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

技术特征：
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
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。6.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。7.根据权利要求4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，所述异常客流数据不包括节假日的历史客流数据。8.根据权利要求7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，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。9.一种基于相似度矩阵的地铁异常历史客流识别装置，其特征在于，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根据权利要求1至8中任意一项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。

技术总结
本发明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。


技术研发人员：俞高赏 刘鹏 刘杰 拜正斌 姜旭
受保护的技术使用者：成都智元汇信息技术股份有限公司
技术研发日：2022.12.02
技术公布日：2022/12/30