技术领域
[0001] 本
发明涉及
大数据应用技术领域，尤其是涉及一种客流预警方法及系统。
背景技术
[0002] 诸如地
铁、轻轨等城市交通系统，以其便利性和平民化的价格，受到广大群众的欢迎。同时，出于快速运营和节约人工的目的，大部分的城市交通系统都采取自动闸机执行客流的进出。
[0003] 但是，作为疏导客流的城市交通系统，必然需要面对客流的起伏情况，而短期客流过大会导致拥堵等问题。而这会带来客户使用体验下降和引起车站的安全隐患。
[0004] 如果能预知客流的分布规则，就能为预先引导客流提供很好的分析
基础，提高车站的管理能
力。
发明内容
[0005] 本发明旨在至少解决
现有技术中存在的技术问题之一。为此，本发明提出一种客流预警方法，能够合理的利用孤立森林
算法、历史数据和实时数据，输出预警信息，有助于提高车站的管理能力。
[0006] 本发明还提出一种客流预警系统。
[0007] 第一方面，本发明的一个
实施例提供了一种客流预警方法，包括：获取历史客流数据，根据日期特征训练得到基于孤立森林算法的预警模型；获取AFC闸机数据，结合AFC闸机数据和预警模型，输出预警信息。
[0008] 本发明实施例的客流预警方法至少具有如下有益效果：通过孤立森林算法处理历史数据，能够合理设置异常场景的规格，通过AFC闸机数据，能够实时监测通行记录并集合预警模型以输出预警信息。
[0009] 根据本发明的另一些实施例的客流预警方法，日期特征包括星期一至星期日和节日，历史客流数据包括
站点s、时间粒度g、过闸时刻t和客流群体数c；对应的，训练得到基于孤立森林算法的预警模型包括：根据历史客流数据计算对应的四分位数和四分位距；根据预设的公式计算得到分级
阈值；将符合
指定规则的历史客流数据作为孤立森林算法的训练集，得到不同异常值比例的预警模型；将符合指定规则的实时客流数据结合预警模型，得到不同分级的预警级别信息。其中，通过历史数据，能够针对站点、过闸时刻和客流数进行解析，以作为车站执行客流对策的数据基础，通过孤立不同的分级阈值，能够形成多种预警模型以供实际选择，通过不同的预警模型和实时客流进行预警判断，能够提高车站针对客流的处理能力。
[0010] 根据本发明的另一些实施例的客流预警方法，根据预设的公式计算得到分级阈值包括：IQR＝Q3-Q1，Na＝Q3+IQR*X，其中，IQR为四分位距，Q1和Q3为四分位数，Na为分级阈值，X为系数。其中，通过不同的系统，能产生多种分级阈值以供进行数据的分析，可以适用多种
数据处理的需求。
[0011] 根据本发明的另一些实施例的客流预警方法，分级阈值包括异常阈值和实时阈值，对应的系数分别为1.5和1；对应的，指定规则包括：将不大于异常阈值的历史客流数据视为非异常数据，以作为训练集；将大于实时阈值的实时客流数据作为预警模型的输入值。其中，通过合适的系统，能够合理判断异常的数据和合适代表实时客流的数据，有利于实际的客流预警的应用。
[0012] 第二方面，本发明的一个实施例提供了客流预警系统，包括：预警模
块，用于获取历史客流数据，根据日期特征训练得到基于孤立森林算法的预警模型；处理模块，用于获取AFC闸机数据，结合AFC闸机数据和预警模型，输出预警信息。
[0013] 本发明实施例的客流预警系统至少具有如下有益效果：通过孤立森林算法处理历史数据，能够合理设置异常的场景，通过AFC闸机数据，能够实时监测通行记录并集合预警模型输出预警信息。
[0014] 根据本发明的另一些实施例的客流预警系统，日期特征包括星期一至星期日和节日，历史客流数据包括站点s、时间粒度g、过闸时刻t和客流群体数c；对应的，训练得到基于孤立森林算法的预警模型包括：根据历史客流数据计算对应的四分位数和四分位距；根据预设的公式计算得到分级阈值；将符合指定规则的历史客流数据作为孤立森林算法的训练集，得到不同异常值比例的预警模型；将符合指定规则的实时客流数据结合预警模型，得到不同分级的预警级别信息。
[0015] 根据本发明的另一些实施例的客流预警系统，根据预设的公式计算得到分级阈值包括：IQR＝Q3-Q1，Na＝Q3+IQR*X，其中，IQR为四分位距，Q1和Q3为四分位数，Na为分级阈值，X为系数。
[0016] 根据本发明的另一些实施例的客流预警系统，分级阈值包括异常阈值和实时阈值，对应的系数分别为1.5和1；对应的，指定规则包括：将不大于异常阈值的历史客流数据视为非异常数据，以作为训练集；将大于实时阈值的实时客流数据作为预警模型的输入值。
附图说明
[0017] 图1是本发明实施例中客流预警方法的一具体实施例的流程示意图；
[0018] 图2是本发明实施例中客流预警
框架的一具体实施例的连接示意图；
[0019] 图3是本发明实施例中客流预警系统的一具体实施例的连接示意图。
具体实施方式
[0020] 以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
[0021] 在本发明的描述中，如果涉及到方位描述，例如“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或
位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。如果某一特征被称为“设置”、“固定”、“连接”、“安装”在另一个特征，它可以直接设置、固定、连接在另一个特征上，也可以间接地设置、固定、连接、安装在另一个特征上。
[0022] 在本发明实施例的描述中，如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“大于”、“小于”、“超过”，均应理解为不包括本数，如果涉及到“以上”、“以下”、“以内”，均应理解为包括本数。如果涉及到“第一”、“第二”，应当理解为用于区分技术特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0023] 实施例1。
[0024] 参照图1，示出了本发明实施例中客流预警方法的流程示意图。其具体包括步骤：
[0025] S1、获取历史客流数据，根据日期特征训练得到基于孤立森林算法的预警模型；
[0026] S2、获取AFC闸机数据，结合AFC闸机数据和预警模型，输出预警信息。
[0027] 本发明实施例的客流预警方法至少具有如下有益效果：通过孤立森林算法处理历史数据，能够合理设置异常的场景，通过AFC闸机数据，能够实时监测通行记录并集合预警模型输出预警信息。
[0028] 根据本发明的另一些实施例的客流预警方法，日期特征包括星期一至星期日和节日，历史客流数据包括站点s、时间粒度g、过闸时刻t和客流群体数c；对应的，训练得到基于孤立森林算法的预警模型包括：根据历史客流数据计算对应的四分位数和四分位距；根据预设的公式计算得到分级阈值；将符合指定规则的历史客流数据作为孤立森林算法的训练集，得到不同异常值比例的预警模型；将符合指定规则的实时客流数据结合预警模型，得到不同分级的预警级别信息。其中，通过历史数据，能够针对站点、过闸时刻和客流数进行解析，以作为车站执行客流对策的数据基础，通过孤立不同的分级阈值，能够形成多种预警模型以供实际选择，通过不同的预警模型和实时客流进行预警判断，能够提高车站针对客流的处理能力。
[0029] 根据本发明的另一些实施例的客流预警方法，根据预设的公式计算得到分级阈值包括：IQR＝Q3-Q1，Na＝Q3+IQR*X，其中，IQR为四分位距，Q1和Q3为四分位数，Na为分级阈值，X为系数。其中，通过不同的系统，能产生多种分级阈值以供进行数据的分析，可以适用多种数据处理的需求。
[0030] 根据本发明的另一些实施例的客流预警方法，分级阈值包括异常阈值和实时阈值，对应的系数分别为1.5和1；对应的，指定规则包括：将不大于异常阈值的历史客流数据视为非异常数据，以作为训练集；将大于实时阈值的实时客流数据作为预警模型的输入值。其中，通过合适的系统，能够合理判断异常的数据和合适代表实时客流的数据，有利于实际的客流预警的应用。
[0031] 实施例2。
[0032] 本实施例的目的在于结合具体的实践，说明上述实施例的方法。
[0033] 参照图2，示出了本发明实施例中客流预警框架，其中，方块代表数据处理流程，椭圆代表数据集合。
[0034] 选择历史数据集(历史客流数据)，通过日期、时刻等特征分析，然后根据不同日期不同时刻进行数据划分，分别训练出不同的孤立森林算法的训练模型，再将实时数据导入训练模型，获取最终的预测结果(即输出预警信息)。
[0035] 具体的数据分析和模型建立的流程包括：
[0036] 站点客流数据(即客流数据，包括历史和实时)包括了AFC闸机数据和手机信令数据等。其中，AFC闸机数据具体为AFC闸机进行放行/通行作业的次数，而手机信令数据为通过运营商的基站采集到的车站范围内手机使用的数据，用于判断车站内人数，跟闸机数据一样是一类客流采集数据，相比较于闸机仅包含进站和出站数据，信令数据能表现车站区域内的乘客数量。
[0037] 将历史站点客流数据按照日期特征分成8个部分，分别是星期一至星期日以及特殊节假日，然后将历史的每个站点s每天的mac地址数(即AFC闸机等车站内
电子设施的计算机地址，通过这些电子设备的使用情况，间接判断客流的数量)据按g的时间粒度聚合起来，记为m(c,s,t)。其中，s是站点，g是时间粒度，c是cluster，即客流群体数，主要包括群体个数和群体内部总数，t是具体的时刻，m()是根据不同的s、g、c、t聚合起来的客流量。
[0038] 根据历史数据计算出四分位数Q1、Q3和四分位距IQR，从而计算基础阈值N0和N1，如公式：IQR＝Q3-Q1，N0＝Q3+IQR*1.5，N1＝Q3+IQR*1。
[0039] 将大于N0的历史客流数据标记为异常数据，然后将小于或等于N0的非异常历史数据p当做孤立森林算法的训练集，根据不同的孤立森林异常值比例R得到多个孤立森林模型IF(p,R)。最后将超过基础阈值N1的实时客流数据导入模型IF(p,R)，结合多个不同的异常值比例模型预测结果，输出预警级别r，具体的预警级别的设置，可以如表1所示：
[0040]
[0041]
[0042] 表1中，O表示预测结果为非异常，×表示预测结果为异常，一级预警是最高级别的预警。或者如表2所示：
[0043] r 不预警 一级预警 二级预警 三级预警 四级预警0.2 O × O O O
0.1 O × × O O
0.05 O × × × O
0.01 O × × × ×
[0044] 表2中，O表示预测结果为非异常，×表示预测结果为异常，四级预警是最高级别的预警。
[0045] 实施例3。
[0046] 参照图3，示出了本发明实施例中客流预警系统，包括：预警模块1，用于获取历史客流数据，根据日期特征训练得到基于孤立森林算法的预警模型；处理模块2，用于获取AFC闸机数据，结合AFC闸机数据和预警模型，输出预警信息。
[0047] 本发明实施例的客流预警系统至少具有如下有益效果：通过孤立森林算法处理历史数据，能够合理设置异常的场景，通过AFC闸机数据，能够实时监测通行记录并集合预警模型输出预警信息。
[0048] 根据本发明的另一些实施例的客流预警系统，日期特征包括星期一至星期日和节日，历史客流数据包括站点s、时间粒度g、过闸时刻t和客流群体数c；对应的，训练得到基于孤立森林算法的预警模型包括：根据历史客流数据计算对应的四分位数和四分位距；根据预设的公式计算得到分级阈值；将符合指定规则的历史客流数据作为孤立森林算法的训练集，得到不同异常值比例的预警模型；将符合指定规则的实时客流数据结合预警模型，得到不同分级的预警级别信息。
[0049] 根据本发明的另一些实施例的客流预警系统，根据预设的公式计算得到分级阈值包括：IQR＝Q3-Q1，Na＝Q3+IQR*X，其中，IQR为四分位距，Q1和Q3为四分位数，Na为分级阈值，X为系数。
[0050] 根据本发明的另一些实施例的客流预警系统，分级阈值包括异常阈值和实时阈值，对应的系数分别为1.5和1；对应的，指定规则包括：将不大于异常阈值的历史客流数据视为非异常数据，以作为训练集；将大于实时阈值的实时客流数据作为预警模型的输入值。
[0051] 上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
