CN117171578B - 一种基于大数据分析的机场智慧台站管理方法及系统 - Google Patents
一种基于大数据分析的机场智慧台站管理方法及系统 Download PDFInfo
- Publication number
- CN117171578B CN117171578B CN202311451587.3A CN202311451587A CN117171578B CN 117171578 B CN117171578 B CN 117171578B CN 202311451587 A CN202311451587 A CN 202311451587A CN 117171578 B CN117171578 B CN 117171578B
- Authority
- CN
- China
- Prior art keywords
- training information
- equipment operation
- information
- cluster
- network
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 68
- 238000007405 data analysis Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 508
- 230000006870 function Effects 0.000 claims description 105
- 238000011156 evaluation Methods 0.000 claims description 62
- 238000013528 artificial neural network Methods 0.000 claims description 52
- 230000000306 recurrent effect Effects 0.000 claims description 39
- 238000013507 mapping Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 100
- 238000012545 processing Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000000034 method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000000151 deposition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种基于大数据分析的机场智慧台站管理方法及系统，涉及人工智能技术领域。在本发明中，首先，提取到设备运行训练信息簇，并基于设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络；其次，利用目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇；然后，对于至少一个设备运行信息子簇中的每一个设备运行信息子簇，基于该设备运行信息子簇包括的各设备运行信息对应的设备功能，对机场智慧台站的各设备功能进行关联管理。基于上述内容，可以提高机场智慧台站管理的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于大数据分析的机场智慧台站管理方法及系统。
背景技术
机场智慧台站是一个综合应用了智能技术和信息化系统的台站管理系统。它通过使用传感器、人工智能、大数据分析等技术，实现对机场运行情况进行监测和管理，并提供实时数据和智能化决策支持。智慧台站可以帮助优化机场资源利用、提高安全性和效率，提升旅客体验，同时也为机场管理者提供更好的决策依据和管理手段。其中，机场智慧台站可以包括多个的设备，如包括部署于机场中的指定区域的多个查询设备，该查询设备可以为用户提供查询服务，如：航班信息查询：用户可以查询特定航班的起降时间、航班状态等；行李查询：用户可以查询行李转盘的行李提取情况，了解自己的行李是否已经到达；登机口查询：用户可以查询航班的登机口信息，确保能够准时到达正确的登机口；候机厅设施查询：用户可以查询候机厅内的各种设施和服务，例如餐厅、商店、休息区、儿童游乐区等；机场交通查询：用户可以查询机场与城市之间的交通方式和路线，以便选择最合适的交通工具；其他服务查询：用户还可以查询其他特定服务，如贵宾厅、婴儿室、残疾人设施、医疗服务等。除了上述的查询服务，一般还可以为用户提供以下服务，如，自助值机服务：旅客可以自助进行登机手续办理，选择座位、打印登机牌等；自助托运服务：旅客可以自助托运以将行李进行托运，打印行李标签并放置行李在传送带上；自助安检服务：旅客可以通自助进行身份验证和安全检查；移动充电服务：旅客可以自助给手机、平板电脑等电子设备充电。这些服务可以集中于一台设备（该设备可以部署于多台），以提高用户服务的便利性。
由于集中了较多的服务，相应的设备功能的管理就需要进行配置，但是，在现有技术中，一般是根据管理人员的经验进行配置，如此，就使得存在着机场智慧台站管理的可靠度相对不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于大数据分析的机场智慧台站管理方法及系统，以提高机场智慧台站管理的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于大数据分析的机场智慧台站管理方法，包括：
提取到设备运行训练信息簇，并基于所述设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络，所述设备运行训练信息簇包括机场智慧台站在目标机场区域提供服务形成的多个设备功能输出记录，所述至少两个阶段的网络更新中的第二个阶段的网络更新的依据包括利用第一个阶段形成的初始网络更新后的候选运行数据识别网络对设备运行训练信息簇进行分析的结果；
利用所述目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇，所述需要识别的设备运行信息簇包括机场智慧台站在指定机场区域提供服务形成的多个设备功能输出记录；
对于所述至少一个设备运行信息子簇中的每一个设备运行信息子簇，基于该设备运行信息子簇包括的各设备运行信息对应的设备功能，对所述机场智慧台站的各设备功能进行关联管理。
在一些优选的实施例中，在上述基于大数据分析的机场智慧台站管理方法中，所述提取到设备运行训练信息簇，并基于所述设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络的步骤，包括：
提取到设备运行训练信息簇，所述设备运行训练信息簇中的一条设备运行训练信息为所述机场智慧台站在所述目标机场区域提供一次服务形成的一个设备功能输出记录；
在所述设备运行训练信息簇中，确定出第一正例训练信息和第一负例训练信息，所述第一正例训练信息包括在所述设备运行训练信息簇中提取到的提供过服务的设备功能相应的第一设备运行训练信息和在所述设备运行训练信息簇中与所述第一设备运行训练信息邻接的第一设备运行训练信息集，所述设备运行训练信息簇中的设备运行训练信息都属于正例，所述第一负例训练信息包括第二设备运行训练信息和任意确定的第一设备运行训练信息集，所述第一负例训练信息的种类与所述第一正例训练信息的种类不同，所述第二设备运行训练信息属于基于所述机场智慧台站没有提供过服务的设备功能形成的伪造设备运行训练信息；
基于所述第一正例训练信息和所述第一负例训练信息，对候选运行数据识别网络进行初始网络更新，形成初始网络更新后的候选运行数据识别网络；
利用初始网络更新后的候选运行数据识别网络，将所述设备运行训练信息簇进行分析，输出第二正例训练信息和第二负例训练信息，所述第二负例训练信息属于所述设备运行训练信息簇中提供服务的设备功能的显著变化对象，所述第二正例训练信息属于所述设备运行训练信息簇中提供服务的设备功能的非显著变化对象；
基于所述第二正例训练信息和所述第二负例训练信息，对初始网络更新后的候选运行数据识别网络进行进阶网络更新，形成目标运行数据识别网络。
在一些优选的实施例中，在上述基于大数据分析的机场智慧台站管理方法中，所述在所述设备运行训练信息簇中，确定出第一正例训练信息和第一负例训练信息的步骤，包括：
在所述设备运行训练信息簇中，依次确定第一设备运行训练信息和相应的第一设备运行训练信息集；
对所述第一设备运行训练信息进行正例配置操作，以及，将正例配置操作后的第一设备运行训练信息和相应的第一设备运行训练信息集标记为第一正例训练信息；
确定出目标数量的第二设备运行训练信息，所述第二设备运行训练信息的种类与所述设备运行训练信息簇的种类不一样；
对所述第二设备运行训练信息进行负例配置操作，以及，将负例配置操作后的第二设备运行训练信息和第一设备运行训练信息集标记为第一负例训练信息。
在一些优选的实施例中，在上述基于大数据分析的机场智慧台站管理方法中，所述在所述设备运行训练信息簇中，依次确定第一设备运行训练信息和相应的第一设备运行训练信息集的步骤，包括：
基于提供服务的先后关系，在所述设备运行训练信息簇中，依次确定出第一设备运行训练信息；
提取到在所述设备运行训练信息簇中与所述第一设备运行训练信息在先后关系上连续且邻接的多个设备运行训练信息，并将该多个设备运行训练信息组合形成对应的第一设备运行训练信息集。
在一些优选的实施例中，在上述基于大数据分析的机场智慧台站管理方法中，所述提取到在所述设备运行训练信息簇中与所述第一设备运行训练信息在先后关系上连续且邻接的多个设备运行训练信息，并将该多个设备运行训练信息组合形成对应的第一设备运行训练信息集的步骤，包括：
依据所述第一设备运行训练信息，确定出在先后关系上连续且邻接的指定数量的设备运行训练信息形成的第一设备运行训练信息集；或者
对所述设备运行训练信息簇中所述第一设备运行训练信息以外的设备运行训练信息进行组合，形成对应的第一设备运行训练信息集。
在一些优选的实施例中，在上述基于大数据分析的机场智慧台站管理方法中，所述候选运行数据识别网络属于递归神经网络；
所述基于所述第一正例训练信息和所述第一负例训练信息，对候选运行数据识别网络进行初始网络更新，形成初始网络更新后的候选运行数据识别网络的步骤，包括：
利用所述递归神经网络，将所述第一设备运行训练信息集进行特征挖掘，输出相应的设备运行信息集特征；
将所述第一设备运行训练信息、正例配置操作的数据和相应的设备运行信息集特征加载到所述递归神经网络的非线性映射单元中进行初始网络更新，形成对应的中间神经网络；
将所述第二设备运行训练信息、负例配置操作的数据和相应的设备运行信息集特征加载到所述中间神经网络的非线性映射单元中进行初始网络更新，形成初始网络更新后的递归神经网络，以得到初始网络更新后的候选运行数据识别网络。
在一些优选的实施例中，在上述基于大数据分析的机场智慧台站管理方法中，所述利用初始网络更新后的候选运行数据识别网络，将所述设备运行训练信息簇进行分析，输出第二正例训练信息和第二负例训练信息的步骤，包括：
利用所述初始网络更新后的候选运行数据识别网络，将所述设备运行训练信息簇中的每一个设备运行训练信息进行分析，依次输出每一个设备运行训练信息相应的评价指标参数；
对评价指标参数大于或等于预先配置的第一评价指标参数对应的设备运行训练信息标记为第三设备运行训练信息，以及，对评价指标参数大于或等于预先配置的第二评价指标参数且小于所述第一评价指标参数的设备运行训练信息标记为第四设备运行训练信息；
对所述第三设备运行训练信息进行正例配置操作，以及，将正例配置操作后的第三设备运行训练信息和相应的第一设备运行训练信息集标记为第二正例训练信息；
对所述第四设备运行训练信息进行负例配置操作，以及，将负例配置操作后的第四设备运行训练信息和相应的第一设备运行训练信息集标记为第二负例训练信息；
并且，所述候选运行数据识别网络属于递归神经网络，所述基于所述第二正例训练信息和所述第二负例训练信息，对初始网络更新后的候选运行数据识别网络进行进阶网络更新，形成目标运行数据识别网络的步骤，包括：
利用初始网络更新后的递归神经网络，将所述第一设备运行训练信息集进行特征挖掘，输出相应的设备运行信息集特征；
对所述第三设备运行训练信息、正例配置操作的数据和相应的设备运行信息集特征加载到初始网络更新后的递归神经网络的非线性映射单元进行进阶网络更新，形成对应的候选神经网络；
对所述第四设备运行训练信息、负例配置操作的数据和相应的设备运行信息集特征加载到所述候选神经网络的非线性映射单元中进行进阶网络更新，形成进阶网络更新后的递归神经网络，得到目标运行数据识别网络。
在一些优选的实施例中，在上述基于大数据分析的机场智慧台站管理方法中，所述利用所述目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇的步骤，包括：
利用进阶网络更新后的递归神经网络，将需要识别的设备运行信息簇中的设备运行信息进行识别，以对具有相同种类的设备运行信息分配到相同的设备运行信息子簇中，形成所述需要识别的设备运行信息簇对应的至少一个设备运行信息子簇。
在一些优选的实施例中，在上述基于大数据分析的机场智慧台站管理方法中，所述利用进阶网络更新后的递归神经网络，将需要识别的设备运行信息簇中的设备运行信息进行识别，以对具有相同种类的设备运行信息分配到相同的设备运行信息子簇中，形成所述需要识别的设备运行信息簇对应的至少一个设备运行信息子簇的步骤，包括：
基于提供服务的先后关系，将所述设备运行信息簇中第一个设备运行信息标记为待处理设备运行信息子簇；
提取到所述待处理设备运行信息子簇的下一个目标设备运行信息；
对所述目标设备运行信息和目前标记的待处理设备运行信息子簇加载到进阶网络更新后的递归神经网络中，识别出所述目标设备运行信息对应的种类指标评价参数；
在所述种类指标评价参数大于或等于预先配置的参考可靠性参数时，对所述目标设备运行信息分配到所述待处理设备运行信息子簇中，以及，回转执行所述提取到所述待处理设备运行信息子簇的下一个目标设备运行信息的步骤，使得所述设备运行信息完成识别；
在所述种类指标评价参数小于所述参考可靠性参数时，存储目前标记的待处理设备运行信息子簇，以及，依据所述目标设备运行信息构建出新的待处理设备运行信息子簇，再回转执行所述提取到所述待处理设备运行信息子簇的下一个目标设备运行信息的步骤，使得所述设备运行信息完成识别，从而形成所述需要识别的设备运行信息簇对应的至少一个设备运行信息子簇。
本发明实施例还提供一种基于大数据分析的机场智慧台站管理系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于大数据分析的机场智慧台站管理方法。
本发明实施例提供的一种基于大数据分析的机场智慧台站管理方法及系统，首先，提取到设备运行训练信息簇，并基于设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络；其次，利用目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇；然后，对于至少一个设备运行信息子簇中的每一个设备运行信息子簇，基于该设备运行信息子簇包括的各设备运行信息对应的设备功能，对机场智慧台站的各设备功能进行关联管理。基于前述的内容，由于至少两个阶段的网络更新中的第二个阶段的网络更新的依据包括利用第一个阶段形成的初始网络更新后的候选运行数据识别网络对设备运行训练信息簇进行分析的结果，使得后一个阶段的网络更新的依据更为可靠，因此，可以保障利用目标运行数据识别网络将需要识别的设备运行信息簇进行分析的可靠度，从而使得对机场智慧台站的各设备功能进行关联管理的可靠度能够增大，进而提高机场智慧台站管理的可靠度，使得现有技术中存在的管理可靠度相对不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的基于大数据分析的机场智慧台站管理系统的结构框图。
图2为本发明实施例提供的基于大数据分析的机场智慧台站管理方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于大数据分析的机场智慧台站管理装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于大数据分析的机场智慧台站管理系统。其中，所述基于大数据分析的机场智慧台站管理系统可以包括存储器和处理器。
可以理解的是，在一些实施方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于大数据分析的机场智慧台站管理方法。
可以理解的是，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。
可以理解的是，在一些实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解的是，在一些实施方式中，所述基于大数据分析的机场智慧台站管理系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种基于大数据分析的机场智慧台站管理方法，可应用于上述基于大数据分析的机场智慧台站管理系统。其中，所述基于大数据分析的机场智慧台站管理方法有关的流程所定义的方法步骤，可以由所述基于大数据分析的机场智慧台站管理系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，提取到设备运行训练信息簇，并基于所述设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络。
在本发明实施例中，所述基于大数据分析的机场智慧台站管理系统可以提取到设备运行训练信息簇，并基于所述设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络。所述设备运行训练信息簇包括机场智慧台站在目标机场区域提供服务形成的多个设备功能输出记录（即用于记录机场用户在目标机场区域使用机场智慧台站的设备功能，如航班信息查询功能、自助值机功能等），所述至少两个阶段的网络更新中的第二个阶段的网络更新的依据包括利用第一个阶段形成的初始网络更新后的候选运行数据识别网络对设备运行训练信息簇进行分析的结果。也就是说，在第一个阶段的网络更新中，可以直接依据所述设备运行训练信息簇进行，如此，可以形成第一个阶段形成的初始网络更新后的候选运行数据识别网络，然后，可以利用第一个阶段形成的初始网络更新后的候选运行数据识别网络，对所述设备运行训练信息簇进行分析和识别，得到相应的结果，如种类分析和识别的结果，然后，可以基于该结果，对初始网络更新后的候选运行数据识别网络进行第二个阶段的网络更新，即先进行相对粗糙的网络更新，再进行相对精细的网络更新，从而使得形成的目标运行数据识别网络的精度更高。
步骤S120，利用所述目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇。
在本发明实施例中，所述基于大数据分析的机场智慧台站管理系统可以利用所述目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇。所述需要识别的设备运行信息簇包括机场智慧台站在指定机场区域提供服务形成的多个设备功能输出记录，如自助值机的功能使用记录、航班信息查询的功能使用记录等。
步骤S130，对于所述至少一个设备运行信息子簇中的每一个设备运行信息子簇，基于该设备运行信息子簇包括的各设备运行信息对应的设备功能，对所述机场智慧台站的各设备功能进行关联管理。
在本发明实施例中，所述基于大数据分析的机场智慧台站管理系统可以对于所述至少一个设备运行信息子簇中的每一个设备运行信息子簇，基于该设备运行信息子簇包括的各设备运行信息对应的设备功能，对所述机场智慧台站的各设备功能进行关联管理。由于同一个设备运行信息子簇中的设备运行信息对应的设备功能在用户使用上，具有一些相关性或关联性，因此，可以对这些设备功能进行关联管理，从而提高用户使用的便利性。
举例来说：
可以将具有相关性或关联性的设备功能进行关联处理，将不具有相关性或关联性的设备功能进行不关联处理。例如，自助安检服务的功能、航班信息查询功能、自助值机功能等，分析出自助安检服务的功能在第一个设备运行信息子簇中，航班信息查询功能、自助值机功能在第二个设备运行信息子簇中，如此，可以将航班信息查询功能、自助值机功能进行关联处理，例如，在航班信息查询功能的页面中配置自助值机功能的跳转页面，使得用户可以便利的从航班信息查询功能使用中跳转到自助值机功能的使用，而航班信息查询功能、自助值机功能与自助安检服务的功能都不进行关联处理，需要从当前页面退出到主页面，再进行相应的选择。或者说，在其它示例中，若自助值机功能和寄存行李功能具有相关性，则在自助值机功能的界面中，可以添加行李寄存功能的选项，使得用户在完成值机后能够方便地选择是否需要寄存行李，从而减少用户在不同功能之间的切换和操作步骤，使得可以对机场智慧台站的各设备功能进行关联管理。
基于前述的内容，由于至少两个阶段的网络更新中的第二个阶段的网络更新的依据包括利用第一个阶段形成的初始网络更新后的候选运行数据识别网络对设备运行训练信息簇进行分析的结果，使得后一个阶段的网络更新的依据更为可靠，因此，可以保障利用目标运行数据识别网络将需要识别的设备运行信息簇进行分析的可靠度，从而使得对机场智慧台站的各设备功能进行关联管理的可靠度能够增大，进而提高机场智慧台站管理的可靠度，使得现有技术中存在的管理可靠度相对不高的问题。
可以理解的是，在一些实施方式中，上述的步骤S110，可以包括：
提取到设备运行训练信息簇，所述设备运行训练信息簇中的一条设备运行训练信息为所述机场智慧台站在所述目标机场区域提供一次服务形成的一个设备功能输出记录，如此，先后提供的多个设备功能，就可以形成多个设备功能输出记录，多个设备功能输出记录在时间上可以具有先后关系，如此，对应有多个设备运行训练信息，多个设备运行训练信息也会具有先后关系，在所述设备运行训练信息簇中多个设备运行训练信息可以按照该先后关系进行排序，使得后续处理中可以利用该先后关系，由于该先后关系与设备功能使用的先后有关，即表征了设备功能的使用维度的相关信息，例如，该设备运行训练信息簇可以表示为{A1，A2,A3，...，An}，该A1、A2、A3和An都属于一个设备运行训练信息，代表所述机场智慧台站为用户提供过相应的设备功能，该A1可以为设备功能提供时间与当前时间最接近的设备运行训练信息，该An可以为设备功能提供时间与当前时间最远的设备运行训练信息。每一个设备运行训练信息即为所述机场智慧台站为用户进行一次服务提供相应的设备功能输出记录，该设备运行训练信息可以由多维特征数据组合形成，例如，该设备功能输出记录为提供航班信息查询功能时，该多维特征数据可以为航班信息查询功能标识特征、查询到的航班信息和查询的时间信息等，需要特别说明的是，该设备运行训练信息簇中的每一个设备运行训练信息都属于正例，即代表每一个设备运行训练信息都是所述机场智慧台站为用户进行服务提供操作产生的，因此，该设备运行训练信息簇中的每一个设备运行训练信息都属于正例；其中，{A1，A2,A3，...，An}是指A1-An共n个设备运行训练信息，在一种具体的应用场景中，A1可以为航班信息查询，A2可以为行李查询，A3可以为登机口查询，A4可以为候机厅设施查询，A5可以为机场交通查询，A6可以为自助托运，A7可以为自助安检，等等，An可以为移动充电；
在所述设备运行训练信息簇中，确定出第一正例训练信息和第一负例训练信息，所述第一正例训练信息包括在所述设备运行训练信息簇中提取到的提供过服务的设备功能相应的第一设备运行训练信息和在所述设备运行训练信息簇中与所述第一设备运行训练信息邻接的第一设备运行训练信息集，所述设备运行训练信息簇中的设备运行训练信息都属于正例，所述第一负例训练信息包括第二设备运行训练信息和任意确定的第一设备运行训练信息集，所述第一负例训练信息的种类与所述第一正例训练信息的种类不同，所述第二设备运行训练信息属于基于所述机场智慧台站没有提供过服务的设备功能形成的伪造设备运行训练信息；示例性地，所述第一正例训练信息的配置信息都为1，表示该第一设备运行训练信息与相应的第一设备运行训练信息集之间为相互关联的；而由于该设备运行训练信息簇中的设备运行训练信息都属于正例，因此，可以从所述机场智慧台站为用户没有提供过的设备功能中进行任意的选择，从而形成多个第一负例训练信息，该第一负例训练信息可以由所述机场智慧台站为用户没有提供过的设备功能产生的伪造设备运行训练信息和随机获取的第一设备运行训练信息集组成，该第一负例训练信息的种类与第一正例训练信息的种类不一样，如属于查询功能种类和自助安检功能种类（两种不同的功能种类），该第一负例训练信息的配置信息都为0，表示该伪造设备运行训练信息与第一设备运行训练信息集之间是相互不关联的；
基于所述第一正例训练信息和所述第一负例训练信息，对候选运行数据识别网络进行初始网络更新，形成初始网络更新后的候选运行数据识别网络；示例性地，可以利用所述候选运行数据识别网络对所述第一正例训练信息和所述第一负例训练信息进行分析和识别，然后，可以将分析和识别的结果与实际情况进行对比，得到网络误差，从而基于该网络误差，对候选运行数据识别网络进行初始网络更新，使得网络误差收敛；
利用初始网络更新后的候选运行数据识别网络，将所述设备运行训练信息簇进行分析，输出第二正例训练信息和第二负例训练信息，所述第二负例训练信息属于所述设备运行训练信息簇中提供服务的设备功能的显著变化对象，所述第二正例训练信息属于所述设备运行训练信息簇中提供服务的设备功能的非显著变化对象；示例性地，需要将相同种类的设备运行信息划分为一个信息子粗中，但是初始网络更新后的候选运行数据识别网络的网络更新中并未考虑显著变化对象的影响，比如，设备运行训练信息簇中包括使用航班信息查询功能的设备运行训练信息和接着使用行李查询功能的设备运行训练信息，两个设备运行训练信息是完全不同的，该使用行李查询功能的设备运行训练信息即为显著变化对象，但由于设备运行训练信息簇中的设备运行训练信息都属于正例，因此，初始网络更新后的候选运行数据识别网络只能识别出非查询功能的种类，比如自助值机功能的种类，无法识别出该显著变化对象相应的设备运行训练信息；其中，可以设置该显著变化对象相应的设备运行训练信息的数量只占设备运行训练信息簇中很低的比例，因此，通过初始网络更新后的候选运行数据识别网络对设备运行训练信息簇进行识别，非显著变化对象相应的设备运行训练信息由于为正例数据，所以相应的评价指标参数很高，接近1，显著变化对象相应的设备运行训练信息为类似于正例数据的设备运行训练信息，但是该显著变化对象相应的设备运行训练信息又不是负例信息，因此，虽然该初始网络更新后的候选运行数据识别网络能进行预测，但评价指标参数不高，该初始网络更新后的候选运行数据识别网络会困惑，评价指标参数处于0至1的中间部分，如0.5左右，因此，可以将接近1的设备运行训练信息和在先后关系上邻接的第一设备运行训练信息集确定为第二正例训练信息，该第二正例训练信息的配置信息都为1，将中间部分0.5左右的设备运行训练信息和在先后关系上邻接的相应的第一设备运行训练信息集确定为第二负例训练信息，以此实现第二负例训练信息的自动识别，节省了人工进行配置的时间，提升了数据处理的效率；
基于所述第二正例训练信息和所述第二负例训练信息，对初始网络更新后的候选运行数据识别网络进行进阶网络更新，形成目标运行数据识别网络；示例性地，可以利用所述初始网络更新后的候选运行数据识别网络对所述第而正例训练信息和所述第而负例训练信息进行分析和识别，然后，可以将分析和识别的结果与实际情况进行对比，得到网络误差，从而基于该网络误差，对所述初始网络更新后的候选运行数据识别网络进行进阶网络更新，使得网络误差收敛，形成目标运行数据识别网络。
可以理解的是，在一些实施方式中，所述在所述设备运行训练信息簇中，确定出第一正例训练信息和第一负例训练信息的步骤，可以包括：
在所述设备运行训练信息簇中，依次确定第一设备运行训练信息和相应的第一设备运行训练信息集；对所述第一设备运行训练信息进行正例配置操作，以及，将正例配置操作后的第一设备运行训练信息和相应的第一设备运行训练信息集标记为第一正例训练信息；确定出目标数量的第二设备运行训练信息，所述第二设备运行训练信息的种类与所述设备运行训练信息簇的种类不一样；对所述第二设备运行训练信息进行负例配置操作，以及，将负例配置操作后的第二设备运行训练信息和第一设备运行训练信息集标记为第一负例训练信息。
举例来说：
从设备运行训练信息簇{A1，A2,A3，...，An}中选取A1作为第一设备运行训练信息。相应的，获取与该第一设备运行训练信息相关的第一设备运行训练信息集，该第一设备运行训练信息集可以为在先后关系上与第一设备运行训练信息有关联的有序集合，例如，选取A1相应的第一设备运行训练信息集可以为{A2}、{A2、A3}、{A2,...,An}等，具体选取的集合长度可以根据实际需求进行配置。由于该第一设备运行训练信息都为正例，因此，可以对该第一设备运行训练信息进行正例配置操作，例如，以1为正例配置操作的数据和0为负例配置操作的数据，并将正例配置操作后的第一设备运行训练信息和相应的第一设备运行训练信息集确定为第一正例训练信息，例如，将{x＝{A2,...,An}，y1＝A1，z1＝1}确定为一条第一正例训练信息，如此，可以得到多条第一正例训练信息。进一步，可以设置目标数量的第二设备运行训练信息，在一实施方式中，为了使得负例不影响正例的训练效果，可以限制该目标数量小于设备运行训练信息簇中的设备运行训练信息的数量，该第二设备运行训练信息的种类与该设备运行训练信息簇中的设备运行训练信息的种类都不一样，因此，该第二设备运行训练信息与第一设备运行训练信息都不相关，该第二设备运行训练信息都为负样本，以此，可以为该第二设备运行训练信息进行负例配置操作，并将负例配置操作后的第二设备运行训练信息和随机获取的第一设备运行训练信息集确定为第一负例训练信息，例如，将{x＝{A2,...,An}，y2＝An+1，z2＝0}确定为一条第一负例训练信息。在前述的示例中，x表示第一设备运行训练信息集，y1表示第一设备运行训练信息，y2表示第二设备运行训练信息，z1表示正例配置操作的数据，z2表示负例配置操作的数据。
具体的应用示例可以为：
设备运行训练信息簇：{航班信息查询，行李查询，登机口查询，候机厅设施查询，机场交通查询，自助托运，自助安检，移动充电}；
选取的第一个设备运行训练信息：航班信息查询；与第一个设备运行训练信息相关的第一个设备运行训练信息集：{行李查询}；将{x={行李查询}，y1=航班信息查询，z1=1}确定为第一条正例训练信息；
目标数量的第二个设备运行训练信息：自助值机；
将{x={行李查询}，y2=自助值机，z2=0}确定为第一条负例训练信息；
这个例子中，以航班信息查询作为第一个设备运行训练信息，并选择与之相关的行李查询作为第一个设备运行训练信息集。将航班信息查询和行李查询进行正例配置操作，生成第一条正例训练信息。同时，选择自助值机作为目标数量的第二个设备运行训练信息，并将其与随机选择的行李查询进行负例配置操作，生成第一条负例训练信息。这样，可以获得了一条正例和一条负例的训练信息。
可以理解的是，在一些实施方式中，所述在所述设备运行训练信息簇中，依次确定第一设备运行训练信息和相应的第一设备运行训练信息集的步骤，可以包括：
基于提供服务的先后关系，在所述设备运行训练信息簇中，依次确定出第一设备运行训练信息；例如，如从设备运行训练信息簇{A1，A2,A3，...，An}中选取A1作为第一设备运行训练信息，再从设备运行训练信息簇{A1，A2,A3，...，An}中选取A2作为第一设备运行训练信息；
提取到在所述设备运行训练信息簇中与所述第一设备运行训练信息在先后关系上连续且邻接的多个设备运行训练信息，并将该多个设备运行训练信息组合形成对应的第一设备运行训练信息集；例如，获取设备运行训练信息簇中与该第一设备运行训练信息在先后关系上连续且邻接的多个设备运行训练信息生成第一设备运行训练信息集，该多个的数量可以为1至设备运行训练信息簇中的设备运行训练信息总数量减1；例如，在选取A1作为第一设备运行训练信息时，可以获取该A1在先后关系上连接且邻接的3个、4个或者在该设备运行训练信息簇该A1以外的全部设备运行训练信息生成第一设备运行训练信息集。
可以理解的是，在一些实施方式中，所述提取到在所述设备运行训练信息簇中与所述第一设备运行训练信息在先后关系上连续且邻接的多个设备运行训练信息，并将该多个设备运行训练信息组合形成对应的第一设备运行训练信息集的步骤，可以包括：
依据所述第一设备运行训练信息，确定出在先后关系上连续且邻接的指定数量的设备运行训练信息形成的第一设备运行训练信息集，所述指定数量的具体数值不受限制，如4、5、6等数值；或者
对所述设备运行训练信息簇中所述第一设备运行训练信息以外的设备运行训练信息进行组合，形成对应的第一设备运行训练信息集。
可以理解的是，在一些实施方式中，所述候选运行数据识别网络属于递归神经网络，基于此，所述基于所述第一正例训练信息和所述第一负例训练信息，对候选运行数据识别网络进行初始网络更新，形成初始网络更新后的候选运行数据识别网络的步骤，可以包括：
利用所述递归神经网络，将所述第一设备运行训练信息集进行特征挖掘，输出相应的设备运行信息集特征；
将所述第一设备运行训练信息、正例配置操作的数据和相应的设备运行信息集特征加载到所述递归神经网络的非线性映射单元中进行初始网络更新，形成对应的中间神经网络所述设备运行信息集特征反映了所述第一设备运行训练信息集中的设备运行训练信息的特点，不断学习第一设备运行训练信息、正例配置操作的数据和相应的设备运行信息集特征之间的关系，可以更新所述候选运行数据识别网络的网络参数；
将所述第二设备运行训练信息、负例配置操作的数据和相应的设备运行信息集特征加载到所述中间神经网络的非线性映射单元中进行初始网络更新，形成初始网络更新后的递归神经网络，以得到初始网络更新后的候选运行数据识别网络；通过不断学习第一负例训练信息中的伪造设备运行训练信息、负例配置操作的数据和相应的设备运行信息集特征之间的关系，可以更新候选运行数据识别网络的网络参数，得到初始网络更新后的候选运行数据识别网络，该初始网络更新后的递归神经网络具有初始的二分类能力，能够识别出第一正例训练信息和第一负例训练信息。
其中，可以理解的是，在一些实施方式中，所述利用所述递归神经网络，将所述第一设备运行训练信息集进行特征挖掘，输出相应的设备运行信息集特征的步骤，可以包括：
将所述第一设备运行训练信息集中的第一个设备运行训练信息进行嵌入处理，输出第一个设备运行训练信息对应的嵌入特征，以及，将该嵌入特征进行加权处理（如与第一权重矩阵相乘），输出第一加权特征；
提取到默认配置特征（在初始化的过程中随机生成），以及，将该默认配置特征进行加权处理（如与第二权重矩阵相乘），输出第二加权特征，所述第一权重矩阵和所述第二权重矩阵属于神经网络中需要更新的参数；
对所述第一加权特征和所述第二加权特征进行求和计算，输出对应的加权求和特征，以及，对该加权求和特征进行非线性激活处理，输出对应的非线性激活特征，以及，将该非线性激活特征作为所述第一个设备运行训练信息对应的目标配置特征；
将所述第二设备运行训练信息集中的第二个设备运行训练信息进行嵌入处理，输出第二个设备运行训练信息对应的嵌入特征，以及，将该嵌入特征进行加权处理（如与第一权重矩阵相乘），输出第三加权特征；
将所述第一个设备运行训练信息对应的目标配置特征进行加权处理（如与第二权重矩阵相乘），输出第四加权特征；
对所述第三加权特征和所述第四加权特征进行求和计算，输出对应的加权求和特征，以及，对该加权求和特征进行非线性激活处理，输出对应的非线性激活特征，以及，将该非线性激活特征作为所述第二个设备运行训练信息对应的目标配置特征；
将所述第二设备运行训练信息集中的第三个设备运行训练信息进行嵌入处理，输出第三个设备运行训练信息对应的嵌入特征，以及，将该嵌入特征进行加权处理（如与第一权重矩阵相乘），输出第五加权特征；
将所述第二个设备运行训练信息对应的目标配置特征进行加权处理（如与第二权重矩阵相乘），输出第六加权特征；
对所述第五加权特征和所述第六加权特征进行求和计算，输出对应的加权求和特征，以及，对该加权求和特征进行非线性激活处理，输出对应的非线性激活特征，以及，将该非线性激活特征作为所述第三个设备运行训练信息对应的目标配置特征；
如此，依次进行相应的处理，得到所述第一设备运行训练信息集中的最后一个设备运行训练信息对应的目标配置特征，再将所述目标配置特征进行全连接处理，输出相应的设备运行信息集特征；基于此，可以充分捕捉序列数据中的模式和依赖关系，使得所述设备运行信息集特征可以有序表征所述第一设备运行训练信息集具有的特征信息，前述的各特征的表现形式可以为向量，例如，设备运行训练信息“行李查询”对应的嵌入特征的处理过程可以为：
对于文本"行李查询"，可以使用预训练的词嵌入模型（如Word2Vec、GloVe或BERT）将其转换为嵌入特征向量。以Word2Vec为例，假设有一个预训练的Word2Vec模型，其中"行李"的词向量表示为[0.1, 0.3, -0.2]，"查询"的词向量表示为[-0.2, 0.4, 0.6]。通过将这两个单词的词向量取平均，我们可以得到"行李查询"的嵌入特征向量："行李查询"的嵌入特征向量: [0.1-0.2, 0.3+0.4, -0.2+0.6] = [-0.1, 0.7, 0.4]；这样，可以将文本"行李查询"映射为一个具有三个元素的嵌入特征向量[-0.1, 0.7, 0.4]，其中，每个元素代表了该词在不同语义维度上的表示。需要说明的是，这只是一个示例，实际应用中可以采用更复杂的嵌入模型和处理方法来获得更准确的嵌入特征表示。
可以理解的是，在一些实施方式中，所述利用初始网络更新后的候选运行数据识别网络，将所述设备运行训练信息簇进行分析，输出第二正例训练信息和第二负例训练信息的步骤，可以包括：
利用所述初始网络更新后的候选运行数据识别网络，将所述设备运行训练信息簇中的每一个设备运行训练信息进行分析，依次输出每一个设备运行训练信息相应的评价指标参数；对评价指标参数大于或等于预先配置的第一评价指标参数对应的设备运行训练信息标记为第三设备运行训练信息，以及，对评价指标参数大于或等于预先配置的第二评价指标参数且小于所述第一评价指标参数的设备运行训练信息标记为第四设备运行训练信息；对所述第三设备运行训练信息进行正例配置操作，以及，将正例配置操作后的第三设备运行训练信息和相应的第一设备运行训练信息集标记为第二正例训练信息；对所述第四设备运行训练信息进行负例配置操作，以及，将负例配置操作后的第四设备运行训练信息和相应的第一设备运行训练信息集标记为第二负例训练信息。
示例性地，可以依次获取该设备运行训练信息簇中的每一个设备运行训练信息和相应的第一设备运行训练信息集，通过初始网络更新后的候选运行数据识别网络对每一个设备运行训练信息和相应的第一设备运行训练信息集进行识别，得到每一个设备运行训练信息相应的评价指标参数，该评价指标参数接近1即代表该设备运行训练信息为正例，该评价指标参数接近0（远离1）即代表该设备运行训练信息为负样本。其中，该第一评价指标参数为判断设备运行训练信息是否为正例的临界值，例如，可以为0.85、0.9等数值，该第二评价指标参数为判断设备运行训练信息是否为负样本的临界值，例如，可以为0.25、0.3等数值，评价指标参数大于第一评价指标参数的设备运行训练信息为正例，评价指标参数小于第二评价指标参数的设备运行训练信息为负例，而对于显著变化对象相应的设备运行训练信息，评价指标参数不会太高也不会太低（即具有区别，但区别不是很大，如都属于查询功能），因此，可以将大于第二评价指标参数且小于第一评价指标参数的设备运行训练信息确定为突变负样本。进一步地，将评价指标参数大于与第一评价指标参数的设备运行训练信息确定第三设备运行训练信息，该第三设备运行训练信息即为正例，将评价指标参数大于第二评价指标参数且小于第一评价指标参数的设备运行训练信息确定为第四设备运行训练信息，为该第三设备运行训练信息进行正例配置操作，例如，配置为1，并将正例配置操作后的第三设备运行训练信息和相应的第一设备运行训练信息集确定为第二正例训练信息。为该第四设备运行训练信息进行负例配置操作，例如，配置为0，并将负例配置操作后的第四设备运行训练信息和相应的第一设备运行训练信息集确定为第二负例训练信息。
可以理解的是，在一些实施方式中，所述候选运行数据识别网络可以属于递归神经网络，基于此，所述基于所述第二正例训练信息和所述第二负例训练信息，对初始网络更新后的候选运行数据识别网络进行进阶网络更新，形成目标运行数据识别网络的步骤，可以包括：
利用初始网络更新后的递归神经网络，将所述第一设备运行训练信息集进行特征挖掘，输出相应的设备运行信息集特征，如前所述；
对所述第三设备运行训练信息、正例配置操作的数据和相应的设备运行信息集特征加载到初始网络更新后的递归神经网络的非线性映射单元进行进阶网络更新，形成对应的候选神经网络；也就是说，通过该递归神经网络的非线性映射单元（如softmax）来学习第三设备运行训练信息与相应的设备运行信息集特征之间的关系，训练目标为正例配置操作的数据1，通过学习的过程不断调整非线性映射单元中的网络参数，也就是说，通过调整非线性映射单元中的网络参数，使得分析出的第三设备运行训练信息与相应的设备运行信息集特征之间的关系表征值（评价指标参数）接近1；
对所述第四设备运行训练信息、负例配置操作的数据和相应的设备运行信息集特征加载到所述候选神经网络的非线性映射单元中进行进阶网络更新，形成进阶网络更新后的递归神经网络，得到目标运行数据识别网络；也就是说，通过该递归神经网络的非线性映射单元学习第四设备运行训练信息与相应的设备运行信息集特征之间的关系，训练目标为负例配置操作的数据0，通过该递归神经网络的非线性映射单元学习的过程不断调整非线性映射单元中的网络参数，得到进阶网络更新后的递归神经网络，也就是说，通过调整非线性映射单元中的网络参数，使得分析出的第四设备运行训练信息与相应的设备运行信息集特征之间的关系表征值接近0。
可以理解的是，在一些实施方式中，所述利用所述目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇的步骤，即上述的步骤S120，可以包括：
利用进阶网络更新后的递归神经网络，将需要识别的设备运行信息簇中的设备运行信息进行识别，以对具有相同种类的设备运行信息分配到相同的设备运行信息子簇中，形成所述需要识别的设备运行信息簇对应的至少一个设备运行信息子簇；示例性地，如前所述，使用航班信息查询功能和使用行李查询功能，虽然都属于查询功能，但是，两者之间的区别还是较大，因此，需要识别为不同种类，但是，对于行李查询功能和机场交通查询功能，两者都属于查询功能，而且，使用行李查询功能一般意味着已经达到目的地，如此，对于机场交通查询功能的使用就会具有较大可能性，因此，将行李查询功能对应的设备运行信息和机场交通查询功能对应的设备运行信息分配到一个设备运行信息子簇中，使得行李查询功能和机场交通查询功能关联，可以便利地为用户进行功能页面的跳转。
可以理解的是，在一些实施方式中，所述利用进阶网络更新后的递归神经网络，将需要识别的设备运行信息簇中的设备运行信息进行识别，以对具有相同种类的设备运行信息分配到相同的设备运行信息子簇中，形成所述需要识别的设备运行信息簇对应的至少一个设备运行信息子簇的步骤，可以包括：
基于提供服务的先后关系，将所述设备运行信息簇中第一个设备运行信息标记为待处理设备运行信息子簇；
提取到所述待处理设备运行信息子簇的下一个目标设备运行信息，例如，所述设备运行信息簇中第二个设备运行信息；
对所述目标设备运行信息和目前标记的待处理设备运行信息子簇加载到进阶网络更新后的递归神经网络中，识别出所述目标设备运行信息对应的种类指标评价参数，即0-1之间的一个参数，例如，当输出的种类指标评价参数接近于1时，表示该目标设备运行信息与该待处理设备运行信息子簇属于相同的种类，将该目标设备运行信息并入待处理设备运行信息子簇中，当输出的种类指标评价参数接近于0时，表示该目标设备运行信息与该待处理设备运行信息子簇不属于相同的种类；
在所述种类指标评价参数大于或等于预先配置的参考可靠性参数时，对所述目标设备运行信息分配到所述待处理设备运行信息子簇中，以及，回转执行所述提取到所述待处理设备运行信息子簇的下一个目标设备运行信息的步骤，使得所述设备运行信息完成识别；举例来说，种类指标评价参数大于参考可靠性参数时，例如，该参考可靠性参数为0.73，而该种类指标评价参数为0.90，那么该种类指标评价参数大于该参考可靠性参数，表示该目标设备运行信息属于该待处理设备运行信息子簇，可以将相同种类的目标设备运行信息合并到待处理设备运行信息子簇中；
在所述种类指标评价参数小于所述参考可靠性参数时，存储目前标记的待处理设备运行信息子簇，以及，依据所述目标设备运行信息构建出新的待处理设备运行信息子簇，再回转执行所述提取到所述待处理设备运行信息子簇的下一个目标设备运行信息的步骤，使得所述设备运行信息完成识别，从而形成所述需要识别的设备运行信息簇对应的至少一个设备运行信息子簇；举例来说，当种类指标评价参数不大于参考可靠性参数时，例如种类指标评价参数为0.34，那么该种类指标评价参数小于该参考可靠性参数，表示该目标设备运行信息不属于该待处理设备运行信息子簇。
结合图3，本发明实施例还提供一种基于大数据分析的机场智慧台站管理装置，可应用于上述基于大数据分析的机场智慧台站管理系统。其中，所述基于大数据分析的机场智慧台站管理装置可以包括：
网络更新模块，用于提取到设备运行训练信息簇，并基于所述设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络，所述设备运行训练信息簇包括机场智慧台站在目标机场区域提供服务形成的多个设备功能输出记录，所述至少两个阶段的网络更新中的第二个阶段的网络更新的依据包括利用第一个阶段形成的初始网络更新后的候选运行数据识别网络对设备运行训练信息簇进行分析的结果；
运行信息簇分析模块，用于利用所述目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇，所述需要识别的设备运行信息簇包括机场智慧台站在指定机场区域提供服务形成的多个设备功能输出记录；
设备功能关联管理模块，用于对于所述至少一个设备运行信息子簇中的每一个设备运行信息子簇，基于该设备运行信息子簇包括的各设备运行信息对应的设备功能，对所述机场智慧台站的各设备功能进行关联管理。
综上所述，本发明提供的一种基于大数据分析的机场智慧台站管理方法及系统，首先，提取到设备运行训练信息簇，并基于设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络；其次，利用目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇；然后，对于至少一个设备运行信息子簇中的每一个设备运行信息子簇，基于该设备运行信息子簇包括的各设备运行信息对应的设备功能，对机场智慧台站的各设备功能进行关联管理。基于前述的内容，由于至少两个阶段的网络更新中的第二个阶段的网络更新的依据包括利用第一个阶段形成的初始网络更新后的候选运行数据识别网络对设备运行训练信息簇进行分析的结果，使得后一个阶段的网络更新的依据更为可靠，因此，可以保障利用目标运行数据识别网络将需要识别的设备运行信息簇进行分析的可靠度，从而使得对机场智慧台站的各设备功能进行关联管理的可靠度能够增大，进而提高机场智慧台站管理的可靠度，使得现有技术中存在的管理可靠度相对不高的问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据分析的机场智慧台站管理方法，其特征在于，包括：
提取到设备运行训练信息簇，并基于所述设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络，所述设备运行训练信息簇包括机场智慧台站在目标机场区域提供服务形成的多个设备功能输出记录，所述至少两个阶段的网络更新中的第二个阶段的网络更新的依据包括利用第一个阶段形成的初始网络更新后的候选运行数据识别网络对设备运行训练信息簇进行分析的结果；
利用所述目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇，所述需要识别的设备运行信息簇包括机场智慧台站在指定机场区域提供服务形成的多个设备功能输出记录；
对于所述至少一个设备运行信息子簇中的每一个设备运行信息子簇，基于该设备运行信息子簇包括的各设备运行信息对应的设备功能，对所述机场智慧台站的各设备功能进行关联管理；
所述提取到设备运行训练信息簇，并基于所述设备运行训练信息簇，对候选运行数据识别网络进行至少两个阶段的网络更新，形成目标运行数据识别网络的步骤，包括：
提取到设备运行训练信息簇，所述设备运行训练信息簇中的一条设备运行训练信息为所述机场智慧台站在所述目标机场区域提供一次服务形成的一个设备功能输出记录；
在所述设备运行训练信息簇中，确定出第一正例训练信息和第一负例训练信息，所述第一正例训练信息包括在所述设备运行训练信息簇中提取到的提供过服务的设备功能相应的第一设备运行训练信息和在所述设备运行训练信息簇中与所述第一设备运行训练信息邻接的第一设备运行训练信息集，所述设备运行训练信息簇中的设备运行训练信息都属于正例，所述第一负例训练信息包括第二设备运行训练信息和任意确定的第一设备运行训练信息集，所述第一负例训练信息的种类与所述第一正例训练信息的种类不同，所述第二设备运行训练信息属于基于所述机场智慧台站没有提供过服务的设备功能形成的伪造设备运行训练信息；
基于所述第一正例训练信息和所述第一负例训练信息，对候选运行数据识别网络进行初始网络更新，形成初始网络更新后的候选运行数据识别网络；
利用初始网络更新后的候选运行数据识别网络，将所述设备运行训练信息簇进行分析，输出第二正例训练信息和第二负例训练信息，所述第二负例训练信息属于所述设备运行训练信息簇中提供服务的设备功能的显著变化对象，所述第二正例训练信息属于所述设备运行训练信息簇中提供服务的设备功能的非显著变化对象；
基于所述第二正例训练信息和所述第二负例训练信息，对初始网络更新后的候选运行数据识别网络进行进阶网络更新，形成目标运行数据识别网络。
2.如权利要求1所述的基于大数据分析的机场智慧台站管理方法，其特征在于，所述在所述设备运行训练信息簇中，确定出第一正例训练信息和第一负例训练信息的步骤，包括：
在所述设备运行训练信息簇中，依次确定第一设备运行训练信息和相应的第一设备运行训练信息集；
对所述第一设备运行训练信息进行正例配置操作，以及，将正例配置操作后的第一设备运行训练信息和相应的第一设备运行训练信息集标记为第一正例训练信息；
确定出目标数量的第二设备运行训练信息，所述第二设备运行训练信息的种类与所述设备运行训练信息簇的种类不一样；
对所述第二设备运行训练信息进行负例配置操作，以及，将负例配置操作后的第二设备运行训练信息和第一设备运行训练信息集标记为第一负例训练信息。
3.如权利要求2所述的基于大数据分析的机场智慧台站管理方法，其特征在于，所述在所述设备运行训练信息簇中，依次确定第一设备运行训练信息和相应的第一设备运行训练信息集的步骤，包括：
基于提供服务的先后关系，在所述设备运行训练信息簇中，依次确定出第一设备运行训练信息；
提取到在所述设备运行训练信息簇中与所述第一设备运行训练信息在先后关系上连续且邻接的多个设备运行训练信息，并将该多个设备运行训练信息组合形成对应的第一设备运行训练信息集。
4.如权利要求3所述的基于大数据分析的机场智慧台站管理方法，其特征在于，所述提取到在所述设备运行训练信息簇中与所述第一设备运行训练信息在先后关系上连续且邻接的多个设备运行训练信息，并将该多个设备运行训练信息组合形成对应的第一设备运行训练信息集的步骤，包括：
依据所述第一设备运行训练信息，确定出在先后关系上连续且邻接的指定数量的设备运行训练信息形成的第一设备运行训练信息集；或者
对所述设备运行训练信息簇中所述第一设备运行训练信息以外的设备运行训练信息进行组合，形成对应的第一设备运行训练信息集。
5.如权利要求2所述的基于大数据分析的机场智慧台站管理方法，其特征在于，所述候选运行数据识别网络属于递归神经网络；
所述基于所述第一正例训练信息和所述第一负例训练信息，对候选运行数据识别网络进行初始网络更新，形成初始网络更新后的候选运行数据识别网络的步骤，包括：
利用所述递归神经网络，将所述第一设备运行训练信息集进行特征挖掘，输出相应的设备运行信息集特征；
将所述第一设备运行训练信息、正例配置操作的数据和相应的设备运行信息集特征加载到所述递归神经网络的非线性映射单元中进行初始网络更新，形成对应的中间神经网络；
将所述第二设备运行训练信息、负例配置操作的数据和相应的设备运行信息集特征加载到所述中间神经网络的非线性映射单元中进行初始网络更新，形成初始网络更新后的递归神经网络，以得到初始网络更新后的候选运行数据识别网络。
6.如权利要求1所述的基于大数据分析的机场智慧台站管理方法，其特征在于，所述利用初始网络更新后的候选运行数据识别网络，将所述设备运行训练信息簇进行分析，输出第二正例训练信息和第二负例训练信息的步骤，包括：
利用所述初始网络更新后的候选运行数据识别网络，将所述设备运行训练信息簇中的每一个设备运行训练信息进行分析，依次输出每一个设备运行训练信息相应的评价指标参数；
对评价指标参数大于或等于预先配置的第一评价指标参数对应的设备运行训练信息标记为第三设备运行训练信息，以及，对评价指标参数大于或等于预先配置的第二评价指标参数且小于所述第一评价指标参数的设备运行训练信息标记为第四设备运行训练信息；
对所述第三设备运行训练信息进行正例配置操作，以及，将正例配置操作后的第三设备运行训练信息和相应的第一设备运行训练信息集标记为第二正例训练信息；
对所述第四设备运行训练信息进行负例配置操作，以及，将负例配置操作后的第四设备运行训练信息和相应的第一设备运行训练信息集标记为第二负例训练信息；
并且，所述候选运行数据识别网络属于递归神经网络，所述基于所述第二正例训练信息和所述第二负例训练信息，对初始网络更新后的候选运行数据识别网络进行进阶网络更新，形成目标运行数据识别网络的步骤，包括：
利用初始网络更新后的递归神经网络，将所述第一设备运行训练信息集进行特征挖掘，输出相应的设备运行信息集特征；
对所述第三设备运行训练信息、正例配置操作的数据和相应的设备运行信息集特征加载到初始网络更新后的递归神经网络的非线性映射单元进行进阶网络更新，形成对应的候选神经网络；
对所述第四设备运行训练信息、负例配置操作的数据和相应的设备运行信息集特征加载到所述候选神经网络的非线性映射单元中进行进阶网络更新，形成进阶网络更新后的递归神经网络，得到目标运行数据识别网络。
7.如权利要求6所述的基于大数据分析的机场智慧台站管理方法，其特征在于，所述利用所述目标运行数据识别网络，将需要识别的设备运行信息簇进行分析，形成至少一个设备运行信息子簇的步骤，包括：
利用进阶网络更新后的递归神经网络，将需要识别的设备运行信息簇中的设备运行信息进行识别，以对具有相同种类的设备运行信息分配到相同的设备运行信息子簇中，形成所述需要识别的设备运行信息簇对应的至少一个设备运行信息子簇。
8.如权利要求7所述的基于大数据分析的机场智慧台站管理方法，其特征在于，所述利用进阶网络更新后的递归神经网络，将需要识别的设备运行信息簇中的设备运行信息进行识别，以对具有相同种类的设备运行信息分配到相同的设备运行信息子簇中，形成所述需要识别的设备运行信息簇对应的至少一个设备运行信息子簇的步骤，包括：
基于提供服务的先后关系，将所述设备运行信息簇中第一个设备运行信息标记为待处理设备运行信息子簇；
提取到所述待处理设备运行信息子簇的下一个目标设备运行信息；
对所述目标设备运行信息和目前标记的待处理设备运行信息子簇加载到进阶网络更新后的递归神经网络中，识别出所述目标设备运行信息对应的种类指标评价参数；
在所述种类指标评价参数大于或等于预先配置的参考可靠性参数时，对所述目标设备运行信息分配到所述待处理设备运行信息子簇中，以及，回转执行所述提取到所述待处理设备运行信息子簇的下一个目标设备运行信息的步骤，使得所述设备运行信息完成识别；
在所述种类指标评价参数小于所述参考可靠性参数时，存储目前标记的待处理设备运行信息子簇，以及，依据所述目标设备运行信息构建出新的待处理设备运行信息子簇，再回转执行所述提取到所述待处理设备运行信息子簇的下一个目标设备运行信息的步骤，使得所述设备运行信息完成识别，从而形成所述需要识别的设备运行信息簇对应的至少一个设备运行信息子簇。
9.一种基于大数据分析的机场智慧台站管理系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-8任意一项所述的基于大数据分析的机场智慧台站管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451587.3A CN117171578B (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451587.3A CN117171578B (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117171578A CN117171578A (zh) | 2023-12-05 |
| CN117171578B true CN117171578B (zh) | 2024-02-06 |
Family
ID=88932172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311451587.3A Active CN117171578B (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171578B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005018566A (ja) * | 2003-06-27 | 2005-01-20 | Toshiba Corp | 情報管理サーバ及びネットワークシステム |
| CN101211393A (zh) * | 2006-12-27 | 2008-07-02 | 国际商业机器公司 | 用于控制应用程序对资源的访问的信息处理设备和方法 |
| JP2011253227A (ja) * | 2010-05-31 | 2011-12-15 | Denso Wave Inc | 情報提供システム |
| JP2016212498A (ja) * | 2015-04-30 | 2016-12-15 | シャープ株式会社 | データを収集するシステム、サーバ装置、通信機器、データを収集する方法およびプログラム |
| CN110009078A (zh) * | 2019-04-12 | 2019-07-12 | 重庆天蓬网络有限公司 | 基于二维码的工位信息化管理方法及系统 |
| CN112163701A (zh) * | 2020-09-23 | 2021-01-01 | 佳都新太科技股份有限公司 | 一种车站枢纽换乘管理方法及装置 |
| CN112381298A (zh) * | 2020-11-16 | 2021-02-19 | 北京交通大学 | 空港旅客智能导航导乘自助服务系统 |
| CN114647790A (zh) * | 2022-04-01 | 2022-06-21 | 刘中申 | 应用于行为意图分析的大数据挖掘方法及云端ai服务系统 |
| CN114756925A (zh) * | 2022-03-17 | 2022-07-15 | 深圳地铁运营集团有限公司 | 一种城市轨道交通系统的运维管理方法和装置 |
| CN115699050A (zh) * | 2019-11-05 | 2023-02-03 | 强力价值链网络投资组合2019有限公司 | 价值链网络控制塔和企业管理平台 |
| CN115964461A (zh) * | 2022-12-29 | 2023-04-14 | 江苏永硕舟钰数据科技有限公司 | 基于人工智能和大数据分析的网络数据匹配方法和平台 |
| CN116824861A (zh) * | 2023-08-24 | 2023-09-29 | 北京亦庄智能城市研究院集团有限公司 | 基于城市大脑平台多维数据的共享单车调度方法和系统 |
| US20230316075A1 (en) * | 2021-11-23 | 2023-10-05 | Strong Force TX Portfolio 2018, LLC | Training models for prediction and monitoring using internet of things data collection |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210133669A1 (en) * | 2019-11-05 | 2021-05-06 | Strong Force Vcn Portfolio 2019, Llc | Control tower and enterprise management platform with robotic process automation layer to automate actions for subset of applications benefitting value chain network entities |
| JP2023113318A (ja) * | 2022-02-03 | 2023-08-16 | シャープ株式会社 | 通信システム、親局、子局、通信方法、及び通信プログラム |
-
2023
- 2023-11-03 CN CN202311451587.3A patent/CN117171578B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005018566A (ja) * | 2003-06-27 | 2005-01-20 | Toshiba Corp | 情報管理サーバ及びネットワークシステム |
| CN101211393A (zh) * | 2006-12-27 | 2008-07-02 | 国际商业机器公司 | 用于控制应用程序对资源的访问的信息处理设备和方法 |
| JP2011253227A (ja) * | 2010-05-31 | 2011-12-15 | Denso Wave Inc | 情報提供システム |
| JP2016212498A (ja) * | 2015-04-30 | 2016-12-15 | シャープ株式会社 | データを収集するシステム、サーバ装置、通信機器、データを収集する方法およびプログラム |
| CN110009078A (zh) * | 2019-04-12 | 2019-07-12 | 重庆天蓬网络有限公司 | 基于二维码的工位信息化管理方法及系统 |
| CN115699050A (zh) * | 2019-11-05 | 2023-02-03 | 强力价值链网络投资组合2019有限公司 | 价值链网络控制塔和企业管理平台 |
| CN112163701A (zh) * | 2020-09-23 | 2021-01-01 | 佳都新太科技股份有限公司 | 一种车站枢纽换乘管理方法及装置 |
| CN112381298A (zh) * | 2020-11-16 | 2021-02-19 | 北京交通大学 | 空港旅客智能导航导乘自助服务系统 |
| US20230316075A1 (en) * | 2021-11-23 | 2023-10-05 | Strong Force TX Portfolio 2018, LLC | Training models for prediction and monitoring using internet of things data collection |
| CN114756925A (zh) * | 2022-03-17 | 2022-07-15 | 深圳地铁运营集团有限公司 | 一种城市轨道交通系统的运维管理方法和装置 |
| CN114647790A (zh) * | 2022-04-01 | 2022-06-21 | 刘中申 | 应用于行为意图分析的大数据挖掘方法及云端ai服务系统 |
| CN115964461A (zh) * | 2022-12-29 | 2023-04-14 | 江苏永硕舟钰数据科技有限公司 | 基于人工智能和大数据分析的网络数据匹配方法和平台 |
| CN116824861A (zh) * | 2023-08-24 | 2023-09-29 | 北京亦庄智能城市研究院集团有限公司 | 基于城市大脑平台多维数据的共享单车调度方法和系统 |
Non-Patent Citations (6)
| Title |
|---|
| "Research on Intelligent Acquisition Technology of Airport Operation Nodes Based on Multi-sensor Data Fusion";Q. Zhao;《2021 IEEE 3rd International Conference on Civil Aviation Safety and Information Technology (ICCASIT)》;第417-422页 * |
| "Research and Design of Remote Management of Distributed Airport Security Inspection Equipment Based on Machine Vision";Ying Chen等;《ICASIT 2021: 2021 International Conference on Aviation Safety and Information Technology》;第869-873页 * |
| "人工智能机器视觉系统在民航领域的应用研究与实现";谢衍等;《智能建筑》(第9期);第12-16页 * |
| "基于BIM+GIS的京张高速铁路空地一体"数字孪生"智能化运维技术研究";臧钊;《铁道运输与经济》;第44卷(第9期);第139-145页 * |
| "基于时空本体的智慧城市交通信息关联一体化管理";徐跃跃;《城市勘测》;第2014卷(第1期);第9-12页 * |
| "智慧机场物联网应用及网络安全挑战";顾兆军等;《指挥信息系统与技术》;第14卷(第5期);第14-20页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117171578A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10878324B2 (en) | Problem analysis and priority determination based on fuzzy expert systems | |
| CN110598110B (zh) | 业务推送方法和装置 | |
| CN110597719B (zh) | 一种用于适配测试的图像聚类方法、装置及介质 | |
| Rashinkar et al. | An overview of data fusion techniques | |
| CN111950622B (zh) | 基于人工智能的行为预测方法、装置、终端及存储介质 | |
| CN109978619B (zh) | 机票定价策略筛选的方法、系统、设备以及介质 | |
| CN113435998B (zh) | 贷款逾期预测方法、装置、电子设备及存储介质 | |
| Chen et al. | Pattern recognition using clustering algorithm for scenario definition in traffic simulation-based decision support systems | |
| CN112529100A (zh) | 多分类模型的训练方法、装置、电子设备及存储介质 | |
| CN110751395B (zh) | 一种旅客行程状态确定方法、装置及服务器 | |
| CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
| US11783221B2 (en) | Data exposure for transparency in artificial intelligence | |
| CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
| CN117171578B (zh) | 一种基于大数据分析的机场智慧台站管理方法及系统 | |
| CN117435999A (zh) | 一种风险评估方法、装置、设备以及介质 | |
| CN111090401A (zh) | 存储设备性能预测方法及装置 | |
| CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
| CN114067149A (zh) | 互联网服务提供方法、装置和计算机设备 | |
| EP3748549B1 (en) | Learning device and learning method | |
| CN112652399A (zh) | 老人心理状态检测终端及老人心理状态检测系统 | |
| US20070124300A1 (en) | Method and System for Constructing a Classifier | |
| CN114510638B (zh) | 信息处理方法、装置、设备、存储介质及程序产品 | |
| CN106888237A (zh) | 一种数据调度方法及系统 | |
| CN112600282B (zh) | 一种智能太阳能箱包充放电控制方法及系统 | |
| CN117390455B (zh) | 数据处理方法和装置、存储介质及电子设备 |
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 |