CN111737314A - 一种运营日***的客流信息检测方法 - Google Patents
一种运营日***的客流信息检测方法 Download PDFInfo
- Publication number
- CN111737314A CN111737314A CN202010539033.9A CN202010539033A CN111737314A CN 111737314 A CN111737314 A CN 111737314A CN 202010539033 A CN202010539033 A CN 202010539033A CN 111737314 A CN111737314 A CN 111737314A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- data
- operation day
- historical
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000010835 comparative analysis Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 56
- 238000012546 transfer Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 235000019580 granularity Nutrition 0.000 description 25
- 230000000875 corresponding effect Effects 0.000 description 19
- 239000002245 particle Substances 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种运营日***的客流信息检测方法,包括:建立数据仓库:按照从运营日数据和气象数据中提取的标签,标定并存储历史客流数据;根据所述数据仓库中历史客流数据,设定不同时间维度、空间维度和指标维度对应的告警阈值;采集运营日客流数据,对运营日客流不同指标维度进行自检对比分析,与对应指标维度的阈值进行自动匹配比较,如果超过阈值范围,则产生告警并进行异常推送。本发明中,将运营日客流数据与告警阈值比较,对超过阈值自动报警提示,实现对路网客流进行主动监控。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种运营日***的客流信息检测方法。
背景技术
随着城市轨道交通的快速发展,路网规模扩大,网络结构变得复杂,线路、车站和断面数量增加,网络客流持续增长,导致网络分析难度越来越大,较难从局部和细节解读数据,要着重从整体上分析客流发展趋势,才能更好地做好运营规划和组织工作。
然而,目前城市轨道交通路网历史运营日信息散落在日报、个人电脑中,无统一的地方进行汇总、查看、展示,无法实现自动应用,更无法实现数据共享;而且,路网客流波动与运营日特征信息未建立关联,受单因素影响或多重因素叠加影响而导致的客流波动情况不明确;另外,当发生影响客流规律的事件后,须人工分析外部影响因素对客流的影响程度,但由于不同分析人员所考虑的分析角度、分析深度、分析广度不同,呈现出的规律和结果也不太一致,导致对运营日客流变化规律的影响因素表示不明确,且费时费力。随着路网规模逐步扩大,如果不能及时确定局部客流变化,将严重影响运营组织和决策。
发明内容
为了解决背景技术中存在的技术问题,本发明提出了一种运营日***的客流信息检测方法,以实现通过对历史客流信息进行分析对比,对路网客流进行主动监控。
本发明提出的一种运营日***的客流信息检测方法,包括:
步骤101,建立数据仓库:按照从运营日数据和气象数据中提取的标签,标定并存储历史客流数据;
步骤102,根据所述数据仓库中历史客流数据,设定不同时间维度、空间维度和指标维度对应的告警阈值;
步骤103,采集运营日客流数据,对运营日客流不同指标维度进行自检对比分析,与对应指标维度的阈值进行自动匹配比较,如果超过阈值范围,则产生告警并进行异常推送。
优选地,步骤102之后还包括:随着样本数据的不断增加和运营日标签不断完善,***自动优化所述告警阈值。
优选地,步骤102中告警阈值包括单日告警阈值和趋势告警阈值。
优选地,所述单日告警阈值设置方式包括正态分布算法设置、历史极值算法设置和历史平均值算法设置。
优选地,所述正态分布算法设置具体包括:
根据近期同期同粒度某项客流指标或比值的样本数据,假设其服从正态分布,设置一个初始置信水平x%,进而计算出客流指标或比值的样本数据的置信区间,置信区间的置信上限和置信下限对应设置为该指标或比值的阈值上限和下限。
优选地,所述历史极值算法设置具体包括:找出分析范围内多个历史同期客流数据的最大值和最小值;则把最大值设定为阈值上限值,最小值设定为阈值下限值。
优选地,所述历史平均值算法设置具体包括:找出分析范围内多个历史同期客流数据的平均值,分析采集客流数据和历史客流数据同期均值之间的关系,设置阈值上浮系数和下沉系数;结合历史同期均值、上浮系数或下沉系数的乘积,确定告警阈值上限值和下限值。
优选地,所述趋势告警阈值设置方式具体为:根据进站量、出站量、客运量、换乘量、同比值、环比值等连续n天呈持续上升趋势或下降趋势,或者连续n天中有1-2天呈微弱下降或上升,但整体趋势呈上升趋势或下降趋势,则n天为趋势告警阈值。
优选地,步骤103之后还包括:输出可视化自检报表和预测数据表。
优选地,所述步骤103中,所述自检对比分析包括单日自检分析、趋势自检分析和预测自检分析。
本发明中,通过预先建立数据仓库,按照从运营日数据和气象数据中提取的标签,标定并存储历史客流数据;根据所述数据仓库表中历史客流数据,设定不同时间维度、空间维度和指标维度对应的阈值;将运营日客流数据与告警阈值比较,对超过阈值自动报警提示,实现对路网客流进行主动监控。
附图说明
图1为本发明实施例提出的一种运营日***的客流信息检测方法流程图。
具体实施方式
本发明实施例1提出了一种运营日***的客流信息检测方法,如图1所示,包括:
步骤101,建立数据仓库,具体为:按照从运营日数据和气象数据中提取的标签,标定并存储历史客流数据;
1、采集客流数据、运营日数据和气象数据等。其中,客流数据,从TD数仓/Hadoop数仓中采集,包含对应日期和时间段内的路网进出站量、路网客运量、路网换乘量、线路进出站量、线路客运量、线路换乘量、车站进出站量、换乘站换乘量、断面客流量、OD客流量等数据;运营日数据,从日历或文本(文件、通知等)中获取,包含节假日、特殊日、特殊阶段、突发事件、大型活动、新线/新站开通、运营组织调整、政策执行、客流新高、恶劣天气等运营日标签对应的日期和时间段内;气象数据,通过交通委数据接口获取或网络爬虫从气象网站中爬取,包含对应日期、时间段、行政区域、线路、车站、最高温度、最低温度、风向、风力、天气、降水量和影响范围等数据。
2、从采集数据中抽取数据,经过转换统一数据编码、格式等,加载到数据仓库中。其中,数据仓库是一个面向主题的、集成的、随时间变化的、但信息本身相对稳定的数据集合,用于支持管理决策。数据仓库包括三层:贴源层,用于存储采集的原始数据,格式保留原始数据格式;基础层,用于分主题储存来自贴源层的数据;汇总层,用于对基础层进行关联、聚合操作,对从运营日信息、气象信息中提取指标标签,根据该指标标签对历史客流数据进行标签标定,形成汇总数据并存储,为***应用提供数据支持,***应用功能例如固定报表展示、客流自检预警、灵活查询和数据分析等。
汇总层包括多种单表,满足同一业务场景下(既同一指标维度,例如进站量、出站量等)不同粒度(既不同时间段)需求。如分时粒度表,用于存储5分钟粒度数据、一小时粒度数据,通过统计索引代码(例如具体时间段)和统计索引类型代码(例如分时表、日粒度表或年粒度表等类型)区分识别时间粒度;日粒度表,用于存储日粒度数据,即按日期存储客流数据、气象数据等;年粒度表,用于存储月粒度数据和年粒度数据,通过统计索引代码和统计索引类型代码区分识别时间粒度。客流数据中的路网进出站量、路网客运量、路网换乘量、线路进出站量、线路客运量、线路换乘量、车站进出站量、换乘站换乘量、断面客流量、OD客流量等,采用不同数据表存储数据,并且区分路网、线路和车站级别,如表1所示,运营日***汇总层数据共计15张数据表。
表1:
序号 | 分类 | 表名 |
1 | 汇总层 | 路网级分时分析表 |
2 | 汇总层 | 路网级日粒度分析表 |
3 | 汇总层 | 路网级年粒度分析表 |
4 | 汇总层 | 线路级分时分析表 |
5 | 汇总层 | 线路级日粒度分析表 |
6 | 汇总层 | 线路级年粒度分析表 |
7 | 汇总层 | 车站级分时分析表 |
8 | 汇总层 | 车站级日粒度分析表 |
9 | 汇总层 | 车站级年粒度分析表 |
10 | 汇总层 | 分时换乘站换乘量分析 |
11 | 汇总层 | 日粒度换乘站换乘量分析 |
12 | 汇总层 | 年粒度换乘站换乘量分析 |
13 | 汇总层 | 分时OD来去向统计 |
14 | 汇总层 | 日粒度OD来去向统计 |
15 | 汇总层 | 年粒度OD来去向统计 |
运营日***新需求均建立在现有数据仓库基础上,增加统计维度及粒度。例如,分时OD来去向分析,日粒度OD来去向分析,年粒度OD来去向分析由现有数据仓库表《OD客流进站时段统计》和《OD客流进站日期统计》加工而成;分时换乘量分析,日粒度换乘量分析,年粒度换乘量分析由现有数据仓库表《换乘量时段统计》和《换乘量日期统计》加工而成;车站级分时表、日粒度表、年粒度表由现有数据仓库表加工而成;线路级分时表、日粒度表、年粒度表,由运营日新增的车站级对应数据表加工而成;路网级分时表,日粒度表,年粒度表,由运营日新增的线路级对应数据表加工而成。
步骤102,根据所述数据仓库中历史客流数据,设定不同时间维度、空间维度和指标维度对应的告警阈值;并支持随着样本数据的不断增加和运营日标签不断完善,自动优化告警阈值。其中,告警阈值包括单日告警阈值和趋势告警阈值。
其中,单日告警阈值设置方式包括正态分布算法、历史极值算法和历史平均值算法等三种。
1)正态分布算法
正态分布是一个连续概率分布。若随机变量X服从一个数学期望为μ、方差为σ2的正态分布,记为N(μ,σ2)。其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。当μ=0,σ=1时的正态分布是标准正态分布。若随机变量x服从一个位置参数为μ、尺度参数为σ的概率分布,且其概率密度函数(即正态分布函数)为:
x为变量,可以是乘客的进站量、出站量、客运量、换乘量等,也可以是进站量、出站量、客运量、换乘量的环比和同比值等。
根据近期(例如一月)同期同粒度某项客流指标(或比值)的样本数据,假设其服从正态分布:X~N(μ,σ2)。设置一个初始置信水平x%(例如95%,有95%的样本均值会落在此标准误差范围内),进而计算出客流指标样本的置信区间,区间的置信上限和置信下限对应设计为本指标(或比值)阈值的上限和下限。阈值上下限对应置信水平不同,通过***测试期间及后期使用过程中灵活调整,满足业务需求。举例确定95%置信水平对应的置信区间的步骤如下:
①首先明确客流指标抽样的范围,即明确空间维度、时间维度、客流指标,训练样本数据的时间范围(样本数据必须在50个以上);
②对样本数据进行预处理:第一,必须要选择同期数据;第二,必须是正常日客流数据,非正常日(有节假日、特殊日等运营日标签的日期)客流数据必须替换为正常日客流数据;第三,极值、离散值、空值等必须替换为正常日客流数据;
③求抽样样本的平均值与标准差。
④确定需要的置信水平。比如常用的95%的置信水平,这样可以保证样本的均值会落在总体平均值2个标准差的范围内。
设样本数据为A={a1,a2,a3,...,ax},其中,x为样本个数,则
⑥计算阈值区间
如果是正偏离,即偏离系数s>0,则
如果是负偏离,即偏离系数s<0,则
其中,m、n是可配置参数,必须支持人工配置,默认m=2、n=2。
2)历史极值算法,即历史最大值/最小值算法
通过定义客流数据分析范围,包括与前一天对比、与上周同期对比、与上月同期对比、与去年同期对比、与特定日期对比、与指定阶段的均值对比等,根据对大量历史数据的数据分析,找出100个历史同期客流数据的最大值和最小值;则把最大值设定为阈值上限值,最小值设定为阈值下限值。
历史最大值/最小值算法阈值确定的步骤如下:
①明确空间维度、时间维度、客流指标,训练样本数据的时间范围(样本数据必须在100个以上);
②对样本数据进行预处理:第一,必须要选择同期数据;第二,必须是正常日客流数据,非正常日(有节假日、特殊日等运营日标签的日期)客流数据必须替换为正常日客流数据;第三,极值、离散值、空值等必须替换为正常日客流数据;
③计算样本数据的最大值与最小值;
④计算阈值区间
客流告警阈值上限值=客流历史最大值*n
客流告警阈值下限值=客流历史最小值*m
其中,m、n是可配置参数,必须支持人工配置,默认m=1、n=1。
3)历史平均值算法
通过定义客流数据分析范围,包括与前一天对比、与上周同期对比、与上月同期对比、与去年同期对比、与特定日期对比、与指定阶段的均值对比等,找出50个历史同期客流数据的均值;根据对大量历史数据的数据分析,分析真实客流数据和历史同期均值之间的关系,计算阈值上浮系数和下沉系数;结合历史同期均值、上浮系数或下沉系数的乘积,确定阈值上限值和下限值。
历史平均值算法阈值确定的步骤如下:
①明确空间维度、时间维度、客流指标,训练样本数据的时间范围(样本数据必须在50个以上);
②对样本数据进行预处理:第一,必须要选择同期数据;第二,必须是正常日客流数据,非正常日(有节假日、特殊日等运营日标签的日期)客流数据必须替换为正常日客流数据;第三,极值、离散值、空值等必须替换为正常日客流数据;
③计算样本数据的平均值;
④计算阈值区间
客流报警阈值上限值=50个历史同期客流平均值×上浮系数(m)
客流报警阈值下限值=50个历史同期客流平均值×下沉系数(n)
其中,上浮系数(m)、下沉系数(n)为可配置参数,必须支持人工配置,默认m=1.3、n=1.3。另外,趋势告警阈值确定方法主要是根据指标维度,例如进站量、出站量、客运量、换乘量、同比值、环比值等连续n天呈持续上升趋势或下降趋势,则发生告警。n为可配置参数,根据实际数据进行配置。
步骤103,采集运营日客流数据,对运营日客流数据不同指标维度进行自检对比分析,包括单日自检分析、趋势自检分析和预测自检分析;与对应指标维度的告警阈值进行自动匹配比较,如果超过告警阈值范围,则产生告警并进行异常推送,输出自检报表、预测数据表等,并对其进行可视化。告警信息可以通过客户端、邮件、短信等方式推送给相关业务人员,提醒业务人员重点关注。
本发明实施例提供了一种单日自检说明如下:
单日自检是运营日客流数据与前一日客流数据对比分析,每日运营结束后至次日运营开始前的某一特定时间,***自动对路网、线路、车站各层级的关键指标和维度根据既定规则和分析方法进行自检分析,并输出对应的结果及报表;如果相应空间维度、时间维度内的指标维度分析结果超过既定阈值,自动发出报警,并将报警点及相关信息推送至相关业务人员,以便业务人员进行相应的人工判断和分析,最终实现标签的反补,达到补全运营日指标体系语义库中标签的目的。单日自检功能的分析主要包括与前一天对比、与上周同期对比、与上月同期对比、与去年同期对比、与特定日期对比、与指定阶段的均值对比等。***根据上述分析结果自动生成以既定模板的报表和指定格式的可视化图表,并进行实时展示。
单日自检功能的规则和分析方法主要包括与前一天对比、与上周同期对比、与上月同期对比、与去年同期对比、与特定日期对比、与指定阶段的均值对比等,规则如下:
与前一天对比=分析日当日客流/分析日前一天客流;
与上周同期对比=分析日当日客流/上周同期客流;
与上月同期对比=分析日当日客流/上月同期客流;
与去年同期对比=分析日当日客流/去年同期客流;
与指定日期对比=分析日当日客流/指定日期客流;
与指定阶段均值对比=分析日当日客流/指定阶段均值客流。
其中:上周同期表示分析日所在周的上周同星期几的客流,比如分析日为周二,则上周同期为分析日所在周的前一周的周二;
上月同期:比如分析日为2019年10月第二个完整周的周二,则上月同期为2019年9月第二个完整周的周二;
去年同期:比如分析日为2019年10月第二个完整周的周二,则去年同期为2018年10月第二个完整周的周二。
标签反补:标签反补功能体现在,业务人员能够对标签语义库的一二级标签进行完善和补充。提高客流数据与运营日标签关系的合理性,为今后的短期预测打下可靠的数据基础。由于标签反补功能,能够完善语义库的标签数据,对今后数据与标签匹配产生重大影响,故此功能只能开放给管理员级别用户。
业务人员根据分析产生的新标签,手动对运营日标签进行反向补充,即给本条告警对应信息标定新标签,同时定义对应规则。***会根据指标语义库的结构,自动反向补充到对应的标签库中,实现标签反补的功能。
本发明实施例提供的趋势自检说明如下:
趋势自检是基于客流数据对比分析的基础上,构建环比指标,从不同时间维度、不同空间维度,实现客流长期波动规律的自动获得。主要包括但不限于:环比分析、与上周同期环比分析、与上月同期环比分析、与去年同期环比分析、客流波动规律分析等。***将对每天的对比数据进行保存,目的是让***发现近期客流的变化规律,自动感知客流数据的趋势。
本发明实施例提供的预测自检说明如下:
根据***输入预测值进行单日自检分析,规则同单日自检分析。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种运营日***的客流信息检测方法,其特征在于,包括:
步骤101,建立数据仓库:按照从运营日数据和气象数据中提取的标签,标定并存储历史客流数据;
步骤102,根据所述数据仓库中历史客流数据,设定不同时间维度、空间维度和指标维度对应的告警阈值;
步骤103,采集运营日客流数据,对运营日客流不同指标维度进行自检对比分析,与对应指标维度的阈值进行自动匹配比较,如果超过阈值范围,则产生告警并进行异常推送。
2.根据权利要求1所述的运营日***的客流信息检测方法,其特征在于,步骤102之后还包括:随着样本数据的不断增加和运营日标签不断完善,***自动优化所述告警阈值。
3.根据权利要求1所述的运营日***的客流信息检测方法,其特征在于,步骤102中告警阈值包括单日告警阈值和趋势告警阈值。
4.根据权利要求3所述的运营日***的客流信息检测方法,其特征在于,所述单日告警阈值设置方式包括正态分布算法设置、历史极值算法设置和历史平均值算法设置。
5.根据权利要求4所述的运营日***的客流信息检测方法,其特征在于,所述正态分布算法设置具体包括:
根据近期同期同粒度某项客流指标或比值的样本数据,假设其服从正态分布,设置一个初始置信水平x%,进而计算出客流指标或比值的样本数据的置信区间,置信区间的置信上限和置信下限对应设置为该指标或比值的阈值上限和下限。
6.根据权利要求4所述的运营日***的客流信息检测方法,其特征在于,所述历史极值算法设置具体包括:找出分析范围内多个历史同期客流数据的最大值和最小值;则把最大值设定为阈值上限值,最小值设定为阈值下限值。
7.根据权利要求4所述的运营日***的客流信息检测方法,其特征在于,所述历史平均值算法设置具体包括:找出分析范围内多个历史同期客流数据的平均值,分析采集客流数据和历史客流数据同期均值之间的关系,设置阈值上浮系数和下沉系数;结合历史同期均值、上浮系数或下沉系数的乘积,确定告警阈值上限值和下限值。
8.根据权利要求4所述的运营日***的客流信息检测方法,其特征在于,所述趋势告警阈值设置方式具体为:根据进站量、出站量、客运量、换乘量、同比值、环比值等连续n天呈持续上升趋势或下降趋势,或者连续n天中有1-2天呈微弱下降或上升,但整体趋势呈上升趋势或下降趋势,则n天为趋势告警阈值。
9.根据权利要求1所述的运营日***的客流信息检测方法,其特征在于,步骤103之后还包括:输出可视化自检报表和预测数据表。
10.根据权利要求1所述的运营日***的客流信息检测方法,其特征在于,所述步骤103中,所述自检对比分析包括单日自检分析、趋势自检分析和预测自检分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010539033.9A CN111737314A (zh) | 2020-06-13 | 2020-06-13 | 一种运营日***的客流信息检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010539033.9A CN111737314A (zh) | 2020-06-13 | 2020-06-13 | 一种运营日***的客流信息检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111737314A true CN111737314A (zh) | 2020-10-02 |
Family
ID=72649046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010539033.9A Pending CN111737314A (zh) | 2020-06-13 | 2020-06-13 | 一种运营日***的客流信息检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111737314A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测***及预测方法 |
CN113194002A (zh) * | 2021-05-07 | 2021-07-30 | 苏州摩多多信息科技有限公司 | 一种网站异常流量的监控方法、***及介质 |
CN113822462A (zh) * | 2021-08-06 | 2021-12-21 | 上海申铁信息工程有限公司 | 一种车站应急指挥方法及装置 |
CN114038180A (zh) * | 2021-11-09 | 2022-02-11 | 北京京投亿雅捷交通科技有限公司 | 一种基于多源数据融合输入的客流预测风险预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2784729A1 (en) * | 2013-03-25 | 2014-10-01 | Amadeus | Method and system for detecting anomaly in passenger flow |
CN107180270A (zh) * | 2016-03-12 | 2017-09-19 | 上海宏理信息科技有限公司 | 客流预测方法及*** |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
CN110262947A (zh) * | 2018-03-12 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 阈值告警方法、装置、计算机设备及存储介质 |
-
2020
- 2020-06-13 CN CN202010539033.9A patent/CN111737314A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2784729A1 (en) * | 2013-03-25 | 2014-10-01 | Amadeus | Method and system for detecting anomaly in passenger flow |
CN107180270A (zh) * | 2016-03-12 | 2017-09-19 | 上海宏理信息科技有限公司 | 客流预测方法及*** |
CN110262947A (zh) * | 2018-03-12 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 阈值告警方法、装置、计算机设备及存储介质 |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测***及预测方法 |
CN113194002A (zh) * | 2021-05-07 | 2021-07-30 | 苏州摩多多信息科技有限公司 | 一种网站异常流量的监控方法、***及介质 |
CN113194002B (zh) * | 2021-05-07 | 2024-05-10 | 苏州摩多多信息科技有限公司 | 一种网站异常流量的监控方法、***及介质 |
CN113822462A (zh) * | 2021-08-06 | 2021-12-21 | 上海申铁信息工程有限公司 | 一种车站应急指挥方法及装置 |
CN113822462B (zh) * | 2021-08-06 | 2023-10-13 | 上海申铁信息工程有限公司 | 一种车站应急指挥方法及装置 |
CN114038180A (zh) * | 2021-11-09 | 2022-02-11 | 北京京投亿雅捷交通科技有限公司 | 一种基于多源数据融合输入的客流预测风险预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111737314A (zh) | 一种运营日***的客流信息检测方法 | |
US20210216928A1 (en) | Systems and methods for dynamic risk analysis | |
US8849728B2 (en) | Visual analytics law enforcement tools | |
Elsner et al. | The increasing efficiency of tornado days in the United States | |
Weijermars et al. | Analyzing highway flow patterns using cluster analysis | |
CN109615226A (zh) | 一种运营指标异常监测方法 | |
CN110147902A (zh) | 一种多项运营指标联合异常监测方法 | |
CN107895283A (zh) | 一种基于时间序列分解的商家客流量大数据预测方法 | |
CN112801527A (zh) | 一种安全监测信息可视化平台 | |
CN109191338B (zh) | 基于校园一卡通消费数据的学生行为预警方法 | |
CN109978230B (zh) | 一种基于深度卷积神经网络的电力销售金额智能预测方法 | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN113780902B (zh) | 一种基于云计算的灾害风险预警管理*** | |
CN109214863B (zh) | 一种基于快递数据预测城市房屋需求的方法 | |
CN112418738B (zh) | 一种基于逻辑回归的员工操作风险预测方法 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
Briz-Redón et al. | Reestimating a minimum acceptable geocoding hit rate for conducting a spatial analysis | |
CN111966746B (zh) | 一种气象防灾减灾流程监控***及其监控方法 | |
Pinto et al. | Robustness of serial clustering of extratropical cyclones to the choice of tracking method | |
CN115953186A (zh) | 一种网约车需求模式识别与短时需求预测方法 | |
CN102663065A (zh) | 一种广告位异常数据识别和筛选方法 | |
Haggag et al. | Infrastructure performance prediction under climate-induced disasters using data analytics | |
Kerry et al. | A comparison of multiple indicator kriging and area-to-point Poisson kriging for mapping patterns of herbivore species abundance in Kruger National Park, South Africa | |
Meira et al. | Quality control procedures for sub-hourly rainfall data: An investigation in different spatio-temporal scales in Brazil | |
CN111460796B (zh) | 一种基于词网络的偶发敏感词发现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201002 |