CN112215451A - 一种基于民航旅客分级分类的差异化安检方法及系统 - Google Patents
一种基于民航旅客分级分类的差异化安检方法及系统 Download PDFInfo
- Publication number
- CN112215451A CN112215451A CN202010703864.5A CN202010703864A CN112215451A CN 112215451 A CN112215451 A CN 112215451A CN 202010703864 A CN202010703864 A CN 202010703864A CN 112215451 A CN112215451 A CN 112215451A
- Authority
- CN
- China
- Prior art keywords
- civil aviation
- passenger
- security
- passengers
- risk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004069 differentiation Effects 0.000 title claims description 9
- 238000007689 inspection Methods 0.000 claims abstract description 117
- 238000013139 quantization Methods 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 15
- 238000000556 factor analysis Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012552 review Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 description 17
- 230000009471 action Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- ODAOZWTYNWZSBY-SPIKMXEPSA-N (z)-but-2-enedioic acid;6-[2-(1h-imidazol-5-yl)ethylamino]-n-[4-(trifluoromethyl)phenyl]heptanamide Chemical compound OC(=O)\C=C/C(O)=O.OC(=O)\C=C/C(O)=O.C=1N=CNC=1CCNC(C)CCCCC(=O)NC1=CC=C(C(F)(F)F)C=C1 ODAOZWTYNWZSBY-SPIKMXEPSA-N 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- IJJWOSAXNHWBPR-HUBLWGQQSA-N 5-[(3as,4s,6ar)-2-oxo-1,3,3a,4,6,6a-hexahydrothieno[3,4-d]imidazol-4-yl]-n-(6-hydrazinyl-6-oxohexyl)pentanamide Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)NCCCCCC(=O)NN)SC[C@@H]21 IJJWOSAXNHWBPR-HUBLWGQQSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于民航旅客分级分类的差异化安检方法及系统，方法包括：S100、选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；S200、验证民航旅客分级指标体系；S300、确定民航旅客分级指标体系中各项指标的权重；S400、对民航旅客分级指标体系中的各项指标进行量化处理；S500、将民航旅客加权量化后的各项指标输入训练好的基于深度神经网络的民航旅客风险分类模型，得到民航旅客的分类结果作为民航旅客对应的风险等级；S600、根据民航旅客的分类结果，对不同类别的旅客采取分流和不同的安检措施，确定差异化安检策略。本发明基于民航旅客风险分类模型输出结果进行差异化安检，提高民航安检服务效能和乘客满意度。
Description
技术领域
本发明涉及民航安检领域，具体涉及一种基于民航旅客分级分类的差异化安检方法及系统。
背景技术
近年来，国内机场的安检资源短缺与增加的民航客流量直接的矛盾日益凸显，以及国际上针对民航的安保、恐怖事件屡有发生。面对日益严峻的安保形势，应大力推进科技创新战略，聚焦安全要素，深度整合公安内网数据和民航运行网数据引领实战，打造智慧安检。因此，对民航旅客进行分类和差异化安检显得非常重要，既能提高民航安检服务效能，又能提高乘客满意度。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于民航旅客分级分类的差异化安检方法及系统，为提高民航安检服务效能和乘客满意度，基于民航旅客风险分类模型输出结果进行差异化安检，并进行民航旅客风险演化系统动力学分析研究。
为实现上述目的，本发明采用的技术方案如下：
一种基于民航旅客分级分类的差异化安检方法，包括：
(1)选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
(2)对民航旅客个人特征与所述各项指标之间的契合度进行调查和各种分析，验证所述民航旅客分级指标体系；
(3)确定所述民航旅客分级指标体系中各项指标的权重；
(4)对所述民航旅客分级指标体系中的各项指标进行量化处理；
(5)将民航旅客加权量化后的各项指标输入训练好的基于深度神经网络的民航旅客风险分类模型，得到民航旅客的分类结果作为民航旅客对应的风险等级；
(6)根据民航旅客的分类结果，对不同类别的旅客采取分流和不同的安检措施，确定差异化安检策略。
进一步，如上所述的一种基于民航旅客分级分类的差异化安检方法，步骤(1)包括：
分析现有的民航旅客背景审查指标体系，借鉴雇员背景调查指标体系及金融授信中的信用评价体系，选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
所述各项指标包括：基本信息、家庭情况、职业情况、经济情况、公共记录和乘机信息。
进一步，如上所述的一种基于民航旅客分级分类的差异化安检方法，步骤(2)包括：
基于所述各项指标，编制问卷；
对所述问卷进行小样本预测试，其中，预测试的样本容量略大于问卷指标数量，并考虑人口学分布因素；
在确定所述问卷的信度和效度后，进行数据问卷调查和数据采集。
通过量表可靠性检验与因子分析确定所述问卷的一致性；
对采集到的数据进行KMO和巴特利特球形度检验，检验通过后进行验证型因子分析进行分析，确定有效样本数；
通过收敛效度分析确定所述各项指标之间的相关度和收敛效度；
通过区分效度分析确定所述各项指标之间的区分效度。
进一步，如上所述的一种基于民航旅客分级分类的差异化安检方法，步骤(3)包括：
在数据采集过程中，对民航旅客个人特征与所述各项指标之间的契合度进行量化；
基于量化后的契合度使用层次分析法构建判断矩阵，确定所述各项指标的权重；
在构建判断矩阵之前，对采集的数据进行一致性检验，检验通过后开始构建。
进一步，如上所述的一种基于民航旅客分级分类的差异化安检方法，所述民航旅客的分类结果依据民航旅客风险程度从低到高将旅客划分为优质旅客、普通旅客以及重点旅客三个类别。
进一步，如上所述的一种基于民航旅客分级分类的差异化安检方法，步骤(6)包括：
针对优质旅客，提示进入快捷通道，降低开包率、在自动检测无警报的情况下减低后端抽检率、免于移除腰带和轻薄外套、免于将手提电脑移出背包；
针对普通旅客，提示进入常规安检通道，根据现行的民航机场安全检查标准及所在地安全相应级别进行常规安全检查，保持机场现有的安全检查程序与标准；
针对重点旅客，提示进入高规格安检通道，执行100％开包率、100％移除外套及腰带、100％后端抽检率的高规格的安全检查措施，并通过空、地安全人员对此类乘客给予持续关注。
进一步，如上所述的一种基于民航旅客分级分类的差异化安检方法，所述差异化安检方法还包括：
(7)构建民航旅客风险演化的系统动力学模型，进行仿真实验，验证所述差异化安检策略。
进一步，如上所述的一种基于民航旅客分级分类的差异化安检方法，所述民航旅客风险演化的系统动力学模型包括以下公式：
Rω＝(αβ(-a-c-e)+α1-β)(-a-c+b)+(1-α)β(-a+d-e)+(1-α)(1-β)(-a+b+d)) (1)
R1-ω＝αβ×0+α(1-β)×0+(1α)β(-f)+(1-α)(1-β)(-f) (2)
其中，ω为检验比率，α为民航安保安全比率，β为分解率，a为社会安全管控，c为民航安保措施，e为民航安保突发响应，b为旅客风险增加量，d为旅客风险减少量，Rω为所述差异化安检策略的检验适应度，R1-ω为所述差异化安检策略的未检验适应度，适应度均值则为
进一步，如上所述的一种基于民航旅客分级分类的差异化安检方法，所述民航旅客风险演化的系统动力学模型还包括以下公式：
其中，ω为检验比率，α为民航安保安全比率，β为分解率，f为民航安保奖励，h为民航安保投入成本，g为民航安保失败损失成本，m为因民航安保玩忽职守的预期损失，n为民航安保净收益；
通过上式表示所述差异化安检策略在检验比率、民航安保安全比率和分解率方面的动态调整的速度和方向，若某一项的结果为零，则表明在该方面的策略调整的速度等于零，且达到相对稳定的平衡态。
一种基于民航旅客分级分类的差异化安检系统，包括：
构建模块，用于选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
验证模块，用于对民航旅客个人特征与所述各项指标之间的契合度进行调查和各种分析，验证所述民航旅客分级指标体系；
权重确定模块，用于确定所述民航旅客分级指标体系中各项指标的权重；
量化模块，用于对所述民航旅客分级指标体系中的各项指标进行量化处理；
分类模块，用于将民航旅客加权量化后的各项指标输入训练好的基于深度神经网络的民航旅客风险分类模型，得到民航旅客的分类结果作为民航旅客对应的风险等级；
策略确定模块，用于根据民航旅客的分类结果，对不同类别的旅客采取分流和不同的安检措施，确定差异化安检策略。
本发明的有益效果在于：本发明构建民航旅客分级指标体系，通过定量分析确定各项指标权重，通过将基于深度神经网络的民航旅客风险分类模型与差异化安检相结合，实现基于风险的民航旅客精准分流，缓解安保压力，提升民航运输流程整体安全，改善旅客乘机体验。
附图说明
图1为本发明实施例中提供的民航旅客差异化安检模型框架示意图；
图2为本发明实施例中提供的深度神经网络模型示意图；
图3为本发明实施例中提供的民航旅客风险演化存量流量图；
图4为本发明实施例中提供的初始值演化示意图；
图5为本发明实施例中提供的社会安全管理演化示意图；
图6为本发明实施例中提供的安保措施演化示意图；
图7为本发明实施例中提供的反应系数演化示意图；
图8为本发明实施例中提供的一种基于民航旅客分级分类的差异化安检方法的流程示意图。
具体实施方式
下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。
如图1所示，本发明通过融合公安内网数据和民航运行网数据，基于民航旅客分级分类模型构建旅客风险信息模型库，进而通过深度神经网络模型得出旅客风险类别，最后通过系统动力学分析验证，验证差异化安检策略。
(一)基于民航旅客分级分类的差异化安检策略
1、分级指标体系构建
通过对国内外机场差异化安检现状的梳理，旅客分级分类是实现高效差异化安检的核心要素，且旅客分级分类是基于旅客信息和行为对其个人风险程度进行评估，而评估所依赖的指标体系直接影响风险评估的科学性。
(1)构建基础
民航旅客背景审查
在建设以“四型机场”为核心的未来机场导向下，民航局公安局已在部分机场开展了旅客背景审查工作，以识别不同风险等级的民航旅客，进而合理配置安保资源。该背景审查的数据基础以公安数据库为核心，从“基础标签”和“行为标签”两个维度刻画旅客风险。
雇员背景调查指标体系
雇员背景调查是通过对候选人过往履历和基础信息进行以预测为导向的调查。本研究汇总了各背景调查公司提供的最高标准调查内容，归纳背景调查指标体系应包含三个维度，分别为“基础信息”、“工作履历”、“工作表现”。
金融授信指标体系
国际上的个人信用评价体系以美国FICO体系为主导，以历史交易行为和信贷记录为主要维度，国内各大银行也根据自身业务特点对客户信用评价体系进行了较为深入的研究。本研究汇总国内各大银行的个人信用评价体系的考量维度，归纳信用评价指标体系包括7个维度，分别为“自然情况”、“职业情况”、“家庭情况”、“公共记录”、“保险能力”、“与银行关系”、“业务相关情况”。
民航旅客风险评价所依据的信息需涉及旅客的方方面面，旅客分级指标应能够有效反映旅客在参与民航运输过程中的风险程度，并且适合机场安保部门获取和使用。为了客观、全面、科学地评价民航旅客风险，在选取民航旅客分级指标时需遵循全面性原则、关联性原则和可操作性原则。
(2)指标选取
在遵循前文指标选取原则的基础上，分析现有的民航旅客背景审查指标体系，借鉴雇员背景调查指标体系及金融授信中的信用评价体系，选取适合于评价旅客风险的指标，初步构建民航旅客分级指标体系如表1所示。包括6个一级指标、35个二级指标，从个人、职业、家庭、经济、社会记录、乘机行为六个维度对民航旅客风险进行度量。
表1民航旅客分级指标体系
2、分级指标体系验证
(1)问卷量表设计
本研究采取封闭式问卷的形式，对民航旅客个人特征与民航旅客风险评价指标的契合程度进行了调查。基于前文初步选取的民航旅客分级指标，运用李克特5点量表编制了问卷。问卷共分为三个部分，分别为封面信、指导语和问题调查。封面信部分介绍了问卷调查的主要内容以及问卷遵循的研究规范；指导语部分对问卷包含的具体内容和评价方法进行了介绍；问题调查部分涵盖被调查者情况以及关于前文35个指标的提问。
(2)问卷小样本预测试
为提升问卷设计的科学性以及后续分析的准确程度，本研究首先对于问卷进行了小样本预测试，预测试的样本容量略大于问卷指标数量，并充分考虑人口学分布因素(共发放问卷80份)。经过可靠性检验(信度和效度分析)和基于主成分分析的因子提取方法(采用凯撒正态化最大方差法作为旋转方法，排除绝对值小于0.6的小系数)。在去除部分变量后，为更加准确地反映变量间的作用关系，对剩余变量再次进行旋转，得到旋转后的成分矩阵并重复上述分析与剔除变量的过程。经过三次旋转过程，共去除了“政治面貌”、“婚姻情况”、“起飞地”、“负债金额”、“行政处罚记录”5个变量。最终量表的各维度信度系数值均超过0.9，所有指标的因子载荷均超过0.7，表明本问卷的信度和效度良好，下一步将进行数据问卷调查分析。
(3)数据采集
在调研对象方面，将考察民航旅客特征作为民航旅客风险评价指标的适合程度，被调查者需对民用航空运输和风险评估有一定程度的认识，故本次问卷主要面向民航从业人员和民航公安，同时向部分普通旅客发放。
在调研形式方面，本次调研所使用的问卷包括电子问卷和纸质问卷两种形式。电子问卷通过社交软件发放，纸质问卷通过邮寄方式发放，如表2所示。
| 类别 | 发放问卷 | 回收问卷 | 有效问卷 | 回收率 | 有效率 |
| 数量 | 450 | 450 | 431 | 100％ | 95.78％ |
表2问卷整体情况
(4)量表可靠性检验与因子分析
本研究通过SPSS23.0软件测量问卷的克隆巴赫Alpha结果所示，克隆巴赫Alpha值为0.966大于0.7，表明问卷具有良好的一致性。
(5)验证型因子分析
在进行因子分析前首先对所收集的数据进行KMO和巴特利特球形度检验，结果如表3所示，KMO值等于0.922且显著性小于0.001，故所收集的数据适合进行因子分析。
表3KMO和巴特利特检验
由于在前述研究中已经确定了研究对象的维度，故选择验证型因子分析对数据进行分析。本次研究的有效样本数为431，大于项目数量的5倍数，输出结果具有稳定性。
(6)收敛效度分析
收敛效度强调被划定属于同一潜在因子项下的测量项，测量时确实落在同一因子。因子载荷系数值展示了潜在变量与显变量之间的相关关系情况，通常认为标准载荷系数大于0.6则说明显变量与潜在变量之间具有可接受的相关关系。本研究中的30个显变量的标准载荷系数如表4所示，均大于0.6，表明前文中指标维度的设定在相关性角度具有合理性。
平均萃取方差AVE值和组合信度CR值同样用于描述收敛效度，通常认为每个因子的AVE值大于0.5且CR值大于0.7，则说明具有良好的收敛效度。本次研究的平均方差萃取AVE与组合信度CR结果如表5所示，均符合研究要求。
表4因子载荷系数
表5模型AVE和CR指标结果
(7)区分效度分析
区分效度，强调被划定不属于同一潜在因子项下的测量项，测量时各潜在因子之间具有异质性。本研究通过HTMT法(异质-单质比率)进行区分效度验证，此次研究的HTMT测试结果如表6所示，通常情况下HTMT值小于0.9被认为两因子之间具有区分效度，表格中所有的HTMT值均在标准范围之内，说明数据具有良好的区分效度。
表6HTMT结果
3、指标权重设置
旅客风险程度由民航旅客特征指标共同作用，但各项指标对于整体旅客风险的贡献具有差异，而确定民航旅客分级指标体系各个指标的权重是准确评价民航旅客风险的重要环节。本发明中使用层次分析法构建判断矩阵，确定民航旅客分级指标体系中各指标的权重。
在数据收集过程中依次使用数值1至5代表旅客特征与其作为旅客风险评价指标的契合关系，也反映出该指标对于旅客风险的贡献程度。通过计算得出分析项的平均值，并利用平均值大小相除得出30阶判断矩阵，再通过和积法对各分析项的权重进行确定。权重分析结果如表7所示。
表7权重分析结果
在构建判断矩阵时候可能会出现逻辑性错误，需要对数据进行一致性检验。一致性检验使用CR值进行分析，CR值小于0.1说明通过一致性检测，反之则否。CI值计算公式为CI＝(最大特征根-n)/(n-1)，30阶判断矩阵的随机一致性RI值为1.672，一致性检测结果如表8所示。
| 最大特征根 | CI值 | RI值 | CR值 | 一致性检验结果 |
| 30 | 0 | 1.672 | 0 | 通过 |
表8一致性检验结果
4、民航旅客风险分类方法
民航旅客分级分类是实施差异化安检的根基，基于风险评估对民航旅客进行分级分类是将旅客精准分流的前提。
(1)民航旅客风险量化评价
本发明构建了民航旅客分级指标体系，其中涉及旅客基本情况、经济情况、公共记录及乘机信息四方面内容，这些信息的来源广泛且描述方式不一，为解决民航旅客风险评价一致性的问题，首先要结合各指标所描述的内容对其进行量化处理。通过与民航从业者、警务工作者以及相关领域学者进行访谈，并借鉴雇员背景调查评价体系、金融授信评价体系等量化模式，对民航旅客风险评价指标体系进行量化处理，如表9-12所示。为便于后续旅客风险得分计算及分类，使用A、B、C、D对一级指标进行标记，并对二级指标进行编号，量化分数以1(含)-5(含)之间的整数表示。
表9基本情况指标量化表
表10经济情况指标量化表
表11公共记录指标量化表
表12乘机信息指标量化表
(2)基于深度神经网络的民航旅客风险分类模型
在前文研究与归纳的基础上，民航旅客风险分类模型通过输入加权量化后30个指标项下的四组特征，学习训练得出旅客风险类别，属于多标签多分类问题，本发明通过python3.8.0实现基于深度神经网络的民航旅客分类模型，如图2所示，输出结果依据民航旅客风险程度从低到高将旅客划分为优质旅客、普通旅客以及重点旅客三个类别。
民航旅客分级指标体系所涵盖的信息部分涉及公民个人隐私及刑事司法系统保密内容，在数据样本获取方面，通过公安保密机，在公安内网运行，样本数量为500000条数据，其中数据集中80％为训练样本，20％为测试样本。基于民航分级指标体系，针对基本特征、经济特征、公共记录特征和乘机信息特征，每一层次对应于一个特征组，把这四组特征组成该深度神经网络模型的输入特征。四个特征层分别由128个、128个和64个神经元组成。综合特征输出层(池化层)分别由128个、64个和1个神经元构成。最终输出结果将作为民航旅客分类结果的输出项，即优质旅客、普通旅客和重点旅客，这将视为民航旅客对应的风险等级。
对于卷积层，第i层的输出
可由式(1)定义：
其中，
表示卷积核，φj表示输入特征，Δ(·)表示激活函数，。
对于池化层而言，本文中进行最大池化，如式(2)所示：
其中，
表示前述s层的i个卷积核，m为核边长，max(·)为池化降维最大值操作，i，j，s，n为正整数，x表示旅客，最后输出层的函数表示为：
(3)民航旅客分级分类与差异化安检衔接
基于风险因素分析对民航旅客进行分类是进行有效差异化安检的前提，差异化安检的实施也是民航旅客分级分类的目的所在，民航旅客分级与差异化安检的合理衔接能够发挥新型机场安检的最大效能。
①安检分流设置
可根据民航旅客分级分类结果，使用双闸门设计对民航旅客进行分流，将风险系数低的优质旅客引导进入快捷通道，进行差异化安全检查。将民航旅客分为重点旅客、普通旅客和优质旅客三类，可在当前机场安检通道设置的基础上增加一类针对重点旅客的高规格安检通道，在集中实施高规格安全检查的同时能够起到一定的风险隔离效果。
所有旅客办理值机后持登机牌或电子客票前往第一道闸门进行身份识别，闸机将提示旅客前往相应的安检通道进行安全检查。识别为优质旅客人员将前往快捷通道；普通旅客将前往常规安检通道；重点旅客则前往高规格安检通道。
②安检规格设置
优质旅客是民航旅客风险评价体系中风险等级最低的一部分旅客，被认为对民用航空系统安全运行的威胁最小或无威胁，故对这部分旅客采取更为简便的安检措施能够最大限度地在保障安全的基础上提升单位时间内旅客通行量，从而达到提升安检效能的效果。可降低优质旅客的开包率、在自动检测无警报的情况下减低后端抽检率、免于移除腰带和轻薄外套、免于将手提电脑移出背包等。
重点旅客因自身因素、过往经历以及环境因素的共同作用，被认为对民航运输系统具有较高的威胁，此类乘客的风险管控直接影响到所在航空运输条线的安全。针对此类乘客可执行100％开包率、100％移除外套及腰带、100％后端抽检率等高规格的安全检查措施，并通过空、地安全人员对此类乘客给予持续关注。
普通旅客是民用航空运输中最常见的一类旅客，其对于民航系统的安全威胁并不显著。将优质旅客及重点旅客从民航旅客群体中分流，降低了普通旅客的数量，故对普通旅客可根据现行的民航机场安全检查标准及所在地安全相应级别进行常规安全检查，保持机场现有的安全检查程序与标准。
(二)民航旅客风险演化的系统动力学分析
民航旅客风险的形成是一个受到多元因素影响并不断演化的过程，既受到旅客个人内部因素的影响，又受到机场安保条件、社会管控力度等外部因素的影响。前述研究中构建了民航旅客分级分类方法，从旅客个人特征的角度对旅客风险评价进行了分析。更进一步，本研究将民航旅客风险演化放置在民航运输安全系统中进行整体性分析，通过构建民航旅客风险演化的系统动力学模型，进行仿真实验，从而探究多元因素影响下的民航旅客风险形成机理，旨在为民航运输安全提出政策性建议。
1、民航旅客风险的系统动力学建模
本研究中民航旅客安全风险形成可视为一个复杂的系统动力学系统，在各种驱动因素作用下进行非线性的演进，会体现出复杂的动力学特性。
(1)系统边界与模型基本设定
根据前文对民航旅客分级分类方法的研究，旅客风险因素主要由旅客基本情况、经济情况、公共记录及乘机信息四个方面构成，安保措施严格程度、社会安全管控力度则会作为环境因素动态影响旅客风险的形成。民航旅客风险系统动力学模型的边界是所有影响旅客风险因素的集合。本研究做出如下设定：旅客风险是一个连续动态演进的系统过程；旅客风险形成也可能受随机意外因素的影响。
(2)系统结构
民航旅客风险演化由基本情况、经济情况、公共记录及乘机信息四个子系统组成，并可以通过社会安全管控和安保措施消除部分风险存量，根据前文分析，构建民航旅客风险演化存量流量图，如图3所示。
2、模型仿真实验
(1)差异化安检的系统动力学方程
前述学习及预测获得的分级分类后的民航旅客将是民航差异化安检博弈分析的对象，针对大型动态旅客安检风险场景，首先解耦为n个个案决策问题，再逐个求解，以获得最优解。民航旅客风险的形成是在旅客个人因素与民航安全环境共同作用的结果，在演化博弈中，民航旅客风险形成中个人驱动因素主要由旅客实施风险行为的能力和旅客实施风险行为的主观意图组成，受到机场差异化安检对策影响，如公式(3)和公式(4)所示：
Rω＝(αβ(-a-c-e)+α(1-β)(-a-c+b)+(1-α)β(-a+d-e)+(1-α)(1-β)(-a+b+d)) (3)
R1-ω＝αβ×0+α(1-β)×0+(1α)β(-f)+(1-α)(1-β)(-f) (4)
其中，ω为检验比率，α为民航安保安全比率，β为分解率，a为社会安全管控，c为民航安保措施，e为民航安保突发响应，b为旅客风险增加量，d为旅客风险减少量，Rω为差异化安检策略的检验适应度，R1-ω为差异化安检策略的未检验适应度，适应度均值则为
需要说明的是，此处的分解率类似于任务完成比率，为0表示完全没分配下去，为1表示特别严格的完成。
因此，民航差异化安检演化博弈的种群动态可通过以下动力学方程集来表示，如公式(5)所示：
其中，f为民航安保奖励，h为民航安保投入成本，g为民航安保失败损失成本，m为因民航安保玩忽职守的预期损失，n为民航安保净收益。
上式表示差异化安检动态调整的速度和方向，当它等于零时，表明策略调整的速度等于零，并且进化博弈系统达到相对稳定的平衡态。将采用计算机仿真方法获得决策支持，这也更适合复杂多主体之间的动态博弈。部分主要变量的系统动力学方程如表13所示。各个子系统存量的增加将正向作用于民航旅客风险存量，民航旅客风险堆积引起社会安全管控的相应变化，并由于发现风险增量的非即时特性存在延迟作用。安保措施受到社会安全管控形势与实施主体响应效率的共同作用，故存在延迟作用。为避免单位不统一对系统演化造成的影响，本模型中的值均采用无纲量单位。
表13民航旅客风险部分主要变量系统动力学方程
(2)仿真实验
本研究选取社会安全管理、安保措施以及响应系数为变量，其它变量保持初始输入值不变，以动态演化上述三变量对民航旅客风险的作用程度。为量化探究安全管理措施对于民航旅客风险的制约效果，将社会安全管理、安保措施以及响应系数三变量分别增加30％，观察民航旅客风险存量的变化趋势。为便于观察，设置INITIAL TIIME＝0，FINALTIME＝100，TIME STEP＝1。
由图4-7可知，社会安全管理、安保措施以及响应系数三变量的值增加30％后均能不同程度降低同等条件下民航旅客风险。社会安全管理值增加30％后，民航旅客风险降低了61.65％，社会安全管理强度的提升增加了对犯罪行为的挤压力度，对意图实施风险行为的民航旅客产生高水平的抑制作用，进而降低了旅客风险存量。安保措施值增加30％后，民航旅客风险降低了29.87％，安保措施的增强意味着旅客进行风险行为面临着更大的成本，需要对风险行为进行升级才能与增强后的安保措施抗衡，同等条件下旅客之于民航运输系统的相对风险降低。响应系数值增加30％后，民航旅客风险降低了29.87％，响应系数代表包括政府部门和机场集团在内的安全管理实施主体对于民航旅客风险水平反应速度，与实施主体对民航旅客风险的认识程度与管理能力有关，响应系数的提升使民航安全管理及时作用于增加的旅客风险存量，达到降低民航旅客风险水平的效果。
本研究借助系统动力学分析，希望得出系统中各因素间的相互作用，从而实现描绘系统演进发展的过程。根据前文中确定的指标权重，引入安保措施和社会安全管控两个风险减少因素，研究了旅客风险在社会安全背景下的消长趋势。民航旅客风险增量受到安全管理措施的抑制，并呈现出震荡下降的趋势。通过改变安全管理策略及响应系数的值，发现提高发现风险以及落实安全管控措施的效率是降低旅客风险的有效途径。
如图8所示，一种基于民航旅客分级分类的差异化安检方法，包括：
S100、选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
S200、对民航旅客个人特征与各项指标之间的契合度进行调查和各种分析，验证民航旅客分级指标体系；
S300、确定民航旅客分级指标体系中各项指标的权重；
S400、对民航旅客分级指标体系中的各项指标进行量化处理；
S500、将民航旅客加权量化后的各项指标输入训练好的基于深度神经网络的民航旅客风险分类模型，得到民航旅客的分类结果作为民航旅客对应的风险等级；
S600、根据民航旅客的分类结果，对不同类别的旅客采取分流和不同的安检措施，确定差异化安检策略。
步骤S100包括：
分析现有的民航旅客背景审查指标体系，借鉴雇员背景调查指标体系及金融授信中的信用评价体系，选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
各项指标包括：基本信息、家庭情况、职业情况、经济情况、公共记录和乘机信息。
步骤S200包括：
基于各项指标，编制问卷；
对问卷进行小样本预测试，其中，预测试的样本容量略大于问卷指标数量，并考虑人口学分布因素；
在确定问卷的信度和效度后，进行数据问卷调查和数据采集。
通过量表可靠性检验与因子分析确定问卷的一致性；
对采集到的数据进行KMO和巴特利特球形度检验，检验通过后进行验证型因子分析进行分析，确定有效样本数；
通过收敛效度分析确定各项指标之间的相关度和收敛效度；
通过区分效度分析确定各项指标之间的区分效度。
步骤S300包括：
在数据采集过程中，对民航旅客个人特征与各项指标之间的契合度进行量化；
基于量化后的契合度使用层次分析法构建判断矩阵，确定各项指标的权重；
在构建判断矩阵之前，对采集的数据进行一致性检验，检验通过后开始构建。
民航旅客的分类结果依据民航旅客风险程度从低到高将旅客划分为优质旅客、普通旅客以及重点旅客三个类别。
步骤S600包括：
针对优质旅客，提示进入快捷通道，降低开包率、在自动检测无警报的情况下减低后端抽检率、免于移除腰带和轻薄外套、免于将手提电脑移出背包；
针对普通旅客，提示进入常规安检通道，根据现行的民航机场安全检查标准及所在地安全相应级别进行常规安全检查，保持机场现有的安全检查程序与标准；
针对重点旅客，提示进入高规格安检通道，执行100％开包率、100％移除外套及腰带、100％后端抽检率的高规格的安全检查措施，并通过空、地安全人员对此类乘客给予持续关注。
差异化安检方法还包括：
S700、构建民航旅客风险演化的系统动力学模型，进行仿真实验，验证差异化安检策略。
民航旅客风险演化的系统动力学模型包括以下公式：
Rω＝(αβ(-a-c-e)+α(1-β)(a-c+b)+(1-α)β(-a+d-e)+(1-α)(1-β)(-a+b+d)) (1)
R1-ω＝αβ×0+α(1-β)×0+(1-α)β(-f)+(1-α)(1-β)(-f) (2)
其中，ω为检验比率，α为民航安保安全比率，β为分解率，a为社会安全管控，c为民航安保措施，e为民航安保突发响应，b为旅客风险增加量，d为旅客风险减少量，Rω为差异化安检策略的检验适应度，R1-ω为差异化安检策略的未检验适应度，适应度均值则为
民航旅客风险演化的系统动力学模型还包括以下公式：
其中，ω为检验比率，α为民航安保安全比率，β为分解率，f为民航安保奖励，h为民航安保投入成本，g为民航安保失败损失成本，m为因民航安保玩忽职守的预期损失，n为民航安保净收益；
通过上式表示差异化安检策略在检验比率、民航安保安全比率和分解率方面的动态调整的速度和方向，若某一项的结果为零，则表明在该方面的策略调整的速度等于零，且达到相对稳定的平衡态。
本发明实施例还提供一种基于民航旅客分级分类的差异化安检系统，包括：
构建模块，用于选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
验证模块，用于对民航旅客个人特征与各项指标之间的契合度进行调查和各种分析，验证民航旅客分级指标体系；
权重确定模块，用于确定民航旅客分级指标体系中各项指标的权重；
量化模块，用于对民航旅客分级指标体系中的各项指标进行量化处理；
分类模块，用于将民航旅客加权量化后的各项指标输入训练好的基于深度神经网络的民航旅客风险分类模型，得到民航旅客的分类结果作为民航旅客对应的风险等级；
策略确定模块，用于根据民航旅客的分类结果，对不同类别的旅客采取分流和不同的安检措施，确定差异化安检策略。
构建模块用于：
分析现有的民航旅客背景审查指标体系，借鉴雇员背景调查指标体系及金融授信中的信用评价体系，选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
各项指标包括：基本信息、家庭情况、职业情况、经济情况、公共记录和乘机信息。
验证模块用于：
基于各项指标，编制问卷；
对问卷进行小样本预测试，其中，预测试的样本容量略大于问卷指标数量，并考虑人口学分布因素；
在确定问卷的信度和效度后，进行数据问卷调查和数据采集。
通过量表可靠性检验与因子分析确定问卷的一致性；
对采集到的数据进行KMO和巴特利特球形度检验，检验通过后进行验证型因子分析进行分析，确定有效样本数；
通过收敛效度分析确定各项指标之间的相关度和收敛效度；
通过区分效度分析确定各项指标之间的区分效度。
权重确定模块用于：
在数据采集过程中，对民航旅客个人特征与各项指标之间的契合度进行量化；
基于量化后的契合度使用层次分析法构建判断矩阵，确定各项指标的权重；
在构建判断矩阵之前，对采集的数据进行一致性检验，检验通过后开始构建。
民航旅客的分类结果依据民航旅客风险程度从低到高将旅客划分为优质旅客、普通旅客以及重点旅客三个类别。
策略确定模块用于：
针对优质旅客，提示进入快捷通道，降低开包率、在自动检测无警报的情况下减低后端抽检率、免于移除腰带和轻薄外套、免于将手提电脑移出背包；
针对普通旅客，提示进入常规安检通道，根据现行的民航机场安全检查标准及所在地安全相应级别进行常规安全检查，保持机场现有的安全检查程序与标准；
针对重点旅客，提示进入高规格安检通道，执行100％开包率、100％移除外套及腰带、100％后端抽检率的高规格的安全检查措施，并通过空、地安全人员对此类乘客给予持续关注。
差异化安检系统还包括：
模型构建模块，用于构建民航旅客风险演化的系统动力学模型，进行仿真实验，验证差异化安检策略。
民航旅客风险演化的系统动力学模型包括以下公式：
Rω＝(αβ(-a-c-e)+α(1-β)(-a-c+b)+(1-α)β(-a+d-e)+(1-α)(1-β)(-a+b+d)) (1)
R1-ω＝αβ×0+α(1-β)×0+(1-α)β(-f)+(1-α)(1-β)(-f) (2)
其中，ω为检验比率，α为民航安保安全比率，β为分解率，a为社会安全管控，c为民航安保措施，e为民航安保突发响应，b为旅客风险增加量，d为旅客风险减少量，Rω为差异化安检策略的检验适应度，R1-ω为差异化安检策略的未检验适应度，适应度均值则为
民航旅客风险演化的系统动力学模型还包括以下公式：
其中，ω为检验比率，α为民航安保安全比率，β为分解率，f为民航安保奖励，h为民航安保投入成本，g为民航安保失败损失成本，m为因民航安保玩忽职守的预期损失，n为民航安保净收益；
通过上式表示差异化安检策略在检验比率、民航安保安全比率和分解率方面的动态调整的速度和方向，若某一项的结果为零，则表明在该方面的策略调整的速度等于零，且达到相对稳定的平衡态。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于民航旅客分级分类的差异化安检方法，其特征在于，包括：
(1)选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
(2)对民航旅客个人特征与所述各项指标之间的契合度进行调查和各种分析，验证所述民航旅客分级指标体系；
(3)确定所述民航旅客分级指标体系中各项指标的权重；
(4)对所述民航旅客分级指标体系中的各项指标进行量化处理；
(5)将民航旅客加权量化后的各项指标输入训练好的基于深度神经网络的民航旅客风险分类模型，得到民航旅客的分类结果作为民航旅客对应的风险等级；
(6)根据民航旅客的分类结果，对不同类别的旅客采取分流和不同的安检措施，确定差异化安检策略。
2.根据权利要求1所述的一种基于民航旅客分级分类的差异化安检方法，其特征在于，步骤(1)包括：
分析现有的民航旅客背景审查指标体系，借鉴雇员背景调查指标体系及金融授信中的信用评价体系，选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
所述各项指标包括：基本信息、家庭情况、职业情况、经济情况、公共记录和乘机信息。
3.根据权利要求1所述的一种基于民航旅客分级分类的差异化安检方法，其特征在于，步骤(2)包括：
基于所述各项指标，编制问卷；
对所述问卷进行小样本预测试，其中，预测试的样本容量略大于问卷指标数量，并考虑人口学分布因素；
在确定所述问卷的信度和效度后，进行数据问卷调查和数据采集。
通过量表可靠性检验与因子分析确定所述问卷的一致性；
对采集到的数据进行KMO和巴特利特球形度检验，检验通过后进行验证型因子分析进行分析，确定有效样本数；
通过收敛效度分析确定所述各项指标之间的相关度和收敛效度；
通过区分效度分析确定所述各项指标之间的区分效度。
4.根据权利要求3所述的一种基于民航旅客分级分类的差异化安检方法，其特征在于，步骤(3)包括：
在数据采集过程中，对民航旅客个人特征与所述各项指标之间的契合度进行量化；
基于量化后的契合度使用层次分析法构建判断矩阵，确定所述各项指标的权重；
在构建判断矩阵之前，对采集的数据进行一致性检验，检验通过后开始构建。
5.根据权利要求1所述的一种基于民航旅客分级分类的差异化安检方法，其特征在于，所述民航旅客的分类结果依据民航旅客风险程度从低到高将旅客划分为优质旅客、普通旅客以及重点旅客三个类别。
6.根据权利要求1所述的一种基于民航旅客分级分类的差异化安检方法，其特征在于，步骤(6)包括：
针对优质旅客，提示进入快捷通道，降低开包率、在自动检测无警报的情况下减低后端抽检率、免于移除腰带和轻薄外套、免于将手提电脑移出背包；
针对普通旅客，提示进入常规安检通道，根据现行的民航机场安全检查标准及所在地安全相应级别进行常规安全检查，保持机场现有的安全检查程序与标准；
针对重点旅客，提示进入高规格安检通道，执行100％开包率、100％移除外套及腰带、100％后端抽检率的高规格的安全检查措施，并通过空、地安全人员对此类乘客给予持续关注。
7.根据权利要求1所述的一种基于民航旅客分级分类的差异化安检方法，其特征在于，所述差异化安检方法还包括：
(7)构建民航旅客风险演化的系统动力学模型，进行仿真实验，验证所述差异化安检策略。
8.根据权利要求7所述的一种基于民航旅客分级分类的差异化安检方法，其特征在于，所述民航旅客风险演化的系统动力学模型包括以下公式：
Rω＝(αβ(-a-c-e)+α(1-β)(-a-c+b)+(1-α)β(-a+d-e)+(1-α)(1-β)(-a+b+d)) (1)
R1-ω＝αβ×0+α(1-β)×0+(1-α)β(-f)+(1-α)(1-β)(-f) (2)
其中，ω为检验比率，α为民航安保安全比率，β为分解率，a为社会安全管控，c为民航安保措施，e为民航安保突发响应，b为旅客风险增加量，d为旅客风险减少量，Rω为所述差异化安检策略的检验适应度，R1-ω为所述差异化安检策略的未检验适应度，适应度均值则为
9.根据权利要求8所述的一种基于民航旅客分级分类的差异化安检方法，其特征在于，所述民航旅客风险演化的系统动力学模型还包括以下公式：
其中，ω为检验比率，α为民航安保安全比率，β为分解率，f为民航安保奖励，h为民航安保投入成本，g为民航安保失败损失成本，m为因民航安保玩忽职守的预期损失，n为民航安保净收益；
通过上式表示所述差异化安检策略在检验比率、民航安保安全比率和分解率方面的动态调整的速度和方向，若某一项的结果为零，则表明在该方面的策略调整的速度等于零，且达到相对稳定的平衡态。
10.一种基于民航旅客分级分类的差异化安检系统，其特征在于，包括：
构建模块，用于选取适合于评价民航旅客风险的各项指标，初步构建民航旅客分级指标体系；
验证模块，用于对民航旅客个人特征与所述各项指标之间的契合度进行调查和各种分析，验证所述民航旅客分级指标体系；
权重确定模块，用于确定所述民航旅客分级指标体系中各项指标的权重；
量化模块，用于对所述民航旅客分级指标体系中的各项指标进行量化处理；
分类模块，用于将民航旅客加权量化后的各项指标输入训练好的基于深度神经网络的民航旅客风险分类模型，得到民航旅客的分类结果作为民航旅客对应的风险等级；
策略确定模块，用于根据民航旅客的分类结果，对不同类别的旅客采取分流和不同的安检措施，确定差异化安检策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010703864.5A CN112215451A (zh) | 2020-07-21 | 2020-07-21 | 一种基于民航旅客分级分类的差异化安检方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010703864.5A CN112215451A (zh) | 2020-07-21 | 2020-07-21 | 一种基于民航旅客分级分类的差异化安检方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112215451A true CN112215451A (zh) | 2021-01-12 |
Family
ID=74059129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010703864.5A Pending CN112215451A (zh) | 2020-07-21 | 2020-07-21 | 一种基于民航旅客分级分类的差异化安检方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215451A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926698A (zh) * | 2022-07-19 | 2022-08-19 | 深圳市南方硅谷半导体股份有限公司 | 基于演化博弈论的神经网络架构搜索的图像分类方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050258230A1 (en) * | 2004-05-18 | 2005-11-24 | Keith Wiater | Processing passengers, baggage and cargo |
| US20100156630A1 (en) * | 2008-12-18 | 2010-06-24 | Robert Ainsbury | Contextual Risk Indicators in Connection with Threat Level Management |
| JP2011215725A (ja) * | 2010-03-31 | 2011-10-27 | Airport Intelligent Communications Service Co Ltd | 乗客移動支援システム |
| CN104063816A (zh) * | 2014-06-30 | 2014-09-24 | 中国民航机场建设集团公司 | 机场旅客交运行李的安全检查方法 |
| WO2016056692A1 (ko) * | 2014-10-06 | 2016-04-14 | (주)토브랩 | 지하철 객실 별 실시간 냉난방 제어 시스템 |
| CN106156343A (zh) * | 2016-07-21 | 2016-11-23 | 中国地质大学（武汉） | 一种深基坑施工方案安全评审知识库以及自动安全评审方法 |
| CN107566387A (zh) * | 2017-09-14 | 2018-01-09 | 中国人民解放军信息工程大学 | 基于攻防演化博弈分析的网络防御行动决策方法 |
| CN108364393A (zh) * | 2018-02-01 | 2018-08-03 | 福建工程学院 | 一种三层级安检通道分流与中转方法 |
| CN108376310A (zh) * | 2018-02-06 | 2018-08-07 | 深圳前海大观信息技术有限公司 | 建筑物火灾风险等级评估方法 |
| GB201815344D0 (en) * | 2018-05-02 | 2018-11-07 | Chen Sien | Machine learning system and medium for calculating passenger values of airline |
| CN109034518A (zh) * | 2018-05-31 | 2018-12-18 | 中国人民公安大学 | 一种安检分流和航班预警方法及系统 |
| CN109345139A (zh) * | 2018-10-29 | 2019-02-15 | 南京航空航天大学 | 一种基于系统动力学的机场群效率及政策评估方法 |
| CN109559049A (zh) * | 2018-12-03 | 2019-04-02 | 中国民航空中警察总队十二支队 | 民航航班安保风险预警系统 |
| CN110210673A (zh) * | 2019-06-05 | 2019-09-06 | 福建工程学院 | 一种通关安检排队优化方法 |
| CN110378744A (zh) * | 2019-07-25 | 2019-10-25 | 中国民航大学 | 面向不完备数据系统的民航常旅客价值分类方法及系统 |
| CN111126775A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于层次分析法的居民客户价值分级模型构建方法 |
| CN111160696A (zh) * | 2019-11-21 | 2020-05-15 | 国政通科技有限公司 | 一种基于大数据的被检人员分级方法 |
-
2020
- 2020-07-21 CN CN202010703864.5A patent/CN112215451A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050258230A1 (en) * | 2004-05-18 | 2005-11-24 | Keith Wiater | Processing passengers, baggage and cargo |
| US20100156630A1 (en) * | 2008-12-18 | 2010-06-24 | Robert Ainsbury | Contextual Risk Indicators in Connection with Threat Level Management |
| JP2011215725A (ja) * | 2010-03-31 | 2011-10-27 | Airport Intelligent Communications Service Co Ltd | 乗客移動支援システム |
| CN104063816A (zh) * | 2014-06-30 | 2014-09-24 | 中国民航机场建设集团公司 | 机场旅客交运行李的安全检查方法 |
| WO2016056692A1 (ko) * | 2014-10-06 | 2016-04-14 | (주)토브랩 | 지하철 객실 별 실시간 냉난방 제어 시스템 |
| CN106156343A (zh) * | 2016-07-21 | 2016-11-23 | 中国地质大学（武汉） | 一种深基坑施工方案安全评审知识库以及自动安全评审方法 |
| CN107566387A (zh) * | 2017-09-14 | 2018-01-09 | 中国人民解放军信息工程大学 | 基于攻防演化博弈分析的网络防御行动决策方法 |
| CN108364393A (zh) * | 2018-02-01 | 2018-08-03 | 福建工程学院 | 一种三层级安检通道分流与中转方法 |
| CN108376310A (zh) * | 2018-02-06 | 2018-08-07 | 深圳前海大观信息技术有限公司 | 建筑物火灾风险等级评估方法 |
| GB201815344D0 (en) * | 2018-05-02 | 2018-11-07 | Chen Sien | Machine learning system and medium for calculating passenger values of airline |
| CN109034518A (zh) * | 2018-05-31 | 2018-12-18 | 中国人民公安大学 | 一种安检分流和航班预警方法及系统 |
| CN109345139A (zh) * | 2018-10-29 | 2019-02-15 | 南京航空航天大学 | 一种基于系统动力学的机场群效率及政策评估方法 |
| CN109559049A (zh) * | 2018-12-03 | 2019-04-02 | 中国民航空中警察总队十二支队 | 民航航班安保风险预警系统 |
| CN110210673A (zh) * | 2019-06-05 | 2019-09-06 | 福建工程学院 | 一种通关安检排队优化方法 |
| CN110378744A (zh) * | 2019-07-25 | 2019-10-25 | 中国民航大学 | 面向不完备数据系统的民航常旅客价值分类方法及系统 |
| CN111160696A (zh) * | 2019-11-21 | 2020-05-15 | 国政通科技有限公司 | 一种基于大数据的被检人员分级方法 |
| CN111126775A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于层次分析法的居民客户价值分级模型构建方法 |
Non-Patent Citations (6)
| Title |
|---|
| 冯文刚;黄静;: "基于深度学习的民航安检和航班预警研究", no. 10 * |
| 唐玉丽: "机场旅客风险分类指标体系研究", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》, pages 20 - 57 * |
| 宋宇辰: "《基于系统动力学的能源-经济-环境-人口可持续发展建模研究》", 冶金工业出版社, pages: 118 - 126 * |
| 彭凯贝;史天运;伍柳伊;吕晓军;: "基于旅客风险分类的安检流程研究", no. 05 * |
| 薛锋;黄宇;刘珊珊;罗建;吕丹;: "高速铁路调度指挥安全风险分析及预警决策", no. 04 * |
| 陈芳等: "民航机务维修人员不安全行为干预策略研究", 《中国安全科学学报》, vol. 26, no. 7, pages 18 - 22 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926698A (zh) * | 2022-07-19 | 2022-08-19 | 深圳市南方硅谷半导体股份有限公司 | 基于演化博弈论的神经网络架构搜索的图像分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jenatabadi et al. | Application of structural equation modelling for estimating airline performance | |
| Liou et al. | Building an effective safety management system for airlines | |
| CN104182805B (zh) | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 | |
| US6951008B2 (en) | Evidential reasoning system and method | |
| Kamiran et al. | Explainable and non-explainable discrimination in classification | |
| CN111160696A (zh) | 一种基于大数据的被检人员分级方法 | |
| Dodd | On classifying human values: A step in the prediction of human valuing | |
| Park et al. | A data mining approach to deriving safety policy implications for taxi drivers | |
| CN114764682A (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
| CN112215451A (zh) | 一种基于民航旅客分级分类的差异化安检方法及系统 | |
| US20020184140A1 (en) | Computerized method for determining a credit line | |
| Derks et al. | The Bayesian approach to audit evidence: Quantifying statistical evidence using the Bayes factor | |
| Mecati et al. | Detecting discrimination risk in automated decision-making systems with balance measures on input data | |
| CN116468273A (zh) | 客户风险识别方法及装置 | |
| Sharma et al. | Novel hiring process using machine learning and natural language processing | |
| Eisenberg et al. | Validation of the Wisconsin department of corrections risk assessment instrument | |
| CN115511454A (zh) | 一种生成审核规则的方法、装置及相关产品 | |
| Wei et al. | Using machine learning to detect PII from attributes and supporting activities of information assets | |
| Işık et al. | Detection of fraudulent transactions using artificial neural networks and decision tree methods | |
| Veniaminovich et al. | Decision support for holding management using scenario ASC-analysis | |
| Chugh et al. | A Comprehensive Study on the Association Between Personality Traits and Software Development | |
| Junior et al. | Interpretability with Relevance Aggregation in Neural Networks for Absenteeism Prediction | |
| Khojasteh Aliabadi et al. | Developing a model for managing the risk assessment of import declarations in customs based on data analysis techniques | |
| Zhu et al. | Identification of Impoverished College Students Based on LR-RF Dual Indicators | |
| Digdowiseiso | Quality of internal service, job satisfaction and employment commitment to employee performance mediated by employee welfare at the Bureau of Planning and Administration of the Criminal Reservation Agency |
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 |