CN112329974B - 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 - Google Patents
基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 Download PDFInfo
- Publication number
- CN112329974B CN112329974B CN202010915114.4A CN202010915114A CN112329974B CN 112329974 B CN112329974 B CN 112329974B CN 202010915114 A CN202010915114 A CN 202010915114A CN 112329974 B CN112329974 B CN 112329974B
- Authority
- CN
- China
- Prior art keywords
- civil aviation
- security event
- aviation security
- model
- time sequence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 61
- 230000006399 behavior Effects 0.000 claims abstract description 48
- 238000009826 distribution Methods 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 19
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 238000012360 testing method Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
Abstract
本发明公开了一种基于LSTM‑RNN的民航安保事件行为主体识别与预测方法及系统,方法包括:S100、获取民航安保数据;S200、对民航安保数据进行预处理,基于预处理后的民航安保数据,构建民航安保事件数据库,以获取训练样本集;S300、基于民航安保事件类别模型和民航安保事件数据库,构建每一类民航安保事件对应的概率模型,基于概率模型和概率分布度量距离方法,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征;S400、基于深度长短记忆迭代模型,对民航安保事件时间序列特征进行分析识别和预测,得到对应的民航安保事件行为主体。本发明可以得出比现有算法更优的模型预测精度。
Description
技术领域
本发明涉及数据分析与安检领域,具体涉及一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法及系统。
背景技术
民航安全一直是民航业界的头等要务。当前,我国民航发展迅速,2019年我国全年民航旅客吞吐量已超过13亿人次,年旅客吞吐量1000万人次以上的机场也达到39个,因此民航安保工作应实现全过程、全要素安全可控就显得尤为重要。根据当前我国民航安保总体态势的现状,打击民航类犯罪活动和防范民航安保事件成为工作的重点,其原因在于:
一方面,民航类犯罪活动有其自身属性特点,如机上盗窃、人体藏毒等,既具有一般盗窃案件和运输毒品案件的行为特征,更兼有特殊的民航类行为特征,且犯罪手段也越来越多样化,影响范围可能也不局限于一个机场,可能迅速蔓延到局部运输网络。
另一方面,民航安保事件近年数量逐步增多,如2019年全民航行业共发生安保事件近2万起,如表1所示。虽然随着公安处罚力度的进一步增强,以及联合惩戒效果初现,高发事件总量出现减少,但安保事件总数尚处于高位,如不能合理控制,既会显著影响旅客的安全感和满意度,同时也会受到政府和民众的关心和重视。
表1 2019年民航安保事件
将民航安保事件数据与适当的机器学习工具相结合,可以帮助民航公安识别不同的民航安保事件行为模式,甚至可检测民航安保事件行为主体。但是,当前犯罪分析模型(也包括民航安保分析模型)中使用的大多数机器学习算法都需要严格依赖数据提示步骤,包括相关领域专家知识或广泛的数据探索过程。此外,虽然民航安保事件的行为数据是时间序列数据,但是传统机器学习算法并不具有利用顺序关系的分析能力。
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LSTM-RNN的民航安保事件行为主体识别与预测方法及系统,可以得出比现有算法更优的模型预测精度。
为实现上述目的,本发明采用的技术方案如下:
一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法,包括:
(1)获取民航安保数据;
(2)对所述民航安保数据进行预处理,基于预处理后的所述民航安保数据,构建民航安保事件数据库,以获取训练样本集;
(3)基于民航安保事件类别模型和所述民航安保事件数据库,构建每一类民航安保事件对应的概率模型,基于所述概率模型和概率分布度量距离方法,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征;
(4)基于深度长短记忆迭代模型,对所述民航安保事件时间序列特征进行分析识别和预测,得到对应的民航安保事件行为主体。
进一步,如上所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法,步骤(1)包括:
从公安网信息和民航运行网信息中获取民航安保数据;
步骤(2)包括:
通过标定构建民航安保事件数据库。
进一步,如上所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法,步骤(3)包括:
(3.1)将民航安保事件类别作为训练目标,对所述民航安保事件数据库进行训练,构建民航安保事件类别模型,基于所述民航安保事件类别模型,获取民航安保事件时间序列,所述民航安保事件时间序列用于表征多个单一民航安保事件概念信息;
(3.2)基于HMM模型对所述民航安保事件时间序列构建民航安保事件通用信息模型;
(3.3)针对每一类民航安保事件,构建如何从所述民航安保事件通用信息模型得到该类民航安保事件对应的民航安保事件时间序列的概率模型;
(3.4)基于模型的相似度估计所述概率模型的概率分布度量距离,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征。
进一步,如上所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法,通过正则项对多个单一民航安保事件类别间的偏差进行限制,假设某一民航安保事件类别中包括n个单一民航安保事件概念信息s1,s2,...,si,...,sn,则目标函数如下式:
其中,s为民航安保事件类别模型,F(si,s)控制s和si的差别,控制权重正则化,R2(s)控制犯罪类别模型整体的正则化,R3(s,Ws,Wd)控制训练民航安保事件类别模型s时的正则化,O(s,Ws,q)为民航安保事件类别模型s训练时的损失,W为正则化系数,Ws为训练数据的正则化系数,Wd为未标注数据的正则化系数,q为民航安保事件类别概念群。
进一步,如上所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法,通过下式计算得到所述概率模型的概率分布度量距离KLD:
其中,hu和hv分别为概率模型的两个概率分布,h为概率模型,共有N个状态,aii为隐状态间转移概率,第i个状态的概率分布由GMM模型{ηi1,ηi2,...,ηiS,μi1,μi2,...,μiS,∑i1,∑i2,∑iS}表示,A为转换矩阵,i,s,S,N为正整数。
一种基于LSTM-RNN的民航安保事件行为主体识别与预测系统,包括:
获取模块,用于获取民航安保数据;
构建模块,用于对所述民航安保数据进行预处理,基于预处理后的所述民航安保数据,构建民航安保事件数据库,以获取训练样本集;
构建获取模块,用于基于民航安保事件类别模型和所述民航安保事件数据库,构建每一类民航安保事件对应的概率模型,基于所述概率模型和概率分布度量距离方法,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征;
识别预测模块,用于基于深度长短记忆迭代模型,对所述民航安保事件时间序列特征进行分析识别和预测,得到对应的民航安保事件行为主体。
进一步,如上所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测系统,所述获取模块具体用于:
从公安网信息和民航运行网信息中获取民航安保数据;
所述构建模块具体用于:
通过标定构建民航安保事件数据库。
进一步,如上所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测系统,所述构建获取模块具体用于:
将民航安保事件类别作为训练目标,对所述民航安保事件数据库进行训练,构建民航安保事件类别模型,基于所述民航安保事件类别模型,获取民航安保事件时间序列,所述民航安保事件时间序列用于表征多个单一民航安保事件概念信息;
基于HMM模型对所述民航安保事件时间序列构建民航安保事件通用信息模型;
针对每一类民航安保事件,构建如何从所述民航安保事件通用信息模型得到该类民航安保事件对应的民航安保事件时间序列的概率模型;
基于模型的相似度估计所述概率模型的概率分布度量距离,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征。
进一步,如上所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测系统,通过正则项对多个单一民航安保事件类别间的偏差进行限制,假设某一民航安保事件类别中包括n个单一民航安保事件概念信息s1,s2,...,si,...,sn,则目标函数如下式:
其中,s为民航安保事件类别模型,F(si,s)控制s和si的差别,控制权重正则化,R2(s)控制犯罪类别模型整体的正则化,R3(s,Ws,Wd)控制训练民航安保事件类别模型s时的正则化,O(s,Ws,q)为民航安保事件类别模型s训练时的损失,W为正则化系数,Ws为训练数据的正则化系数,Wd为未标注数据的正则化系数,q为民航安保事件类别概念群。
进一步,如上所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测系统,通过下式计算得到所述概率模型的概率分布度量距离KLD:
其中,hu和hv分别为概率模型的两个概率分布,h为概率模型,共有N个状态,aii为隐状态间转移概率,第i个状态的概率分布由GMM模型{ηi1,ηi2,...,ηiS,μi1,μi2,...,μiS,∑i1,∑i2,∑iS}表示,A为转换矩阵,i,s,S,N为正整数。
本发明的有益效果在于:本发明所提供的方法及系统,采用长短时记忆(LSTM)的RNN体系结构,利用整体数据驱动方法从民航安保事件行为数据中捕获安保事件主体的个性特征,从而能够识别安保事件主体。LSTM算法的时间序列性质允许整体利用嵌入在安保事件行为中从捕获的时间序列数据中的固有时间信息。
附图说明
图1为本发明实施例中提供的期望民航犯罪分析方式的流程示意图;
图2为本发明实施例中提供的一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法的整体框架示意图;
图3为本发明实施例中提供的一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法的流程示意图;
图4为本发明实施例中提供的基于概率分布距离的民航安保事件时间序列模型示意图;
图5为本发明实施例中提供的深度长短记忆递归模型示意图;
图6为本发明实施例中提供的数据增加噪声后算法精度对比示意图;
图7为本发明实施例中提供的基于不同时序特征提取方法的算法训练精度对比示意图;
图8为本发明实施例中提供的算法精度实验结果对比图。
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。
犯罪学研究的本质是通过对于犯罪的理解分析,基于描述性分析以实现犯罪问题解决。对于犯罪的理解分析需重视探索个人在犯罪相关行为中的积极作用,且要缩小关注焦点,涉及个人背景和具体环境。犯罪的基本相关因素包括性别、年龄、种族、气质、人格等,有些可以直接用数据表示,有些则需要通过数据分析获得。
描述犯罪学试图描述犯罪相关现象、意境、变量之间的关系,以其利用经验方法识别相关变量,阐述这些变量在不同情况下是如何相互作用的。因此对于犯罪因素进行准确的表示与分析是基础。传统的描述型犯罪分析的分类方案是解释和示范,通过专家的经验分析证明其正确性。在丰富的数据资源下,可以利用数据标签及变量开展犯罪人的特征行为模式分析,通过提出概念方案以解读犯罪相关因素的复发模式。
随着机器学习算法和数据挖掘技术的成功,在最近几年中,人们越来越关注利用犯罪数据来进行识别与预测。这些文献中的大多数研究都集中在涉及特征选择的严格数据分析上和统计特征形成技术。
当前的犯罪分析通常仅进行犯罪规律统计分析,如图1所示,且刚开始引入深度学习进行预测,主要仍需依赖民警人工研判,更无法使用神经网络方法对于犯罪行为语义特征以及犯罪主体进行分析,也没有专门针对民航安保事件进行分析研究。因此,运用智能犯罪分析手段,辅助公安民警分析和研究民航类案事件是亟需开展的任务。
本发明提出的民航安保事件主体分析与预测方法的研究框架如图2所示,由四个步骤组成:
第一步,从公安内网和民航运行网中获取近三年的民航安保数据;
第二步,对于民航安保数据进行预处理,通过标定构建民航安保事件数据库,通过分解单一民航安保概念以获取民航安保事件时间序列;
第三步,结合民航安保事件类别模型和民航安保事件数据库正样本,建立民航安保事件概念模型,继而在构建民航安保案事件通用信息模型基础上,基于概率分布距离度量得出基于时间序列模型的民航安保事件的行为语义特征;
第四步,采用深度长短记忆迭代模型,输入民航安保事件时间序列特征以分析和预测民航安保事件主体。
如图3所示,一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法,包括:
S100、获取民航安保数据;
步骤S100包括:
从公安网信息和民航运行网信息中获取民航安保数据。
S200、对民航安保数据进行预处理,基于预处理后的民航安保数据,构建民航安保事件数据库,以获取训练样本集;
步骤S200包括:
通过标定构建民航安保事件数据库。
S300、基于民航安保事件类别模型和民航安保事件数据库,构建每一类民航安保事件对应的概率模型,基于概率模型和概率分布度量距离方法,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征;
步骤S300包括:
S301、将民航安保事件类别作为训练目标,对民航安保事件数据库进行训练,构建民航安保事件类别模型,基于民航安保事件类别模型,获取民航安保事件时间序列,民航安保事件时间序列用于表征多个单一民航安保事件概念信息;
通过正则项对多个单一民航安保事件类别间的偏差进行限制,假设某一民航安保事件类别中包括n个单一民航安保事件概念信息s1,s2,...,si,...,sn,则目标函数如下式:
其中,s为民航安保事件类别模型,F(si,s)控制s和si的差别,控制权重正则化,R2(s)控制犯罪类别模型整体的正则化,R3(s,Ws,Wd)控制训练民航安保事件类别模型s时的正则化,O(s,Ws,q)为民航安保事件类别模型s训练时的损失,W为正则化系数,Ws为训练数据的正则化系数,Wd为未标注数据的正则化系数,q为民航安保事件类别概念群。
S302、基于HMM模型对民航安保事件时间序列构建民航安保事件通用信息模型;
S303、针对每一类民航安保事件,构建如何从民航安保事件通用信息模型得到该类民航安保事件对应的民航安保事件时间序列的概率模型;
S304、基于模型的相似度估计概率模型的概率分布度量距离,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征。
通过下式计算得到概率模型的概率分布度量距离KLD:
其中,hu和hv分别为概率模型的两个概率分布,h为概率模型,共有N个状态,aii为隐状态间转移概率,第i个状态的概率分布由GMM模型{ηi1,ηi2,...,ηiS,μi1,μi2,...,μiS,∑i1,∑i2,∑iS}表示,A为转换矩阵,i,s,S,N为正整数。
S400、基于深度长短记忆迭代模型,对民航安保事件时间序列特征进行分析识别和预测,得到对应的民航安保事件行为主体。
(1)安保概念信息下的民航安保事件特征表示
民航安保事件一般是采用非结构化的文字表述,需要对文本信息进行预处理。通过结合统计学习工具及自然语言处理工具,分析民航安保事件文本信息的词法和句法,从而得出民航安保事件时间序列特征。
针对民航安保事件主体行为特征建模,首先需要构建一个民航安保事件数据库,以获取训练样本集。因为相关民航安保事件信息内容属于涉密信息,本发明将通过保密机分别连接公安网和民航运行网进行相关工作,获取民航安保事件信息内容。由于一段安保事件信息中包括多种单一安保概念信息,需采用概念定位方法,获取所需信息。针对安保行为特征提取,本发明拟通过多模态特征以获取更多安保行为特征信息,通过基于正则化学习方法,如公式(1)所示:
其中,新的安保信息模型g由先前模型的加权组合累加g0获得,即且模型权重由训练获得,权重训练中偏差项为交叉熵损失函数F(g,Ws,q),经归一化成概率分布形式后计算得到,R1(t)为正则化训练权重,R2(g0)为正则化新模型项。/>σ为模型参数权重项,Ws为训练数据,q为民航安保事件类别概念群。
如果只是简单的把单一民航安保概念信息汇聚起来,并不能真实表征民航安保事件行为特征,更无法得到恰当的民航安保事件时间序列特征。如果直接利用民航安保事件数据库中获取的简单行为特征进行建模和学习,无法有效提升算法精度。因此,需要针对每一中特定民航安保事件类别,将其整体视为训练目标,在数据集中进行训练。例如当针对“机上盗窃”安保事件类型进行学习时,既需要搜集事件主体进行机上盗窃时相关公安数据信息作为正样本,还需加上同一主体未被发现进行机上盗窃时相关民航数据信息作为正样本,并附上其他负样本进行训练。但是,当安保事件类别群样例可视为单一安保信息样本集合交集的状况较为少见,特别是部分民航安保类别还会包括多种类型安保信息,且上述做法无法提取单一民航安保事件内语义。
民航安保事件时间序列应表征其所包含的多个单一民航安保概念所具有的民航安保公共信息,因此本发明通过对民航安保事件时间序列建模,来获取单一民航安保事件概念信息中的公共语义,这就需要对于每一个单一民航安保事件类别间偏差通过正则项进行限制。假设某一民航安保事件类别中包括了n个单一民航安保事件概念信息s1,s2,...,sn,则目标函数如公式(2)所示:
其中,s为民航安保事件类别模型,F(si,s)控制s和si的差别,控制权重正则化,R2(s)控制模型s整体的正则化,实现对于/>和F(si,s)自适应加权以控制整体模型,R3(s,Ws,Wd)控制训练模型s时的正则化,O(s,Ws,q)为模型s训练时的损失,W为正则化系数,不同下标表示不同的正则化项系数,Ws表示训练数据,Wd表示未标注数据,q为民航安保事件类别概念群。
(2)民航安保事件主体行为特征抽取
构建民航安保事件类别模型后,将其视为进行民航安保事件学习预测输入项,对民航安保事件时间序列构建模型。由于民航安保事件类别不同,使得民航安保事件时间序列长度不等,会影响下一步模型训练,本发明拟通过概率分布之间的距离来解决。如图4所示。
首先,基于HMM模型(Hidden Markov Model,隐马尔可夫模型)对于所有民航安保事件时间序列构建民航安保事件通用信息模型;
其次,针对每一类民航安保事件时间序列,构建如何从民航安保事件通用信息模型得出该民航安保事件时间序列的变换模型(图4中的概率模型);
然后,基于模型的相似度估计民航安保事件时间序列对间分布距离,即KL距离;
KL距离(Kullback-Leibler Divergence)也叫做相对熵(Relative Entropy)。它衡量的是相同事件空间里的两个概率分布的差异情况。
最后,构建新的度量距离方法来构建模型以获得特征描述。
对于HMM模型,需通过近似方法度量其相似性,并基于前述民航安保事件类别概念群序列中得出的正样本和负样本信息,加入标号增强区分性,则可得出KL距离如公式(3)所示:
其中,h为HMM模型,共有N个状态,aii表示隐状态间转移概率,状态i的概率分布由GMM模型{ηi1,ηi2,...,ηiS,μi1,μi2,...,μiS,∑i1,∑i2,∑iS}表示,变换为Aμis后,需基于保持语义近邻方法对于A优化,实现划分效果,A为转换矩阵,u,v为概率分布。
(3)民航安保案事件主体学习与预测
本发明基于一种端到端的长短记忆递归神经网络模型(LSTM-RNN),采用整体数据驱动的方法,对前步获得的民航安保事件主体的时序行为特征以进行识别。如图5所示,状态ui是用于获取动态序列数据(即来自民航安保事件时序序列的数据)及提取特征的连接,并传递给后续步骤以进行下一步。图5中的犯罪概念群序列即上述获得的民航安保事件时间序列,犯罪主体即民航安保事件行为主体。
长短记忆模型(long-short term memory,LSTM)的单元状态具有一个或多个门的结构调节的存储单元。门控制着新的顺序信息的添加,并且分别从内存中删除无用的内存。门是S型激活功能和点的组合(标量)乘法运算,用于控制通过网络传递的信息。本发明使用LSTM具有三个门,即忘记门,输入门和输出门:
忘记门,决定信息是保留或删除,如公式(4)所示:
Ft=ξ(Kf×[Ut-1,CACt]+df) (4)
输入门,决定增加何种新信息,及针对下一级内存块将之前状态St-1更新至状态St,如公式(5)、公式(6)和公式(7)所示:
It=ξ(Ki×[Ut-1,CACt]+di) (5)
输出门为给定时间步骤t后得到的输出信息,如公式(8)和公式(9)所示:
Ot=ξ(Ko×[Ut-1,CACt]+do) (8)
Ut=Ot+tanh(St) (9)
其中,CACt,Ut分别为记忆细胞的输入和输出,Ut-1为前一状态的输入;Ft、It、Ot分别为忘记门、输入门和输出门的激活函数;Kf、Ki、Ko分别为忘记门、输入门和输出门的权重;df、di、do分别为忘记门、输入门和输出门的偏差;Kc为权重,dc为偏差;St为候选细胞和更新细胞状态值;/>f为网络的输出。
Deep-LSTM模型的最后一层是S型函数,如公式4所示。它获取最后的隐藏层特征向量,并输出给定一组驱动程序的分类分数。然后选择具有最高概率得分的得分作为最终预测。在训练过程中,使用了一系列交叉熵损失函数和一个Adam优化算法。这些是最初为构建模型而固定的一些超参数。还有其他一些超参数,例如神经元的数量,神经元的深度。
实施例一
1、数据准备
本发明使用数据集为近3年全国民航安保事件,分为19类51900起案事件(均通过保密机采集自公安内网,并在保密机上进行分析)将数据集分为训练80%,验证5%和测试15%数据。
2、deep LSTM架构设计
如前所述,“多对一”的Deep LSTM形成适用于此问题。“多对一”定义了网络的多个输入和唯一输出,而网络的内部部分可以构建为多个方法。内部层的层数和神经元数是确定模型的准确性和计算复杂性的一些内部网络参数。随着网络的深度和隐藏层中神经元数量的增加,准确性通常会提高,但是会消耗计算资源。通过训练和应用网格架构搜索技术验证数据以找到最有效的架构,发现三层隐藏层网络是最有效的神经体系结构,其中第一层具有200个神经元,第二层具有220个神经元,第三层具有260个神经元。
3、识别结果
本发明使用F1-Score、Precision和Recall三种方法评估所提出的Deep LSTM的模型性能。这些指标在以下等式中定义:
其中,TP表示具有与真实类别标签相同的预测标签的样本数,FP表示分类为不属于原始类别的样本数,FN是指分类器无法分类的样本数。在本发明中,使用Tensor Flow 3深度学习库用于开发LSTM模型,采用Hp Z840工作站进行模型训练和测试,具有Intel XeonCPU和64GB RAM。
实验1
使用民航安保事件数据集来评估所提出的方法,其中将数据集分别分为80%的训练和5%的验证以及15%的测试数据。从表2中可以看出,本发明提出的LSTM模型在进行预测民航安保事件主体身份时可以获得高精度。例如,建议的LSTM的平均召回率,精度和F1-分数模型高于94%,表明该模型在事件主体识别任务中的功效。
表2
实验2
为了将本发明与犯罪识别技术进行比较,从文献中选择了两种最流行的机器学习算法,分别是随机森林算法(Random Forest)和全连接神经网络算法(FCNN)。在本发明中均使用了作者自建的相同的民航安保数据库,采用相同的数据拆分方式用于训练和测试,其中训练数据80%,验证数据5%和测试数据15%。
在实验1中,本发明将在无噪声的训练数据上进行训练,然后在有噪声的测试数据上进行评估。在测试数据上增加噪声的目的在于,即使同一类民航安保事件,不同主体的行为特征也会存在差异,因此在测试数据上增加噪声以检测模型精确度。将白高斯噪声添加应用于数据集,其中白高斯噪声的标准偏差用于控制感应噪声水平。在添加噪声数据后,对模型进行十次评估,然后取平均精度值,结果如图6所示。
实验3
另一方面,建立能够有效地从已经受到噪声影响的数据集中学习的监督式机器学习技术模型,具有非常重要的现实意义。在实际应用中,可观察到模型通常在训练数据中存在噪声的情况下过拟合情况。为了在直接对于民航安保事件库的“受污染数据”上实时训练民航安保事件主体行为识别模型,该模型也必须具有足够的鲁棒性喝健壮性以消除训练数据中的噪声。因此,在实验2中,通过在噪声数据上训练所选模型,然后在噪声数据上对其进行测试,进一步进行了实验。如图7所示,基于神经网络的模型(LSTM和FCNN)在性能上优于其他模型,避免了噪声的过拟合,更进一步,所有模型都分别在传统的时序特征提取方法和本发明提出的民航安保事件时序特征提取方法进行训练对比,可看出新的特征可以有效的抵抗噪声。
为了评估民航安保事件数据库中出现数据异常或异常值对模型性能的影响,本发明尝试对原始测试数据引入了不同级别的异常值。因此,在本实验中的50%测试数据的受异常率的影响范围为0%至50%。如图8所示,得出了在异常数据上获得的各类型事件的模型精度之间的比较。
如上述结果所示,对于纯净数据,传统机器学习模型与本发明中的模型相比具有可比的准确性。但在有环境噪声或异常数值的影响下,其他模型的性能迅速下降到无法接受的范围内。而在所有情况下,本发明提出的Deep-LSTM模型都可使其精确度保持在可接受的水平之上。这种差异主要归因于:与LSTM不同,其他经典机器学习模型不具有从时序数据中利用时间关系的固有能力。其他传统的机器学习模型每次检查一次记录的数据点(单行),而LSTM检查数据点序列(多个连续的行)以从数据中提取时间相关的模式。
记住与当前时间步长或事件相关的先前时间步长中存在的模式。结果,LSTM被认为是记住信息并保存许多时间的最佳机器学习算法。当比较同一个家族的两个模型时,清楚地表明了捕捉时间关系的重要性,这两个模型是全连接神经网络(FCNN)和建议的LSTM递归神经网络。即使使用相同的精确网络来构建两个神经网络架构,LSTM在噪声下也表现良好。但是,FCNN表现不佳。因此,由于上述原因及其架构设计提出的基于LSTM的方法比其他传统的机器学习模型表现更好。
本发明实施例还提供一种基于LSTM-RNN的民航安保事件行为主体识别与预测系统,包括:
获取模块,用于获取民航安保数据;
构建模块,用于对民航安保数据进行预处理,基于预处理后的民航安保数据,构建民航安保事件数据库,以获取训练样本集;
构建获取模块,用于基于民航安保事件类别模型和民航安保事件数据库,构建每一类民航安保事件对应的概率模型,基于概率模型和概率分布度量距离方法,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征;
识别预测模块,用于基于深度长短记忆迭代模型,对民航安保事件时间序列特征进行分析识别和预测,得到对应的民航安保事件行为主体。
获取模块具体用于:
从公安网信息和民航运行网信息中获取民航安保数据;
构建模块具体用于:
通过标定构建民航安保事件数据库。
构建获取模块具体用于:
将民航安保事件类别作为训练目标,对民航安保事件数据库进行训练,构建民航安保事件类别模型,基于民航安保事件类别模型,获取民航安保事件时间序列,民航安保事件时间序列用于表征多个单一民航安保事件概念信息;
通过正则项对多个单一民航安保事件类别间的偏差进行限制,假设某一民航安保事件类别中包括n个单一民航安保事件概念信息s1,s2,...,si,...,sn,则目标函数如下式:
其中,s为民航安保事件类别模型,F(si,s)控制s和si的差别,控制权重正则化,R2(s)控制犯罪类别模型整体的正则化,R3(s,Ws,Wd)控制训练民航安保事件类别模型s时的正则化,O(s,Ws,q)为民航安保事件类别模型s训练时的损失,W为正则化系数,Ws为训练数据的正则化系数,Wd为未标注数据的正则化系数,q为民航安保事件类别概念群。
基于HMM模型对民航安保事件时间序列构建民航安保事件通用信息模型;
针对每一类民航安保事件,构建如何从民航安保事件通用信息模型得到该类民航安保事件对应的民航安保事件时间序列的概率模型;
基于模型的相似度估计概率模型的概率分布度量距离,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征。
通过下式计算得到概率模型的概率分布度量距离KLD:
其中,hu和hv分别为概率模型的两个概率分布,h为概率模型,共有N个状态,a ii为隐状态间转移概率,第i个状态的概率分布由GMM模型{ηi1,ηi2,...,ηiS,μi1,μi2,...,μiS,∑i1,∑i2,∑iS}表示,A为转换矩阵,i,s,S,N为正整数。
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 (4)
1.一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法,其特征在于,包括:
(1)获取民航安保数据;
(2)对所述民航安保数据进行预处理,基于预处理后的所述民航安保数据,构建民航安保事件数据库,以获取训练样本集;
(3)基于民航安保事件类别模型和所述民航安保事件数据库,构建每一类民航安保事件对应的概率模型,基于所述概率模型和概率分布度量距离方法,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征;
(4)基于深度长短记忆迭代模型,对所述民航安保事件时间序列特征进行分析识别和预测,得到对应的民航安保事件行为主体;
所述步骤(3)包括:
(3.1)将民航安保事件类别作为训练目标,对所述民航安保事件数据库进行训练,构建民航安保事件类别模型,基于所述民航安保事件类别模型,获取民航安保事件时间序列,所述民航安保事件时间序列用于表征多个单一民航安保事件概念信息;
(3.2)基于HMM模型对所述民航安保事件时间序列构建民航安保事件通用信息模型;
(3.3)针对每一类民航安保事件,构建如何从所述民航安保事件通用信息模型得到该类民航安保事件对应的民航安保事件时间序列的概率模型;
(3.4)基于模型的相似度估计所述概率模型的概率分布度量距离,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征;
通过正则项对多个单一民航安保事件类别间的偏差进行限制,假设某一民航安保事件类别中包括n个单一民航安保事件概念信息s1,s2,...,si,...,sn,则目标函数如下式:
其中,s为民航安保事件类别模型,F(si,s)控制s和si的差别,控制权重正则化,R2(s)控制犯罪类别模型整体的正则化,R3(s,Ws,Wd)控制训练民航安保事件类别模型s时的正则化,O(s,Ws,q)为民航安保事件类别模型s训练时的损失,W为正则化系数,Ws为训练数据的正则化系数,Wd为未标注数据的正则化系数,q为民航安保事件类别概念群;
通过下式计算得到所述概率模型的概率分布度量距离KLD:
其中,hu和hv分别为概率模型的两个概率分布,h为概率模型,u,v为概率分布,共有N个状态,aii为隐状态间转移概率,第i个状态的概率分布由GMM模型{ηi1,ηi2,...,ηiS,μi1,μi2,...,μiS,∑i1,∑i2,∑iS}表示,A为转换矩阵,i,s,S,N为正整数。
2.根据权利要求1所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测方法,其特征在于,步骤(1)包括:
从公安网信息和民航运行网信息中获取民航安保数据;
步骤(2)包括:
通过标定构建民航安保事件数据库。
3.一种基于LSTM-RNN的民航安保事件行为主体识别与预测系统,其特征在于,包括:
获取模块,用于获取民航安保数据;
构建模块,用于对所述民航安保数据进行预处理,基于预处理后的所述民航安保数据,构建民航安保事件数据库,以获取训练样本集;
构建获取模块,用于基于民航安保事件类别模型和所述民航安保事件数据库,构建每一类民航安保事件对应的概率模型,基于所述概率模型和概率分布度量距离方法,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征;
识别预测模块,用于基于深度长短记忆迭代模型,对所述民航安保事件时间序列特征进行分析识别和预测,得到对应的民航安保事件行为主体;
所述构建获取模块具体用于:
将民航安保事件类别作为训练目标,对所述民航安保事件数据库进行训练,构建民航安保事件类别模型,基于所述民航安保事件类别模型,获取民航安保事件时间序列,所述民航安保事件时间序列用于表征多个单一民航安保事件概念信息;
基于HMM模型对所述民航安保事件时间序列构建民航安保事件通用信息模型;
针对每一类民航安保事件,构建如何从所述民航安保事件通用信息模型得到该类民航安保事件对应的民航安保事件时间序列的概率模型;
基于模型的相似度估计所述概率模型的概率分布度量距离,构建民航安保事件时间序列模型,获得民航安保事件时间序列特征;
通过正则项对多个单一民航安保事件类别间的偏差进行限制,假设某一民航安保事件类别中包括n个单一民航安保事件概念信息s1,s2,...,si,...,sn,则目标函数如下式:
其中,s为民航安保事件类别模型,F(si,s)控制s和si的差别,控制权重正则化,R2(s)控制犯罪类别模型整体的正则化,R3(s,Ws,Wd)控制训练民航安保事件类别模型s时的正则化,O(s,Ws,q)为民航安保事件类别模型s训练时的损失,W为正则化系数,Ws为训练数据的正则化系数,Wd为未标注数据的正则化系数,q为民航安保事件类别概念群;
通过下式计算得到所述概率模型的概率分布度量距离KLD:
其中,hu和hv分别为概率模型的两个概率分布,h为概率模型,u,v为概率分布,共有N个状态,aii为隐状态间转移概率,第i个状态的概率分布由GMM模型{ηi1,ηi2,...,ηiS,μi1,μi2,...,μiS,∑i1,∑i2,∑iS}表示,A为转换矩阵,i,s,S,N为正整数。
4.根据权利要求3所述的一种基于LSTM-RNN的民航安保事件行为主体识别与预测系统,其特征在于,所述获取模块具体用于:
从公安网信息和民航运行网信息中获取民航安保数据;
所述构建模块具体用于:
通过标定构建民航安保事件数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915114.4A CN112329974B (zh) | 2020-09-03 | 2020-09-03 | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915114.4A CN112329974B (zh) | 2020-09-03 | 2020-09-03 | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329974A CN112329974A (zh) | 2021-02-05 |
CN112329974B true CN112329974B (zh) | 2024-02-27 |
Family
ID=74304403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010915114.4A Active CN112329974B (zh) | 2020-09-03 | 2020-09-03 | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329974B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065431B (zh) * | 2021-03-22 | 2022-06-17 | 浙江理工大学 | 一种基于隐马尔可夫模型和循环神经网络的人体违规行为预测方法 |
CN113537122A (zh) * | 2021-07-28 | 2021-10-22 | 浙江大华技术股份有限公司 | 动作识别方法和装置、存储介质及电子设备 |
CN113793227B (zh) * | 2021-09-16 | 2023-10-31 | 中国电子科技集团公司第二十八研究所 | 一种用于社交网络事件的类人智能感知与预测方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0692199A (ja) * | 1992-04-28 | 1994-04-05 | Takata Kk | 神経回路網による衝突状態予測システム |
CN104809517A (zh) * | 2015-04-16 | 2015-07-29 | 四川大学 | 建筑施工场地安保二层动态优化方法 |
CN108388969A (zh) * | 2018-03-21 | 2018-08-10 | 北京理工大学 | 基于个人行为时序特征的内部威胁人物风险预测方法 |
CN108520298A (zh) * | 2018-04-09 | 2018-09-11 | 中国民航大学 | 一种基于改进lstm-rnn的陆空通话语义一致性校验方法 |
CN108536801A (zh) * | 2018-04-03 | 2018-09-14 | 中国民航大学 | 一种基于深度学习的民航微博安保舆情情感分析方法 |
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
CN109410496A (zh) * | 2018-10-25 | 2019-03-01 | 北京交通大学 | 入侵预警方法、装置及电子设备 |
CN109409561A (zh) * | 2018-08-22 | 2019-03-01 | 国网天津市电力公司 | 多时间尺度时间序列协同预测模型的构建方法 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
US10304208B1 (en) * | 2018-02-12 | 2019-05-28 | Avodah Labs, Inc. | Automated gesture identification using neural networks |
CN109871955A (zh) * | 2019-01-22 | 2019-06-11 | 中国民航大学 | 一种航空安全事故因果关系抽取方法 |
CN110084413A (zh) * | 2019-04-17 | 2019-08-02 | 南京航空航天大学 | 基于pca与深度置信网络的民航安全风险指数预测方法 |
CN110162887A (zh) * | 2019-05-24 | 2019-08-23 | 北京交通大学 | 基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法 |
CN110197251A (zh) * | 2018-02-26 | 2019-09-03 | 中国科学院深圳先进技术研究院 | 基于深度学习网络的预测方法、装置、设备及存储介质 |
WO2019172848A1 (en) * | 2018-03-06 | 2019-09-12 | Agency For Science, Technology And Research | Method and apparatus for predicting occurrence of an event to facilitate asset maintenance |
WO2019184124A1 (zh) * | 2018-03-30 | 2019-10-03 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
WO2019213763A1 (en) * | 2018-05-10 | 2019-11-14 | Beauchamp Bastien | Method and system for vehicle-to-pedestrian collision avoidance |
CN110837928A (zh) * | 2019-11-05 | 2020-02-25 | 沈阳民航东北凯亚有限公司 | 一种预测安检时间的方法及装置 |
WO2020037919A1 (zh) * | 2018-08-22 | 2020-02-27 | 平安科技(深圳)有限公司 | 基于预测模型的用户行为识别方法及装置 |
CN110991607A (zh) * | 2019-11-15 | 2020-04-10 | 佳都新太科技股份有限公司 | 一种地铁客流预测方法、装置、电子设备及存储介质 |
CN111145169A (zh) * | 2019-12-31 | 2020-05-12 | 成都理工大学 | 基于多列异步神经网络的地铁站乘客数量调度系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10855706B2 (en) * | 2016-10-11 | 2020-12-01 | Battelle Memorial Institute | System and methods for automated detection, reasoning and recommendations for resilient cyber systems |
US10762563B2 (en) * | 2017-03-10 | 2020-09-01 | Cerebri AI Inc. | Monitoring and controlling continuous stochastic processes based on events in time series data |
EP3635590A1 (en) * | 2017-06-09 | 2020-04-15 | Alerte Digital Sport Pty Ltd | Systems and methods of prediction of injury risk with a training regime |
CN107886243A (zh) * | 2017-11-10 | 2018-04-06 | 阿里巴巴集团控股有限公司 | 风险识别模型构建和风险识别方法、装置及设备 |
US20200234121A1 (en) * | 2019-01-17 | 2020-07-23 | Koninklijke Philips N.V. | Machine learning model validation and authentication |
US11544411B2 (en) * | 2019-01-17 | 2023-01-03 | Koninklijke Philips N.V. | Machine learning model validation and authentication |
-
2020
- 2020-09-03 CN CN202010915114.4A patent/CN112329974B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0692199A (ja) * | 1992-04-28 | 1994-04-05 | Takata Kk | 神経回路網による衝突状態予測システム |
CN104809517A (zh) * | 2015-04-16 | 2015-07-29 | 四川大学 | 建筑施工场地安保二层动态优化方法 |
US10304208B1 (en) * | 2018-02-12 | 2019-05-28 | Avodah Labs, Inc. | Automated gesture identification using neural networks |
CN110197251A (zh) * | 2018-02-26 | 2019-09-03 | 中国科学院深圳先进技术研究院 | 基于深度学习网络的预测方法、装置、设备及存储介质 |
WO2019172848A1 (en) * | 2018-03-06 | 2019-09-12 | Agency For Science, Technology And Research | Method and apparatus for predicting occurrence of an event to facilitate asset maintenance |
CN108388969A (zh) * | 2018-03-21 | 2018-08-10 | 北京理工大学 | 基于个人行为时序特征的内部威胁人物风险预测方法 |
WO2019184124A1 (zh) * | 2018-03-30 | 2019-10-03 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
CN108536801A (zh) * | 2018-04-03 | 2018-09-14 | 中国民航大学 | 一种基于深度学习的民航微博安保舆情情感分析方法 |
CN108520298A (zh) * | 2018-04-09 | 2018-09-11 | 中国民航大学 | 一种基于改进lstm-rnn的陆空通话语义一致性校验方法 |
WO2019213763A1 (en) * | 2018-05-10 | 2019-11-14 | Beauchamp Bastien | Method and system for vehicle-to-pedestrian collision avoidance |
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
CN109409561A (zh) * | 2018-08-22 | 2019-03-01 | 国网天津市电力公司 | 多时间尺度时间序列协同预测模型的构建方法 |
WO2020037919A1 (zh) * | 2018-08-22 | 2020-02-27 | 平安科技(深圳)有限公司 | 基于预测模型的用户行为识别方法及装置 |
CN109410496A (zh) * | 2018-10-25 | 2019-03-01 | 北京交通大学 | 入侵预警方法、装置及电子设备 |
CN109871955A (zh) * | 2019-01-22 | 2019-06-11 | 中国民航大学 | 一种航空安全事故因果关系抽取方法 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
CN110084413A (zh) * | 2019-04-17 | 2019-08-02 | 南京航空航天大学 | 基于pca与深度置信网络的民航安全风险指数预测方法 |
CN110162887A (zh) * | 2019-05-24 | 2019-08-23 | 北京交通大学 | 基于动态检测数据的高速铁路桥梁徐变上拱数值预测方法 |
CN110837928A (zh) * | 2019-11-05 | 2020-02-25 | 沈阳民航东北凯亚有限公司 | 一种预测安检时间的方法及装置 |
CN110991607A (zh) * | 2019-11-15 | 2020-04-10 | 佳都新太科技股份有限公司 | 一种地铁客流预测方法、装置、电子设备及存储介质 |
CN111145169A (zh) * | 2019-12-31 | 2020-05-12 | 成都理工大学 | 基于多列异步神经网络的地铁站乘客数量调度系统及方法 |
Non-Patent Citations (5)
Title |
---|
基于LSTM网络的大雾临近预报模型及应用;苗开超;韩婷婷;王传辉;章军;姚叶青;周建平;;计算机系统应用(05);全文 * |
基于深度学习的民航安检和航班预警研究;冯文刚;黄静;;数据分析与知识发现(10);全文 * |
基于联合相似度的民航旅客不文明等级预测;丁建立;李洋;王怀超;;计算机工程与设计(04);全文 * |
民航突发事件实体识别方法研究;王红;李浩飞;邸帅;;计算机应用与软件(03);全文 * |
面向航空飞行安全的遥感图像小目标检测;李希;徐翔;李军;;航空兵器(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329974A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329974B (zh) | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 | |
CN109034264B (zh) | 交通事故严重性预测csp-cnn模型及其建模方法 | |
Yegnanarayana et al. | AANN: an alternative to GMM for pattern recognition | |
Che et al. | Hybrid multimodal fusion with deep learning for rolling bearing fault diagnosis | |
CN110837523A (zh) | 一种基于级联神经网络的高置信改造质量和减假暂量化评估方法 | |
CN111309909B (zh) | 一种基于混合模型的文本情感分类方法 | |
CN113742733B (zh) | 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置 | |
CN111881299B (zh) | 基于复制神经网络的离群事件检测与识别方法 | |
Parthasarathy et al. | Predicting speaker recognition reliability by considering emotional content | |
CN114881173A (zh) | 基于自注意力机制的简历分类方法和装置 | |
Mounika et al. | Machine learning and deep learning models for diagnosis of parkinson’s disease: a performance analysis | |
Zhang | Deepmal: A CNN-LSTM model for malware detection based on dynamic semantic behaviours | |
Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
CN117198468A (zh) | 基于行为识别和数据分析的干预方案智慧化管理系统 | |
Jeyalakshmi et al. | Accurate liver disease prediction system using convolutional neural network | |
Abidin et al. | Wavelet based approach for facial expression recognition | |
CN115331661A (zh) | 一种基于特征聚类分析与特征降维的声纹识别后门攻击防御方法 | |
CN115083511A (zh) | 基于图表示学习与注意力的外围基因调控特征提取方法 | |
Ade | Students performance prediction using hybrid classifier technique in incremental learning | |
Namburi | Speaker Recognition Based on Mutated Monarch Butterfly Optimization Configured Artificial Neural Network | |
CN106845386A (zh) | 一种基于动态时间规整与多核学习的动作识别方法 | |
Hakim et al. | Optimization of the Backpropagation Method with Nguyen-widrow in Face Image Classification | |
CN115288994B (zh) | 一种基于改进dcgan的压缩机异常状态检测方法 | |
Othman et al. | Data mining approaches in business intelligence: Postgraduate data analytic | |
Alhumayyani et al. | Deep Learning Methodologies For Human Activity Recognition |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |