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与流程

1.本发明涉及智慧安检技术领域，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。


背景技术：

2.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。
3.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。


技术实现要素：

4.本发明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。
5.一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。
6.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。
7.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。
8.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。
9.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xi；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yi；所述相似度，其中n为一天中时间段的数量。
10.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。
11.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。
12.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。
13.一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。
14.本发明具有的有益效果：1、本技术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、通过本发明，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
15.图1为本发明的方法流程示意图；图2为本发明的曲线x与曲线 y示意图；图3为本发明的曲线 x与曲线 y的覆盖范围交集示意图；图4为本发明的曲线 x与曲线 y的覆盖范围并集示意图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，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，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，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，都属于本发明保护的范围。
17.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发明的范围。
18.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。
19.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。
20.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。
21.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。
22.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。
23.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。
24.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度。
25.可选地，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，如图2所示。
26.可选地，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xi；
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yi；所述相似度 ，其中n为一天中时间段的数量。
27.可选地，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。
28.可选地，所述异常客流数据不包括节假日的历史客流数据。
29.可选地，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。
30.示例性的：步骤1：读取afc客流历史数据并转换为客流数据；获取afc历史进站客流数据：从地铁拉取历史afc交易数据，afc交易数据中包含每个乘客的进站的时间、进入站点名称信息。
31.根据设定的时间间隔t（比如5分钟），把每天划分为若干个时段。比如6:00~6:05；6:05~6:10。注意，t是可以变化的，因此保护范围不限于5分钟的时间间隔。
32.将afc交易数据统计映射到划分好的时段内，即可统计获得每天的时间间隔t的历史进站客流数据。
33.示例性的，afc历史进站客流数据选取时间跨度为180天。
34.步骤2：历史数据按星期拆分成7组；即，日期为星期一的所有历史客流数据为一组，日期为星期二的所有历史客流数据为一组，日期为星期三的所有历史客流数据为一组，
…
依次类推。
35.步骤3：对于每个组内的若干天（n天）客流生成一个n*n的相似度矩阵，如表1所示。
36.表1其中n是每个组内历史客流数据的日期总数量（以天为单位），生成相似度矩阵如下所示：假定 s
x,y
为dayx与dayy的相似度，易知s
x,x
=1，s
x,y
= s
y,x
。
37.其中s
x,y
的计算方法将在下个步骤详细说明。
38.步骤4：计算每一天客流与其他所有日期的相似度，并输入相似度矩阵。
39.相似度计算：
，其中， xi代表日期 x曲线在i时段的客流数量；yi代表日期 y曲线在 i时段的客流数量；n一天中的被划分的时间间隔t的总数量；s
x,y
值可以作为衡量两条曲线相似度的计算指标，即计算两条曲线（日期x的曲线与日期y的曲线）覆盖范围交集（如图3所示）与两条曲线（日期x的曲线与日期y的曲线）总覆盖面积（如图4所示）的比值，当两条曲线完全重合时iou值为1，此时两条曲线相似度最高。该值取值范围在[0,1]间，值越大表明两条曲线相似度越高。
[0040]
示例性的，将地铁营业时间6:00到23:00之间的客流数据映射到各个时间间隔的客流数据，如6:00-6:05，6:05-6:10，
…
，22:55-23:00依次类推的时段，统计各个时段内的客流数据，获得第1时段、第2时段，
…
，第n时段的客流量数据， x1为日期x在第1时段的客流量，x2为日期 x在第2时段的客流量，
…
， xn日期x在第n时段的客流量。
[0041]
为了更好的进行相似度计算，根据所述离散数据点：x1‑‑
第1时段，x2‑‑
第2时段，
…
， xn‑‑
第n时段，进行曲线拟合，获得日期x曲线。
[0042]
步骤5：对相似度矩阵进行横向求均值，将其作为实际相似度。
[0043]
横向求均值，代表该日期与其他所有日期下客流相似度的总体情况，相似度越高，代表该日期下客流是异常客流的概率越低。重新生成相似度矩阵如表2所示：表2其中：；；
…
以此类推；。
[0044]
步骤6：按照实际需求定义相似度的临界值，将低于临界值的某一天的历史客流数据作为异常客流数据；根据实际需要可以自行设定一个[0,1]间的数字作为相似度临界值，高于临界值的可以视为相似度较高的数据，将其作为正常客流数据。
[0045]
需要说明的是，所述临界值需要根据选取的历史客流数据的具体情况进行配置，示例性的临界值可以为0.8。
[0046]
需要说明的是，异常客流数据必须剔除节假日的历史客流数据，现实环境中，节假日或者是一些大事件都会对客流数据造成很大影响，因此对这些日期的客流数据提出是极其必要的。因此需要根据显示的情况来删除的假期的数据，例如双十一。由于每个节假日或者某个已知的大事件对客流数据的影响程度不一样，例如春节、国庆节则是七天的假期，五一则是三天的假期。
[0047]
示例性的，获得假日时间数据，从而确定某些天数是节假日；从所述异常客流数据中删除假日时间数据对应的历史客流数据。
[0048]
步骤7：根据实际相似度对每天进行降序排列，并按日期输出异常客流。
[0049]
实施例2一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。
[0050]
实施例3，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能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。
[0051]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。