某城市轨道交通指挥部门，每日实时跟踪路网客流分布变化规律，并针对突发事件、异常客流进行调控，限流以保障乘客的出行体验，避免过多人群滞留地铁站导致的安全隐患，从而导致踩踏、过于拥挤导致楼扶梯故障等问题。同时也技术点：
基于数仓历史数据对未来时间段内全路网车站的分时客流预测；对于机器学习模型，添加因素特征，如：天气、季节、星期、日期等，以每日小时级客流量作为一个分时序列，利用统计学的异常检测及修复，对于输入数据进行预处理，研发出一套基于因素相似度的的模型，取topN相似日期的加权平均作为预测日的分时序列预测结果，能够路网全部车站平均精度达到92.85%；对于深度学习模型，构建一套内嵌因素特征的神经网络模型，能够达到接近的精度，目前正在优化阶段。