Please wait a minute...
Advanced Search
数据分析与知识发现  2018, Vol. 2 Issue (10): 46-53     https://doi.org/10.11925/infotech.2096-3467.2018.0812
  专题 本期目录 | 过刊浏览 | 高级检索 |
基于深度学习的民航安检和航班预警研究*
冯文刚1,2,3(), 黄静2,4
1中国人民公安大学侦查与反恐怖学院 北京 100038
2中国人民公安大学民航安保研究中心 北京 100038
3中国人民公安大学公安学博士后流动站 北京 100038
4中国民用航空局公安局 北京 100710
Early Warning for Civil Aviation Security Checks Based on Deep Learning
Feng Wengang1,2,3(), Huang Jing2,4
1School of Criminal Investigation and Counter Terrorism, People’s Public Security University of China, Beijing 100038, China
2Research Centre for Civil Aviation Security, People’s Public Security University of China, Beijing 100038, China
3Police Science Postdoctoral Research Station, People’s Public Security University of China, Beijing 100038, China
4Public Security Bureau, Civil Aviation Administration of China, Beijing 100710, China
全文: PDF (1028 KB)   HTML ( 2
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】基于数据分析进行分级分类安检, 提升机场安全检查的工作效率和用户体验。【方法】针对民航乘客安检最为关注的时效问题, 提出一种特征级的深度学习方法, 基于民航数据库和公安数据库, 构建包括时序特征、空序特征、环境特征三层深度神经网络, 通过训练获得联合表示层——旅客风险因素, 基于此得出旅客安检和航班预警模型。【结果】旅客安检和航班预警模型可以较好地缓解民航安检压力, 提前做好高风险旅客和航班的防范处置准备。【局限】只针对大型机场进行分析, 结论对小型机场是否适用需要进一步验证。【结论】基于深度学习获得的旅客风险因素构建的预警模型可以有效提升机场安全检查的工作效率和用户体验。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
冯文刚
黄静
关键词 民航安检问卷调查深度学习航班预警    
Abstract

[Objective]This paper proposes a hierarcical classification screening method, aiming to improve the airport security system and passenger experience. [Methods] We proposed a feature deep learning method based on the civil aviation and public security databases. Then, we trained the deep neural network of three layers: time seriers, space seriers, and environmental features to obtain the joint representing feature of passenger risk factors. Finally, we generated the early warning models for passenger security check. [Results] The proposed early warning models could relieve the pressure of civil aviation security check. [Limitaions] More research is needed to examine the proposed model with data from small airports. [Conclusions] The early-warning model based on deep learning could effectively improve work efficiency of airport security checks and passanger experience.

Key wordsCivil Aviation Security    Questionnaire Survey    Deep Learning    Flight Warning
收稿日期: 2018-07-22      出版日期: 2018-11-12
ZTFLH:  G359 D631  
基金资助:*本文系国家社会科学基金重大项目“当前我国反恐形势及对策研究”(项目编号: 15ZDA034)、国家自然科学基金青年项目“基于统一结构场模型的警务视频分析研究”(项目编号: 61501467)和北京市哲学社会科学规划重点项目“首都关键基础设施安全防恐体系建设研究——以首都机场为重点”(项目编号: 15JDZHA020)的研究成果之一
引用本文:   
冯文刚, 黄静. 基于深度学习的民航安检和航班预警研究*[J]. 数据分析与知识发现, 2018, 2(10): 46-53.
Feng Wengang,Huang Jing. Early Warning for Civil Aviation Security Checks Based on Deep Learning. Data Analysis and Knowledge Discovery, 2018, 2(10): 46-53.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2018.0812      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2018/V2/I10/46
  常规旅客值机、安检、登机示意图
  民航旅客安保流程示意图
  旅客风险层级数据分析示意图
  深度学习神经网络模型
序号 旅客信息风险预警项 xi得分 ${{\alpha }_{i}}$赋值
X1 公安相关重点人员 200 1
X2 编造、故意传播涉及民航空防安全虚假恐怖信息 150 1
X3 在航空器内盗窃他人物品 150 1
X4 使用伪造、变造或冒用他人乘机身份证件、乘机凭证 150 1
X5 随身携带或托运国家法律、法规规定的危险品、违禁品和管制物品的; 在随身携带或托运行李中故意藏匿国家规定以外属于民航禁止、限制运输物品 100 1
X6 堵塞、强占、冲击值机柜台、安检通道、登机口(通道) 50 1
X7 妨碍或煽动他人妨碍机组、安检、值机等民航工作人员履行职责, 实施或威胁实施人身攻击 50 1
X8 强行登占、拦截航空器, 强行闯入或冲击航空器驾驶舱、跑道和机坪 50 1
X9 在航空器内使用明火、吸烟、违规使用电子设备, 不听劝阻 40 1
X10 强占座位、行李架, 打架斗殴、寻衅滋事, 故意损坏、盗窃、擅自开启航空器或航空设施设备等扰乱客舱秩序 30 1
X11 其他 30 1
  旅客积分预警分类表
  差异化安检示意图
  基于航班预警的座位分配示意图
[1] CAAC. 2017年民航行业发展统计公报[R]. 中国民用航空局, 2018.
[1] (CAAC. 2017 Civil Aviation Industry Development Statistics Bulletin[R]. Civil Aviation Administration of China, 2018.)
[2] CAAC. 2016年民用航空安全保卫事件信息统计报告[R]. 中国民用航空局公安局, 2017.
[2] (CAAC. 2016 Civil Aviation Security Incident Statistics Report [R]. Public Security Bureau of Civil Aviation Administration of China, 2017.)
[3] Enders W, Sandler T.Is Transnational Terrorism Becoming More Threatening? A Time-Series Investigation[J]. Journal of Conflict Resolution, 2000, 44(3): 307-332.
doi: 10.1177/0022002700044003002
[4] Lum C.Does the ‘Race of Places’ Influence Police Officer Decision Making?[R]. W.E.B. DuBois Fellowship,National Institute of Justice, 2010.
[5] Clarke R.Building a Safer Society: Strategic Approaches to Crime Prevention: Situational Crime Prevention[J]. Crime and Justice, 1995, 19: 91-150.
doi: 10.1086/449230
[6] Clarke R, Newman G.Outsmarting the Terrorists[R]. Westport,CT: Praeger Security International, 2006.
[7] Eck J.Preventing Crime at Places Evidence-based Crime Prevention[M]. New York, NY: Routledge, 2002.
[8] US Department of Justice. Federal Bureau of Investigation. Crime in the United States[EB/OL].(2010).[2018-07-08]. .
[9] Alves L G, Ribeiro H V, Lenzi E K, et al.Distance to the Scaling Law: A Useful Approach for Unveiling Relationships Between Crime and Urban Metrics[J]. PLoS One, 2013, 8(8): 1-8.
doi: 10.1371/journal.pone.0069580 pmid: 24348946
[10] Chen P, Yuan H Y, Shu X.Forecasting Crime Using the ARIMA Model[C]// Proceedings of the 5th IEEE International Conference on Fuzzy Systems and Knowledge Discovery. 2008: 627-630.
[11] Gerber M S.Predicting Crime Using Twitter and Kernel Density Estimation[J]. Decision Support Systems, 2014, 61(1): 115-125.
doi: 10.1016/j.dss.2014.02.003
[12] Gorr W, Olligschlaeger A, Thompson Y.Short-term Forecasting of Crime[J]. International Journal of Forecasting, 2003, 19(4): 579-594.
doi: 10.1016/S0169-2070(03)00092-X
[13] Liao R, Wang X, Li L, et al.A Novel Serial Crime Prediction Model Based on Bayesian Learning Theory[C]// Proceedings of the 2010 IEEE International Conference on Machine Learning and Cybernetics. 2010: 1757-1762.
[14] Mohler G O, Short M B, Brantingham P J, et al.Self-Exciting Point Process Modeling of Crime[J]. Journal of the American Statistical Association, 2011, 106(493): 100-108.
doi: 10.1198/jasa.2011.ap09546
[15] Wang P, Mathieu R, Ke J, et al.Predicting Criminal Recidivism with Support Vector Machine[C]// Proceedings of the 2010 IEEE International Conference on Management and Service Science. 2010: 1-9.
[16] Anderson C A, Anderson D C.Ambient Temperature and Violent Crime: Tests of the Linear and Curvilinear Hypotheses[J]. Journal of Personality and Social Psychology,2004, 46(1): 91-97.
doi: 10.1037//0022-3514.46.1.91 pmid: 6694060
[1] 王鑫芸,王昊,邓三鸿,张宝隆. 面向期刊选择的学术论文内容分类研究 *[J]. 数据分析与知识发现, 2020, 4(7): 96-109.
[2] 王末,崔运鹏,陈丽,李欢. 基于深度学习的学术论文语步结构分类方法研究*[J]. 数据分析与知识发现, 2020, 4(6): 60-68.
[3] 焦启航,乐小虬. 对比关系句子生成方法研究[J]. 数据分析与知识发现, 2020, 4(6): 43-50.
[4] 邓思艺,乐小虬. 基于动态语义注意力的指代消解方法[J]. 数据分析与知识发现, 2020, 4(5): 46-53.
[5] 余传明,原赛,朱星宇,林虹君,张普亮,安璐. 基于深度学习的热点事件主题表示研究*[J]. 数据分析与知识发现, 2020, 4(4): 1-14.
[6] 苏传东,黄孝喜,王荣波,谌志群,毛君钰,朱嘉莹,潘宇豪. 基于词嵌入融合和循环神经网络的中英文隐喻识别*[J]. 数据分析与知识发现, 2020, 4(4): 91-99.
[7] 刘彤,倪维健,孙宇健,曾庆田. 基于深度迁移学习的业务流程实例剩余执行时间预测方法*[J]. 数据分析与知识发现, 2020, 4(2/3): 134-142.
[8] 余传明,李浩男,王曼怡,黄婷婷,安璐. 基于深度学习的知识表示研究:网络视角*[J]. 数据分析与知识发现, 2020, 4(1): 63-75.
[9] 张梦吉,杜婉钰,郑楠. 引入新闻短文本的个股走势预测模型[J]. 数据分析与知识发现, 2019, 3(5): 11-18.
[10] 裴晶晶,乐小虬. 篇章级并列关系文本块识别方法研究[J]. 数据分析与知识发现, 2019, 3(5): 51-56.
[11] 张智雄,刘欢,丁良萍,吴朋民,于改红. 不同深度学习模型的科技论文摘要语步识别效果对比研究 *[J]. 数据分析与知识发现, 2019, 3(12): 1-9.
[12] 余丽,钱力,付常雷,赵华茗. 基于深度学习的文本中细粒度知识元抽取方法研究*[J]. 数据分析与知识发现, 2019, 3(1): 38-45.
[13] 付常雷,钱力,张华平,赵华茗,谢靖. 基于深度学习的创新主题智能挖掘算法研究*[J]. 数据分析与知识发现, 2019, 3(1): 46-54.
[14] 余本功,张培行,许庆堂. 基于F-BiGRU情感分析的产品选择方法*[J]. 数据分析与知识发现, 2018, 2(9): 22-30.
[15] 陆伟,罗梦奇,丁恒,李信. 深度学习图像标注与用户标注比较研究*[J]. 数据分析与知识发现, 2018, 2(5): 1-10.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn