本发明涉及客流统计领域。更具体地说，本发明涉及一种预测地铁站内瞬间返程大客流的方法。
背景技术：
在地铁运营过程中，如果地铁站附近出现集体活动，人群是分散的时间到达地铁站附近参加活动，活动结束以后，所有乘坐地铁的人是同一时间涌入地铁站返程即瞬间返程大客流。现有的预测瞬间大客流的方式，都是等相关通知或上级部门安排，有很多大型都会发布相应的通知，但是实际生活场景中，会出现越来越多的不确定性，有可能小活动吸引了大批人群，或者民众自发性参加活动等，然而地铁安保力量又没有办法每次都收到相关集体活动的通知，并不能每一次都能及时对瞬间返程大客流做出反应，有时候地铁里面已经聚集大量人群，相关的安保力量才做出反应和部署，此时隐患极大，因此需要有效且准确的预测方法，降低瞬间大客流的带来的隐患。
技术实现要素：
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种预测地铁站内瞬间返程大客流的方法，能有效且准确的预测地铁站内瞬间返程大客流，能够及时的防范瞬间返程大客流带来的隐患，减少由于人员密度过大带来的踩踏及其他安全事故发生。
为了实现根据本发明的这些目的和其它优点，提供了一种预测地铁站内瞬间返程大客流的方法，包括以下步骤：
步骤一、每n分钟记录一次地铁站站点进出站人脸抓拍数据；
步骤二、获取站点当日累积的当前流量与当前时间的历史流量；当前流量每10分钟统计一次，当前流量的数据为当日零点到当前的流量总数x，统计当日前30天中的每一天的零点到当日当前时间的流量总数，分别记为y1、y2、y3、...、y30；
步骤三、计算当前流量与历史平均流量的比值，判断是否大于设置的阈值，若大于阈值则判断当前流量是否超过去年同期流量阈值，若大于同期流量阈值，判断为瞬间返程大客流预测有效数据；
历史平均流量的计算方法为：(y1 y2 y3 ... y30)/30；计算当前流量与历史平均流量的比值x/((y1 y2 y3 ... y30)/30)得到值m，若值m小于阈值1.5则表明流量正常，不进行下一步判断，若值m大于阈值1.5则表明流量有异常，但是还不能确定会有瞬间返程人流量高峰；
当值m大于阈值1.5时，再获取去年今日零点到去年今日当前时间的流量数q，采用x除以q得到k，将阈值设置为1.5，若k值大于阈值1.5，则预测为瞬间返程大客流现象。
优选的是，步骤一中人脸抓拍数据记录在elasticsearch数据库中，elasticsearch数据库中有设备编号deviceno字段和抓拍时间capturetime字段，每个设备编号对应一个人脸抓拍设备，每个设备关联到其上一级站点，利用人脸抓拍设备抓拍将每一条人脸抓拍数据存于elasticsearch数据库中。
优选的是，每10分钟根据抓拍时间capturetime字段，查询elasticsearch数据库中前10分钟的流量总数，并将统计的流量总数存于mongodb中。
优选的是，mongodb定义key如下：统计日期time，统计站点idstatiionid，每10分钟统计一次，将一天1440分钟划分为144段即m_10至m_1440。
本发明至少包括以下有益效果：
预测地铁站内瞬间返程大客流的方法，能有效且准确的预测地铁站内瞬间返程大客流，能够及时的防范瞬间返程大客流带来的隐患，减少由于人员密度过大带来的踩踏及其他安全事故发生；
本方法改变了现有被动等通知且不是十分准备的方式，而是主动预测，提前预警，可方便相关的安保力量提前部署，极大提高了反应能力和减少了人群密集带来了诸多安全隐患。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明其中一个技术方案的预测地铁站内瞬间返程大客流的流程示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本方法在使用过程中，由于刷卡数据经常不实时，导致本方法效果达不预期。所以本方法使用人脸抓拍这种实时性较高的数据，由于人脸抓拍的数据重复性较高，所以每天都会用抓拍量去除以确切的一天刷卡的数据量得到n。如果刷卡数据不实时，又需要得到大致实时的数据，可通过当天当前的抓拍总量除以前30天n的平均值即可大致知道当前真实的进出站人数。本方法不需要知道真实的进出站人数，直接根据抓拍量即可。
一种预测地铁站内瞬间返程大客流的方法，本方法是基于有一定数据作为参考，最好有一年的历史数据才能将本方法发挥出更好的作用，如果没有同比数据，就只能参考月或者周同比，数据的可靠性会降低，具体包括以下步骤：
步骤一、每n分钟记录一次地铁站站点进出站人脸抓拍数据；
流量数据每n分钟统计一次，n越小预测反馈的信息就更快，但是对应的数据存储量就会变多，对查询和计算也会有一定的性能影响，所以建议n设置要适中；
不管是进出站人脸抓拍还是刷卡数据，数据量都是非常大的，本方法不需要实时查询数据，如果不每n分钟统计一次再查统计数据，而是每次按照实时来查询的话，会导致数据查询非常慢甚至超时，进而影响整个程序的正常运行。
步骤一中人脸抓拍数据记录在elasticsearch数据库中，elasticsearch数据库中有设备编号deviceno字段和抓拍时间capturetime字段，每个设备编号对应一个人脸抓拍设备，每个设备关联到其上一级站点，利用人脸抓拍设备抓拍将每一条人脸抓拍数据存于elasticsearch数据库中。
每10分钟根据抓拍时间capturetime字段，查询elasticsearch数据库中前10分钟的流量总数，并将统计的流量总数存于mongodb中；mongodb是nosql数据库，方便程序在调整n分钟时，不用像关系型数据库那样需要调整表结构，而是只需要调整参数n，后续都由程序自动调整即可。
mongodb定义key如下：统计日期time，统计站点idstatiionid，每10分钟统计一次，将一天1440分钟划分为144段即m_10至m_1440，如下表所示；
由于地铁不是全天24小时运行，所以计算每n分钟流量可不从0点开始，可从地铁开始运行时间点开始计算，地铁结束运行则停止计算。
步骤二、获取站点当日累积的当前流量与当前时间的历史流量；
当前流量每10分钟统计一次，当前流量的数据为当日零点到当前的流量总数x；当前时间的历史流量为统计当日前30天中的每一天的零点到当日当前时间的流量总数，分别记为y1、y2、y3、...、y30。
步骤三、计算当前流量与历史平均流量的比值，判断是否大于设置的阈值，由于地铁每个站点人流吞吐量不一样，所以阈值需要根据站点吞吐量进行调配。若大于阈值则判断当前流量是否超过去年同期流量阈值，若大于同期流量阈值，判断为瞬间返程大客流预测有效数据。
取前30天当前时间的历史流量的平均流量y1 y2 y3 ... y30)/30，记为历史平均流量，取的周期比较长，没有取环比或者取短期平均值的原因主要是，用于防止一段时间内的流量异常情况，即便是前几天因为节假日或者其他原因导致的流量异常，在30天流量的数据量里面的占比也是可以忽略不计的；
计算当前流量与历史平均流量比值的方法为：x/((y1 y2 y3 ... y30)/30)得到值m，若值m小于阈值1.5则表明流量正常，不进行下一步判断，若值m大于阈值1.5则表明流量有异常，但是还不能确定会有瞬间返程人流量高峰，是因为客流异常有可能是由于节假日或年度活动引起，所以还需要跟去年同期流量进行对比，进而确认当前流量异常并非节假日或年度活动原因；
当值m大于1.5时，再获取去年今日零点到去年当前时间的流量数q，采用x除以q得到k，将阈值设置为1.5，若k值大于阈值1.5，则预测为瞬间返程大客流现象，需要将结果数据推送至相关平台进行预警，安保人员看到后好做出响应。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。
1.一种预测地铁站内瞬间返程大客流的方法，其特征在于，包括以下步骤：
步骤一、每n分钟记录一次地铁站站点进出站人脸抓拍数据；
步骤二、获取站点当日累积的当前流量与当前时间的历史流量；当前流量每10分钟统计一次，当前流量的数据为当日零点到当前的流量总数x，统计当日前30天中的每一天的零点到当日当前时间的流量总数，分别记为y1、y2、y3、...、y30；
步骤三、计算当前流量与历史平均流量的比值，判断是否大于设置的阈值，若大于阈值则判断当前流量是否超过去年同期流量阈值，若大于同期流量阈值，判断为瞬间返程大客流预测有效数据；
历史平均流量的计算方法为：(y1 y2 y3 ... y30)/30，计算当前流量与历史平均流量的比值x/((y1 y2 y3 ... y30)/30)得到值m，若值m小于阈值1.5则表明流量正常，不进行下一步判断，若值m大于阈值1.5则表明流量有异常，但是还不能确定会有瞬间返程人流量高峰；
当值m大于阈值1.5时，再获取去年今日零点到去年今日当前时间的流量数q，采用x除以q得到k，将阈值设置为1.5，若k值大于阈值1.5，则预测为瞬间返程大客流现象。
2.如权利要求1所述的预测地铁站内瞬间返程大客流的方法，其特征在于，步骤一中人脸抓拍数据记录在elasticsearch数据库中，elasticsearch数据库中有设备编号deviceno字段和抓拍时间capturetime字段，每个设备编号对应一个人脸抓拍设备，每个设备关联到其上一级站点，利用人脸抓拍设备抓拍将每一条人脸抓拍数据存于elasticsearch数据库中。
3.如权利要求2所述的预测地铁站内瞬间返程大客流的方法，其特征在于，每10分钟根据抓拍时间capturetime字段，查询elasticsearch数据库中前10分钟的流量总数，并将统计的流量总数存于mongodb中。
4.如权利要求3所述的预测地铁站内瞬间返程大客流的方法，其特征在于，mongodb定义key如下：统计日期time，统计站点idstatiionid，每10分钟统计一次，将一天1440分钟划分为144段即m_10至m_1440。
技术总结