导产生的出行强度的权重系数，进行出行优化调度方案的判定。

2.如权利要求1所述的一种基于居民刚性需求的出行调度优化方法，其特征在于：在S1中，基于获取的行政区划边界数据，通过ArcGIS专业软件完成基础的数据处理。

3.如权利要求1所述的一种基于居民刚性需求的出行调度优化方法，其特征在于：在S2中，通过Python依托高德API、目标城市编码爬取至少两年的POI数据。

4.如权利要求1所述的一种基于居民刚性需求的出行调度优化方法，其特征在于：在S3中，利用Python中的Pandas数据分析包对爬取的进行筛选，筛选出具有时间差异性的数据。

5.如权利要求1所述的一种基于居民刚性需求的出行调度优化方法，其特征在于：在S4中，首先构建区域间的最短距离模型，确定出行强度；

区域间的最短距离模型如公式(1)所示：

其中Li‑j为出行起点区域i到达出行目的地j的距离，而 则是对于出行起点i的最短可达距离；

在公式(1)的基础上计算区域间平均可达距离，如公式(2)所示：

其中，Laverage‑i为区域间平均可达距离， 为由选定研究区域内居民刚性需求产生的出行强度权重，γ为研究区域内居民出行强度指数， 共同构成了计算研究区域内居民在刚性需求下的出行强度。

6.如权利要求1所述的一种基于居民刚性需求的出行调度优化方法，其特征在于：在S5中，首先对爬取的POI进行分类、汇总数据，然后利用ArcGIS中的标准差椭圆工具对S3中所得的数据进行服务范围分析，本步骤中需要首先判断选用适合目标地区的SDE范围，即构建消减POI的θi数据与新增POI的βi数据所产生的服务范围交集，如公式(3)所示，用以减少部分POI的敏感性；

其中，选定种类POI中在前一年存在同时在后一年消失的数据点为θi，选定种类POI中在前一年不存在同时在后一年存在的数据点为βi，S(θi∩βi)为消减POI的θi数据与新增POI的βi数据所产生的服务范围的交集面积，α1即为该区域中筛选出的由刚性需求引导产生的POI服务范围的变化系数。

7.如权利要求1所述的一种基于居民刚性需求的出行调度优化方法，其特征在于：在S6中，利用ImageJ专业软件将S5中得到的SDE图转化为8bit图片，并进行像素识别，快速计算交通服务类POI的SDE在生活服务类、地址服务类POI的各SDE中的占比。

8.如权利要求1所述的一种基于居民刚性需求的出行调度优化方法，其特征在于：在S7中，选用Matlab专业软件构建差分方程计算S6中交通服务类POI在各类POI中占比的平衡点，得到由于研究区域内居民刚性需求所产生的出行强度在总出行强度的占比。

9.如权利要求1所述的一种基于居民刚性需求的出行调度优化方法，其特征在于：在S8中，依据S5中各类数据种类占比对S7所得结果进行加权平均处理，用以减少部分POI高敏感性的影响。

10.如权利要求1所述的一种基于居民刚性需求的出行调度优化方法，其特征在于：在S9中，根据研究区域内居民刚性需求出行强度的比重，判定研究区域内居民出行调度方案。