轨道交通AFC数据需要经过提取、分析、处理等步骤，才可得到相应的需求信息，从而对相关指标进行统计分析。考虑海量数据的流程化处理机在数据库中存储、调用的便利性、统一性，有必要对其提取、存储数据格式进行规范。
轨道交通AFC数据可提取的信息包括：线路客流信息、站点客流信息、站点客流信息、总客流信息、断面客流信息、运营速度、站点间行程时间等。通过深入的数据分析，可得到轨道交通客流失控分布历史、现状及未来预测数据，据此可对地铁运营方案做出辅助决策。历史及现状各天客流数据的获取比较容易，运用普通的数据统计方法便可得到。轨道交通客流预测较为复杂，目前的主要方法有时间序列法和神经网络法。两种方法各有长处，神经网络模型在处理大量数据时具有比较好的预测效果，并且具有自学习功能，能够随着历史数据的增加，自动调节模型参数已达到更好的预测效果。
轨道交通AFC数据提取分析流程如图所示
 
图4-1 数据提取分析流程
3）轨道交通自动售检票系统数据分析系统框架
根据前述的轨道交通AFC数据分析目标和数据分析过程，可以建立轨道交通AFC数据分析系统，系统结构如图所示。轨道交通AFC数据分析的三个过程：数据预处理，数据分析提取、解释评价，分别有数据分析系统的三个模块实现，即数据库平台模块、数据分析模块、用户控制界面模块。三个模块承担不同的数据处理和分析功能，通过接口连接而形成完整的轨道交通AFC数据分析系统。
 
图4-2 数据分析系统框架
数据库平台模块执行数据采集和数据预处理功能，用于汇总通过各种手段获得的城市轨道交通信息，并进行必要的清洗、整合和转换，处理后的数据按主题分类存储到不同的数据库库中。
数据分析模块执行数据提取剂一部分数据预处理功能，利用数据提取程序对数据库中的数据进行自动分析。它是一个封闭的过程，由计算机运行。
用户控制界面模块执行解释评价功能，可根据用户要求，指定挖掘工具使用的算法和模型，并选择报表或其他形式显示数据分析结果。
4.2      数据准备
轨道交通AFC数据为海量数据，有必要建立数据仓库来提高数据处理速度。可以利用Oracle、SQL等相关数据库软件，通过集成形成数据仓库，对一卡通数据信息进行分类存储，提高数据处理分析的效率。
在建立数据仓库的过程中需要对原始AFC系统中的数据进行必要的预处理，提取出有利用价值的信息，剔除一些与数据分析无关的信息，如城市号、卡发行号、行业号之类的信息，故首先应了解一卡通数据包含的信息种类。
4.2.1      提取数据集
数据库建立完成后，可对数据库中轨道交通AFC数据进行初步挖掘。为提高数据的利用效率和运算速度，可以按照分析对象的不同从数据仓库中提取不同的信息集合。例如分析客流基本信息时，只需从数据仓库中提取上车站、下车站、交易日期、交易时间等字段数，而不必提取交易金额、卡类型等信息。
4.2.2      选择分析对象
城市轨道交通是按照运营时刻表运营的，其服务主要面向城市居民的日常出行需求，这样的运营方式和服务对象的出行特点决定了地铁运营及其客流具有很强的分布时段特性和周期性。公交运营以一日、一周、一月作为基本运营时间单位。相应地，轨道交通AFC数据分析，也是以一日、一周、一月作为数据分析基本时段。根据分析的需要，一日轨道交通AFC数据可以进一步细分到小时或更小时段。为了分析轨道交通客流时空特性，还可以增加多个细化的分析指标。此外，建议以其中一日轨道交通AFC数据作为基本分析数据段，一周数据作为数据分析的一个最小周期。 轨道交通自动售检票系统AFC数据分析(10):http://www.751com.cn/zidonghua/lunwen_2395.html