1.一种智能车站反刷票方法，其特征在于，所述方法包括以下步骤：
s1：将历史购票数据集存入大数据计算分析系统的hive数据仓库中，并进行数据预处理，得到下一步算法需要的各个指标点；
s2：使用k-means算法进行按账号作为用户唯一标识进行用户画像构建并存储；
s3：构建模糊神经网络模型，使用历史数据结合用户画像生成训练集，并由专家统计分析给出算法所需隶属函数，进而训练模糊神经网络模型；
s4：采用经过训练的模糊神经网络，对实时购票请求进行分析处理，得到的结果反馈给下游业务系统；业务系统接收分析处理结果，根据惩罚规则进行放行或惩罚。
2.根据权利要求1所述的智能车站反刷票方法，其特征在于，s1包括以下步骤：
s1.1：在大数据计算分析系统的hive中建立购票请求数据表和用户账号数据表；并将往年历史数据导入购票请求数据表和用户账号数据表中；
s1.2：根据请求多种原始购票和账号数据统计出以下的数据指标：
"user_id":"用户账号",
"t_idser":"身份证号码",
"t_most_type":"成功订单座位类型总数的有座与无座次数差值",
"user_prefer_src":"常用乘车的出发站点",
"user_prefer_des":"最多次数乘车的目的地站点",
"user_gps":"设备定位地址",
"ip_location":"发出请求的ip归属地",
"req_density":"每秒请求次数",
"check_time_avg":"平均请求时间间隔"，
"user_address":"推测居住地"；
s1.3：根据s1.2的统计结果统计出以下的数据指标：
"user_id":"用户账号",
"t_idser":"身份证号码",
"user_gps_count":"手机购票次数",
"check_time_avg":"平均请求时间间隔",
"t_most_type":"成功订单座位中的有座票与无座票次数差值",
"user_address_req_ratio":"于推测居住地发起购票次数于与总购票次数比值"。
3.根据权利要求2所述的智能车站反刷票方法，其特征在于，推测居住地的推测方法为：
若存在移动设备定位地址则使用最多次相同定位地址为准，若不存在则使用user_prefer_src的所在城市作为推测居住地"。
4.根据权利要求2或3所述的智能车站反刷票方法，其特征在于，s2包括以下步骤：
s2.1：构建系统处理用户购票请求的优先度规则，优先度为1-5，数字越高表示越优先处理：
手机购票次数越多的用户，优先度增加；
ip或账号的单个时间内请求次数也就是频率越大，优先度降低；
购票ip归属地长期非账户推测居住地，优先度降低；
t_most_type的值高于所有用户的平均水平，优先度越高；
s2.2：通过对user_id和t_idser两个指标以外的指标进行归一化，然后根据s2.1的优先度规则给出五个初始训练样本，从上到下对应优先级5至1：
(x1,y1,1.00，0.00，1.00,1.00,5)，
(x2,y2,0.80，0.25，0.80,0.80,4)，
(x3,y3,0.50，0.50，0.50,0.50,3)，
(x4,y4,0.25，0.80，0.25,0.25,2)，
(x5,y5,0.00，1.00，0.00,0.00,1)
其中，上述五个样本的格式为：(user_id，t_idser，user_gps_count_normal，check_time_avg_normal，user_address_req_ratio_normal，t_most_type_normal，pri_label)；
pri_label为优先级标签,后缀为_normal的表示原字段值归一化后的结果；
x1-x5，y1-y5分别表示不同的user_id，t_idser；
s2.3：根据s2.2给出的五个自定义样本点作为簇中心，从上到下分别为μ1，μ2，μ3，μ4，μ5，将s1.3中所描述的预处理后的用户购票；
历史数据集作为输入；每条数据称为一个样本xm，m∈[1，n]，n表示数据总数；按照以下过程进行计算：
(1)计算每个样本xm与各“簇中心”向量的欧式距离，根据距离最近的“簇中心”向量确定xm的簇标记：
γm＝argmin||xm-μi||2，i＝1，2，...5
其中argmin是使目标函数取最小值时的变量值；
(2)更新各个簇中心：
其中ni表示为属于簇i的样本总数；
(3)判断簇标签是否达到收敛精度，若达到，则输出各簇中心；若未达到，则返回步骤(2)；直到簇标签达到预设的收敛精度为止；
s2.4：通过flink计算引擎得出的处理优先度，还需在计算中关联s1所述历史数据中每个账号本身的其他数据，才是完整的用户画像数据，完整数据格式为：
″user_id″：″用户账号″，″t_idser″：″身份证号码″，
″user_prefer_src″：常用的乘车出发站点，
″user_prefer_des″：″常用的乘车目的地站点，
″user_address″：″推测居住地，
″pri_label″：″请求的处理优先级″；
上述格式的数据直接存储至redis数据库中，在售票期间供实时计算过程使用。
5.根据权利要求4所述的智能车站反刷票方法，其特征在于，s3包括以下步骤：
s3.1：提出购票期间的异常购票行为识别根据：
(1)同一ip或者账号请求频率大于正常行为数据集得到的均值；
(2)同一ip或者账号购票请求包含不同乘车人数量大于正常平均值；
(3)同一ip或者账号以大于正常平均值的次数购买自身画像定义常来往车站之外的车站车票的次数；
(4)s2.4中获得的处理优先级，缺失则默认为(3)；
以上包含的正常行为平均值数据在进行历史数据分析时一并计算得出并存入数据库用于下一步训练模型和实时计算中使用；
s3.2：建立并训练模糊神经网络模块模型，内容包括：
s3.3：利用训练后的模型完成计算任务；
1)将经过训练的模型文件，存储到大数据计算分析系统中等待调用；
2)实时购票数据进入运行中的计算分析系统进行计算；
3)将输出的y值交给下游业务系统；
其中，y值是用户实时购票请求数据所展现的特征，表示跟黄牛刷票行为的特征的相似度是多少，为0.0到1.0中间的一个数。
6.根据权利要求5所述的智能车站反刷票方法，其特征在于，s3.2包括以下步骤：
s3.2.1：确定数据来源：
实时计算中，将实时请求数据提取后将进行计算，并不断累积同账号的购买行为参数；实时的用户请求数据结合s2.4存至redis的用户画像数据，得到的计算样本将是4个维度的向量，在训练模型时使用历史请求数据一样可以获得以下指标参数：
″req_frequence″：″100ms内请求频率″，″t_user_count″：″包含不同乘车人数量″，
″t_station_count″：″购买常来往车站之外的次数，
″pri_label″：″请求的处理优先级″；
s3.2.2：建立模糊神经网络模型：
1)输入层：将4个维度的向量中内个维度的值用xm表示，即向量(x1，x2，x3，x4)为的模糊神经网络的输入；
2)模糊化层：每个特征，即xm的隶属函数由专家根据不同历史数据集统计分析给出，根据函数定义域划分为若干个函数分支，每个分支对应模糊化层的一个节点；
故模糊化层一共10个节点；并且每个节点根据本身代表的隶属函数与上一层中跟这个隶属函数对应的特征输入节点相连；即模糊化层输出为：
4)与层：与层的节点数量为模糊规则数，模糊化层中共四组节点，四个组中分别选出一个与其他组选出的一个节点连接，所以与层一共有3*5*3*5＝225个节点；每个节点的输出为上一层输入到这个节点的所有信号的乘积，即
5)或层：节点数按照输出变量模糊度划分的个数确定，输出变量为当前数据属于刷票行为数据的可能性，所以或层有1个节点，每个节点与上一层为全互连，连接权值为
6)反模糊化层：反模糊化层输出1个结果，也就是有1个节点，节点的输出就是上一层所有节点的乘积再乘以上层节点到本层节点的权值
数值y即当前样本属于黄牛刷票行为的可能性，是一个0到1之间的小数；
s3.2.3：训练模糊神经模型得到经过训练的模糊神经网络。
7.根据权利要求6所述的智能车站反刷票方法，其特征在于，s3.2.3中训练模糊神经模型使用的激活函数是relu函数，具体训练过程为：
s3.2.3.1：训练数据分为两类，正常和异常购票行为；将输出y定为其中一种；
s3.2.3.2：选择样本集合的一个样本(x，label)，x为数据，label为x所属类别；
s3.2.3.3：将样本送入模糊神经网络，计算模糊神经网络的实际输出y；
s3.2.3.4：计算损失函数
s3.2.3.5：根据误差loss调整权重矩阵w；
s3.2.3.6：对每个样本重复上述过程，直到整个样本集的误差不超过规定范围。
8.根据权利要求7所述的智能车站反刷票方法，其特征在于，s4包括以下步骤：
s4.1：提出以下惩罚处理规则：
将请求数据代入训练完毕的模糊神经网络模型进行计算，计算结果是一个概率值，表示此短时间内此账号购票行为是黄牛刷票的可能性，
设计算结果0.0-0.1,0.1-0.2,0.2-0.4,0.4-0.7,0.7-0.9,0.9-1.0分别表示当前购票行为数据是黄牛刷票的可能性为0到5级一共六种；
依次对应六种惩罚方式分别为：
0级放行，1级ip延后处理5％，2级ip延后处理10％，3级ip延后处理40％，4级ip延后处理90％，5级ip直接封禁；
s4.2：根据s4.1给出的惩罚等级进行惩罚处理；
根据s4.1给出的惩罚等级，如果是0级则直接正常处理，1级以上则根据不同等级对应的延后处理百分比，将当前需要惩罚的用户请求放到全量请求队列的前百分之多少进行排队等候或者直接封禁。
9.一种智能车站反刷票系统，其特征在于，所述系统包括：数仓工具hive、数据库、计算引擎flink、历史数据行为分析模块、模糊神经网络算法模块、后台业务系统模块；
数据仓库存储历史数据；
数仓工具hive用来完成数据预处理；
计算引擎flink完成离线计算任务，也就是历史购票行为数据分析；
历史数据行为分析模块将经过预处理后的历史购票数据，利用k-means算法进行用户画像的构建，最终得到的用户画像；
模糊神经网络算法模块首先对模糊神经网络模型使用历史购票数据进行训练；购票请求经过使用flink计算引擎的计算分析，调用经过训练的模糊神经网络算法，结合账号对应的用户画像和本文将会介绍的三个规则辨识购票请求是否属于黄牛的异常购票行为,最后将识别后的结果发送给后台业务系统；
后台业务系统根据模糊神经网络算法模块的识别结果进行相应的购票限制；分别为无需延后处理，延后处理5％、10％、40％、90％、ip直接封禁六个限制级别进行购票限制；惩罚百分比指的是将当前需要惩罚的用户请求放到全量请求队列的前百分之多少进行排队等候或者直接封禁。