一种基于相似度矩阵的地铁异常历史客流识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于相似度矩阵的地铁异常历史客流识别方法及装置，具体包括以下步骤：获取AFC历史客流数据；将所述AFC历史客流数据按照预设规律分为若干组历史客流数据；对于同一组历史客流数据，计算每一天历史客流数据与其他日期历史客流数据的相似度，获得对应于每一组的相似度矩阵；根据每一组的相似度矩阵，计算每一组中每一天的实际相似度并判断；以及当所述实际相似度小于预设阈值时，判定当天的历史客流数据为异常客流数据。本发明专利技术通过使用基于相似度矩阵的方法，在计算效率上也有极大的提升，从而提升客流数据收集的可靠性，加强客流数据分析的有效性，实现客流分析的量化，提升客流预测的准确性。提升客流预测的准确性。提升客流预测的准确性。

【技术实现步骤摘要】
一种基于相似度矩阵的地铁异常历史客流识别方法及装置


[0001]本专利技术涉及智慧安检
，具体涉及一种基于相似度矩阵的地铁异常历史客流识别方法及装置。

技术介绍

[0002]城市轨道交通作为公共交通的重要组成部分，具有运量大、速度快、效率高、准时、污染小等特点，承担着缓解交通拥堵、提高运行效率的功能。随着城市轨道交通网络规模的不断扩大，客流量的急剧增加，网络化运营条件下的城市轨道交通面临着来自自然灾害、社会安全、设施设备故障等突发事故以及高强度客流的冲击。评估城市轨道交通进站客流的韧性，有助于异常客流的识别，从而方便管理者做出正确的决策，这对城市轨道交通的风险辨识、风险防控具有重要的意义，同时也有助于保证城市轨道交通的安全运营和服务水平的提升。
[0003]目前的异常客流预测大多利用目标检测算法对公共交通中的客流量进行实时监测，并根据实时监测结果对未来时刻的客流量进行预测，从而在发生公共交通客流异常前进行客流疏导。但使用目标检测算法等方法预测精度不高，且很难直观的反映出某一日客流的异常程度。

技术实现思路

[0004]本专利技术的目的在于提供一种基于相似度矩阵的地铁异常历史客流识别方法及装置，使用基于相似度矩阵的方法，在计算效率上也有极大的提升，从而提升客流数据收集的可靠性，加强客流数据分析的有效性，实现客流分析的量化，提升客流预测的准确性。
[0005]一种基于相似度矩阵的地铁异常历史客流识别方法，具体包括以下步骤：获取AFC历史客流数据；将所述AFC历史客流数据按照预设规律分为若干组历史客流数据；对于同一组历史客流数据，计算每一天历史客流数据与其他日期历史客流数据的相似度，获得对应于每一组的相似度矩阵；根据每一组的相似度矩阵，计算每一组中每一天的实际相似度；判断所述实际相似度与预设阈值的大小；以及当所述实际相似度小于预设阈值时，判定当天的历史客流数据为异常客流数据。
[0006]进一步地，所述预设规律为：将所述AFC历史客流数据按星期分为七组历史客流数据。
[0007]进一步地，所述相似度矩阵S满足S
X,X
=1，S
X,Y
= S
Y,X
，所述S
X,Y
为日期为X的历史客流数据与日期为Y的历史客流数据的相似度。
[0008]进一步地，所述S
X,Y
为曲线X与曲线Y的覆盖范围交集与曲线X与曲线Y的覆盖范围并集的比值，其中曲线X为日期为X的历史客流数据在一天之中随时间变化的曲线，曲线Y为
日期为Y的历史客流数据在一天之中随时间变化的曲线。
[0009]进一步地，所述S
X,Y
通过以下步骤得到：获得日期为X的历史客流数据；将日期为X的历史客流数据均匀划分为多个时间段，统计日期为X的每个时间段i的历史客流数据X
i
；获得日期为Y的历史客流数据；将日期为Y的历史客流数据均匀划分为多个时间段，统计日期为Y的每个时间段i的历史客流数据Y
i
；所述相似度，其中n为一天中时间段的数量。
[0010]进一步地，所述实际相似度为每一天历史客流数据与其他日期历史客流数据的相似度的平均值。
[0011]进一步地，所述异常客流数据不包括节假日的历史客流数据。
[0012]进一步地，根据实际相似度对每天的历史客流数据进行降序排列，并根据实际相似度与预设阈值的大小，按日期的大小输出异常客流。
[0013]一种基于相似度矩阵的地铁异常历史客流识别装置，包括：一个或多个处理器；存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现所述的一种基于相似度矩阵的地铁异常历史客流识别方法。
[0014]本专利技术具有的有益效果：1、本申请可以实现城市轨道交通客流数据的实时监控，并通过相似矩阵的计算，对异常客流进行预警，有助于管理者及时开展限流措施，而且可以评估从扰动发生到恢复正常这一时间段内进站客流的波动情况，从而评估客流疏导措施的优劣，为未来的客流疏导工作提供指导，可以有效减少因异常客流出现而造成的出行延误，提高城市轨道交通的服务水平和运营效率；2、通过本专利技术，可以对历史客流进行分析处理，可以在极短的时间内快速找出客流中出现异常情况发生的日期，并且消耗的计算资源也非常少。根据测试结果，该方案能非常精准的找出突发大客流等异常日期，地铁运营公司能根据该方案准确定位异常日期并总结异常客流规律。
附图说明
[0015]图1为本专利技术的方法流程示意图；图2为本专利技术的曲线X与曲线 Y示意图；图3为本专利技术的曲线 X与曲线 Y的覆盖范围交集示意图；图4为本专利技术的曲线 X与曲线 Y的覆盖范围并集示意图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0018]同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0019]另外，为了清楚和简洁起见，可能省略了对公知的结构、功能和配置的描述。本领域普通技术人员将认识到，在不脱离本公开的精神和范围的情况下，可以对本文描述的示例进行各种改变和修改。
[0020]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0021]在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
[0022]实施例1如图1所示，一种基于相似度矩阵的地铁异常历史客流识别方法，具体包括以下步骤：获取AFC历史客流数据；将所述AFC历史客流数据按照预设规律分为若干组历史客流数据；对于同一组历史客流数据，计算每一天历史客流数据与其他日期历史客流数据的相似度，获得对应于每一组的相似度矩阵；根据每一组的相似度矩阵，计算每一组中每一天的实际相似度；判断所述实际相似度与预设阈值的大小；以及当所述实际相似度小于预设阈值时，判定当天的历史客流数据为异常客流数据。
[0023]可选地，所述预设规律为：将所述AFC历史客流数据按星期分为七组历史客流数据。
[0024]可选地，所述相似度矩阵S满足S
X,X
=1，S
X,Y
= S
Y,X
，所述S
X,Y
为日期为X的历史客流数据与日期为Y的历史客流数据的相似本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于相似度矩阵的地铁异常历史客流识别方法，其特征在于，具体包括以下步骤：获取AFC历史客流数据；将所述AFC历史客流数据按照预设规律分为若干组历史客流数据；对于同一组历史客流数据，计算每一天历史客流数据与其他日期历史客流数据的相似度，获得对应于每一组的相似度矩阵；根据每一组的相似度矩阵，计算每一组中每一天的实际相似度；判断所述实际相似度与预设阈值的大小；以及当所述实际相似度小于预设阈值时，判定当天的历史客流数据为异常客流数据。2.根据权利要求1所述的一种基于相似度矩阵的地铁异常历史客流识别方法，其特征在于，所述预设规律为：将所述AFC历史客流数据按星期分为七组历史客流数据。3.根据权利要求2所述的一种基于相似度矩阵的地铁异常历史客流识别方法，其特征在于，所述相似度矩阵S满足S
X,X
=1，S
X,Y
= S
Y,X
，所述S
X,Y
为日期为X的历史客流数据与日期为Y的历史客流数据的相似度。4.根据权利要求3所述的一种基于相似度矩阵的地铁异常历史客流识别方法，其特征在于，所述S
X,Y
为曲线X与曲线Y的覆盖范围交集与曲线X与曲线Y的覆盖范围并集的比值，其中曲线X为日期为X的历史客流数据在一天之中随时间变化的曲线，曲线Y为日期为Y的历史客流数据在一天之中随时间变化的曲线。5.根据权利要求3...

【专利技术属性】
技术研发人员：俞高赏，刘鹏，刘杰，拜正斌，姜旭，
申请(专利权)人：成都智元汇信息技术股份有限公司，
类型：发明
国别省市：