Please wait a minute...
Advanced Search
数据分析与知识发现  2020, Vol. 4 Issue (12): 105-119     https://doi.org/10.11925/infotech.2096-3467.2020.0655
     研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于民航旅客分级分类方法的差异化安检和旅客风险演化研究*
冯文刚1,2,3(),姜兆菲璠1
1中国人民公安大学国家安全学院 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
Improving Security Checks and Passenger Risk Evaluation with Classification of Airline Passengers
Feng Wengang1,2,3(),Jiang Zhaofeifan1
1School of State Security, 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
全文: PDF (1081 KB)   HTML ( 7
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 提高民航安检服务效能和乘客满意度,基于民航旅客分级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。【方法】 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,并提出基于深度神经网络的民航旅客分类模型,进而使用系统动力学模拟仿真安全管理措施对民航旅客风险的影响作用。【结果】 通过将分级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,进而基于风险演化推演,在社会安全管控、安保措施以及响应系数三个变量增加30%后,能分别降低民航旅客风险61.65%、29.87%和29.87%,改善旅客乘机体验。【局限】 由于个别特殊民航安保事件保密级别较高,无法将其纳入分析范畴。【结论】 本文构建了民航旅客分级分类模型以提供民航差异化安检对策,并基于风险系统动力学分析阐释安保措施对于民航旅客风险演化的影响。

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
姜兆菲璠
关键词 民航旅客分级分类方法深度神经网络系统动力学差异化安检    
Abstract

[Objective] This study tries to improve the efficiency of airport security checks and conducts dynamic analysis of risk evolutions, aiming to provide better services for airline passengers. [Methods] We constrcuted an index system for civil aviation passengers based on deep learning, which determines the weight of each index through quantitative analysis. Then, we utilized system dynamics to simulate the impacts of safety management measures on passenger risks. [Results] The proposed method could precisely diverge airline passengers based on risk analysis, which could reduce the waiting time at security checks. Increasing the social safety management, security measures and response coefficient by 30%, we could reduce the passenger ricks by 61.65%, 29.87% and 29.87%, respectively. [Limitations] Our study did not include events with high confidentiality. [Conclusions] The proposed model could help airports launch differentiated security check services, and evaluate the evolutions of passenger risks.

Key wordsCivil Aviation Passengers    Classifcation Method    Deep Neural Networks    System Dynamics    Differentiated Security Check
收稿日期: 2020-07-06      出版日期: 2020-12-25
ZTFLH:  G359  
基金资助:*中国博士后科学基金资助项目“大数据驱动的民航反恐情报决策机制研究”(2018M641575);中国人民公安大学国家安全高精尖学科资助项目“民航案事件分析模型与防控应用研究”(2020GDLW001)
通讯作者: 冯文刚     E-mail: fengwengang@ppsuc.edu.cn
引用本文:   
冯文刚,姜兆菲璠. 基于民航旅客分级分类方法的差异化安检和旅客风险演化研究*[J]. 数据分析与知识发现, 2020, 4(12): 105-119.
Feng Wengang,Jiang Zhaofeifan. Improving Security Checks and Passenger Risk Evaluation with Classification of Airline Passengers. Data Analysis and Knowledge Discovery, 2020, 4(12): 105-119.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2020.0655      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2020/V4/I12/105
Fig.1  民航旅客差异化安检模型框架
一级指标 二级指标
基本信息 年龄
性别
国籍
居住地
居住持续时间
文化程度
宗教信仰
政治面貌
家庭情况 婚姻情况
家庭结构
供养人口
家庭总资产
职业情况 行业
职称
担任现职位年限
经济情况 年收入
住房性质
总资产
保险金额
负债金额
公共记录 刑事处罚记录
行政处罚记录
民事判决记录
强制执行记录
欠税记录
在逃人员
涉毒人员
民航不文明行为记录
乘机信息 起飞地
目的地
客票性质
购票方式
购票时间
航空公司会员
年飞行次数
Table 1  民航旅客分级指标体系
类别 发放问卷 回收问卷 有效问卷 回收率 有效率
数量 450份 450份 431份 100% 95.78%
Table 2  问卷整体情况
KMO取样适切性量数 .922
巴特利特球形度检验 近似卡方 6 424.112
自由度 435
显著性 .000
Table 3  KMO和巴特利特检验
Factor(潜变量) 分析项(显变量) 标准载荷系数
基本情况 年龄 0.730
性别 0.736
国籍 0.851
居住地 0.882
居住持续时间 0.872
文化程度 0.798
宗教信仰 0.801
经济情况 家庭结构 0.765
供养人口 0.856
家庭总资产 0.905
行业 0.806
职称 0.825
担任现职位年限 0.829
年收入 0.905
住房性质 0.859
总资产 0.892
保险金额 0.772
公共记录 刑事处罚记录 0.900
民事判决记录 0.904
强制执行记录 0.948
欠税记录 0.679
在逃人员 0.679
涉毒人员 0.716
民航不文明行为记录 0.747
乘机信息 目的地 0.784
客票性质 0.913
购票方式 0.940
购票时间 0.878
航空公司会员 0.872
年飞行次数 0.856
Table 4  因子载荷系数
Factor 平均提取方差值AVE 组合信度值CR
基本情况 0.656 0.930
经济情况 0.710 0.961
公共记录 0.641 0.925
乘机信息 0.768 0.952
Table 5  模型AVE和CR结果
基本情况 经济情况 公共记录 乘机信息
基本情况 -
经济情况 0.778 -
公共记录 0.364 0.450 -
乘机信息 0.755 0.877 0.406 -
Table 6  HTMT结果
分析项 特征向量 权重值 最大特征根 CI值
年龄 0.963 3.209% 30 0
性别 0.905 3.017%
国籍 1.045 3.483%
居住地 1.016 3.386%
居住持续时间 0.969 3.230%
文化程度 0.989 3.295%
宗教信仰 1.172 3.908%
家庭结构 0.975 3.250%
供养人口 0.911 3.037%
家庭总资产 0.969 3.230%
行业 0.961 3.204%
职称 0.826 2.754%
担任现职位年限 0.841 2.804%
年收入 0.981 3.270%
住房性质 0.928 3.093%
总资产 0.966 3.219%
保险金额 0.984 3.280%
刑事处罚记录 1.229 4.095%
民事判决记录 1.131 3.771%
强制执行记录 1.188 3.958%
欠税记录 1.095 3.650%
在逃人员 1.279 4.262%
涉毒人员 1.273 4.242%
民航不文明行为记录 1.204 4.014%
目的地 0.942 3.138%
客票性质 0.863 2.875%
购票方式 0.841 2.804%
购票时间 0.811 2.703%
航空公司会员 0.849 2.830%
年飞行次数 0.896 2.987%
Table 7  权重分析结果
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
Table 8  一致性检验结果
一级指标 指标类型 二级指标 指标编号 原始数据 量化得分
基本情况 A 年龄 A1 0-20岁(含) 4
20-30岁(含) 5
30-40岁(含) 3
40-50岁(含) 2
50岁以上 1
性别 A2 4
2
国籍 A3 国籍国近3年(含)发生过恐怖袭击或战乱 5
国籍国近3年-5年(含)未发生过恐怖袭击或战乱 4
国籍国近5年-10年(含)未发生过恐怖袭击或战乱 3
国籍国近10年-15年(含)未发生过恐怖袭击或战乱 2
国籍国近15年以上未发生过恐怖袭击或战乱 1
居住地 A4 居住地近3年(含)发生过恐怖袭击或战乱 5
居住地近3年-5年(含)未发生过恐怖袭击或战乱 4
居住地近5年-10年(含)未发生过恐怖袭击或战乱 3
居住地近10年-15年(含)未发生过恐怖袭击或战乱 2
居住地近15年以上未发生过恐怖袭击或战乱 1
居住持续时间 A5 1年(含)及以下 5
1年-5年(含) 4
5年-10年(含) 3
15年-20年(含) 2
20年以上 1
文化程度 A6 小学及以下 3
初中 5
高中及中专 4
本科及大专 2
硕士及以上 1
宗教信仰 A7 佛教 3
基督教 4
伊斯兰教 5
其他 2
无宗教信仰 1
Table 9  基本情况指标量化表
一级指标 指标类型 二级指标 指标编号 原始数据 量化得分
经济情况 B 家庭结构 B1 有子女及双亲 1
有子女或双亲之一 2
无子女且单亲 3
无子女及双亲 4
供养人口 B2 0人 5
1人 1
2人 2
3人 3
3人(不含)以上 4
家庭总资产 B3 50万元(含)及以下 5
50万元-100万元(含) 4
100万元-500万元(含) 3
500万元-1000万元(含) 2
1000万元及以上 1
行业 B4 民航业 1
党政机关/事业单位/司法机关/军人 1
国企/八大行业/专业机构 2
其他 3
无业 4
职称 B5 高级职称 1
中级职称 2
初级职称 3
无职称 4
担任现职位年限 B6 1年(含)及以下 5
1年-3年(含) 4
3年-5年(含) 3
5年-10年(含) 2
10年及以上 1
年收入 B7 3万元(含)及以下 5
3万元-6万元(含) 4
6万元-10万元(含) 3
10万元-12万元(含) 2
12万元及以上 1
住房性质 B8 自有产权 1
政策性住房 3
租赁 5
总资产 B9 10万元(含)及以下 5
10万元-30万元(含) 4
30万元-50万元(含) 3
50万元-100万元(含) 2
100万元及以上 1
保险金额 B10 年度理赔额5000元(含)及以下 5
年度理赔额5000元-10000元(含) 4
年度理赔额10000元-50000元(含) 3
年度理赔额50000元-100000元(含) 2
年度理赔额100000元及以上 1
Table 10  经济情况指标量化表
一级指标 指标类型 二级指标 指标编号 原始数据 量化得分
公共记录 C 刑事处罚记录 C1 无记录 0
记录数等于1 4
记录数大于1 5
民事判决记录 C2 无记录 0
记录数等于1 4
记录数大于1 5
强制执行记录 C3 无记录 0
记录数等于1 4
记录数大于1 5
欠税记录 C4 4
0
在逃人员 C5 5
0
涉毒人员 C6 5
0
民航不文明行为记录 C7 4
0
Table 11  公共记录指标量化表
一级指标 指标类型 二级指标 指标编号 原始数据 量化得分
乘机信息 D 目的地 D1 目的地近3年(含)发生过恐怖袭击或战乱 5
目的地近3年-5年(含)未发生过恐怖袭击或战乱 4
目的地近5年-10年(含)未发生过恐怖袭击或战乱 3
目的地近10年-15年(含)未发生过恐怖袭击或战乱 2
目的地近15年以上未发生过恐怖袭击或战乱 1
客票性质 D2 单程票 4
往返票 2
购票方式 D3 现金结算 3
银行卡结算 2
第三方支付平台支付 1
购票时间 D4 距起飞12小时(含)及以内 3
距起飞12小时-24小时(含) 2
距起飞24小时(含) 1
航空公司会员 D5 1
3
年飞行次数 D6 1次-10次(含) 3
10次-20次(含) 2
20次以上 1
Table 12  乘机信息指标量化表
Fig.2  深度神经网络模型
Fig.3  民航旅客风险演化存量流量图
变量名 类型 变量表达式
民航旅客风险 状态 INTEG(风险增加量-风险减少量)
风险增加量 速率 DELAY10.25×基本情况+0.3×公共记录+0.23×经济情况+0.22×乘机信息, 0.5 , 0
风险减少量 速率 DELAY1安保措施+社会安全管控,0.6,0
基本情况 辅助 0.136×年龄+0.128×性别+0.148×国籍+0.144×居住地+0.137×居住持续时间+0.14×文化程度+0.166×宗教信仰
公共记录 辅助 0.146×刑事处罚记录+0.135×民事判决记录+0.141×强制执行记录+0.13×欠税记录+0.152×在逃人员+0.152×涉毒人员+0.143×民航不文明行为
经济情况 辅助 0.104×家庭结构+0.098×供养人口+0.104×家庭总资产+0.103×行业+0.088× 职称+0.09×担任现职位年限+0.105×年收入+0.099×住房性质+0.103×总资产+0.105×保险金额
乘机信息 辅助 0.181×目的地+0.166×客票性质+0.162×购票方式+0.156×购票时间+0.163×航空公司会员+0.172×年飞行次数
社会安全管控 辅助 DELAY1风险增加量, 1, 0
安保措施 辅助 DELAY1响应系数×社会安全管控,3,0
Table 13  民航旅客风险部分主要变量系统动力学方程
Fig.4  仿真演化示意图
[1] 宋丽 . 基于旅客行为分类安检模式探索与构建[J]. 民航管理, 2018(10):64-66.
[1] ( Song Li . Exploration and Construction of Security Inspection Mode Based on Passenger Behavior Classification[J]. Civil Aviation Management, 2018(10):64-66.)
[2] 蔡静, 林智杰 . 分类安检在“最危险的地方”保证安全[J]. 国际航空, 2011(3):60-61.
[2] ( Cai Jing, Lin Zhijie . Classified Security Check Ensures Safety at Israel Airport[J]. International Aviation, 2011(3):60-61.)
[3] 杨惠, 张可 . 航空旅客安检黑名单制度研究[J]. 北京交通大学学报(社会科学版), 2018,17(1):128-135.
[3] ( Yang Hui, Zhang Ke . Analysis of the Blacklist System in Aviation Passenger Security Check[J]. Journal of Beijing Jiaotong University (Social Sciences Edition), 2018,17(1):128-135.)
[4] 赵振武, 唐玉丽, 麻建军 . 基于旅客分类的机场安检系统研究[J]. 综合运输, 2017,39(3):37-41.
[4] ( Zhao Zhenwu, Tang Yuli, Ma Jianjun . Study on Airport Security System Based on Passenger Classification[J]. China Transportation Review, 2017,39(3):37-41.)
[5] 李杰, 金华, 徐汇川 . 国内民航机场的分类安检研究[J]. 辽宁警察学院学报, 2017,19(5):35-41.
[5] ( Li Jie, Jin Hua, Xu Huichuan . Study on Classified Security in Domestic Civil Aviation Airport[J]. Journal of Liaoning Police College, 2017,19(5):35-41.)
[6] 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.
[6] ( Feng Wengang, Huang Jing . Early Warning for Civil Aviation Security Checks Based on Deep Learning[J]. Data Analysis and Knowledge Discovery, 2018,2(10):46-53.)
[7] 廖国胜, 王道明 . 区块链技术在差异化安检中的应用[J]. 民航管理, 2018(12):15-18.
[7] ( Liao Guosheng, Wang Daoming . Application of Block Chain Technology in Differential Security Inspection[J]. Civil Aviation Management, 2018(12):15-18.)
[8] 王惠 . 农村金融联结信用风险演化机理研究——基于信用行为视角[D]. 杨凌: 西北农林科技大学, 2019.
[8] ( Wang Hui . Evolution Mechanism of Credit Risk in Rural Financial Linkage—From Credit Behavior View[D]. Yangling: Northwest A & F University, 2019.)
[9] 曹婉莹 . 飞机客舱旅客群体冲突风险演化路径及监控机制研究[D]. 武汉: 武汉理工大学, 2016.
[9] ( Cao Wanying . Research on Evolution Paths and Supervision Mechanism of the Risks of Passenger Group Conflict in the Aircraft Cabin[D]. Wuhan: Wuhan University of Technology, 2016.)
[10] 王帆 . 地铁施工安全风险建模及演化研究[D]. 武汉: 华中科技大学, 2013.
[10] ( Wang Fan . Study on the Modelling and Dynamics of Safety Risk During Tunnel Construction[D]. Wuhan: Huazhong University of Science & Technology, 2013.)
[11] Majeske K, Lauer T . Optimizing Airline Passenger Prescreening Systems with Bayesian Decision Models[J]. Computers and Operations Research, 2012,39(8):1827-1836.
[12] 李琦, 王洪伟 . 涉恐人员偷渡活动风险预警模型构建研究[J]. 武警学院学报, 2016,32(7):17-21.
[12] ( Li Qi, Wang Hongwei . The Construction of Risk Warning Model for the Organized Smuggling Activities of People Involved in Terrorism[J]. Journal of Chinese People’s Armed Police Force Academy, 2016,32(7):17-21.)
[13] 李勇男, 梅建明 . 一种基于贝叶斯理论的反恐风险分析方法[J]. 情报杂志, 2017,36(9):14-18.
[13] ( Li Yongnan, Mei Jianming . A Counter-terrorism Risk Analysis Method Based on Bayes Theory[J]. Journal of Intelligence, 2017,36(9):14-18)
[14] 顾兆军, 王伟, 李晓红 . 基于潜在类别模型的航空旅客分类[J]. 计算机技术与发展, 2012,22(4):182-186.
[14] ( Gu Zhaojun, Wang Wei, Li Xiaohong . Classification of Airline Passengers Based on Latent Class Model[J]. Computer Technology and Development, 2012,22(4):182-186.)
[15] 苏亚松, 张长鲁, 廖梦洁 , 等. 基于ANP和概率神经网络的县域采煤矿区安全风险评价[J]. 煤矿安全, 2020,51(1):251-256.
[15] ( Su Yasong, Zhang Changlu, Liao Mengjie , et al. Safety Risk Assessment of County Mining Area Based on ANP and Probabilistic Neural Network[J]. Safety in Coal Mines, 2020,51(1):251-256.)
[16] 王晓慧, 李云飞 . 基于支持向量机的个人信用风险评价研究[J]. 西华师范大学学报(自然科学版), 2017,38(2):195-198.
[16] ( Wang Xiaohui, Li Yunfei . Personal Credit Risk Assessment Based on Support Vector Machine(SVM)[J]. Journal of China West Normal University (Natural Sciences), 2017,38(2):195-198.)
[17] 王石, 石勇, 王万银 . 基于模糊多元联系度模型的尾矿库综合安全评价[J]. 黄金科学技术, 2019,27(6):903-911.
[17] ( Wang Shi, Shi Yong, Wang Wanyin . Comprehensive Safety Evaluation of Tailings Reservoir Based on Fuzzy Multivariate Contact Model[J]. Gold Science and Technology, 2019,27(6):903-911.)
[18] 王永刚, 张宇, 秦怀宇 , 等. 基于系统动力学的机场安全运行保障能力模型及发展决策研究[J]. 安全与环境学报, 2016,16(4):210-215.
[18] ( Wang Yonggang, Zhang Yu, Qin Huaiyu , et al. Model for the Airport Safety Operation and Sustainable Capability and the Development Strategies Based on the System Dynamics[J]. Journal of Safety and Environment, 2016,16(4):210-215.)
[19] 李科宏, 张亚东, 郭进 , 等. 高铁运营安全监督博弈演化的系统动力学分析[J]. 西南交通大学学报, 2019,54(3):579-586.
[19] ( Li Kehong, Zhang Yadong, Guo Jin , et al. System Dynamics Analysis Method of Evolutionary Game Dynamics for Supervision of High-Speed Railway Operation Safety[J]. Journal of Southwest Jiaotong University, 2019,54(3):579-586.)
[1] 邓建高,张璇,傅柱,韦庆明. 基于系统动力学的突发事件网络舆情传播研究:以“江苏响水爆炸事故”为例*[J]. 数据分析与知识发现, 2020, 4(2/3): 110-121.
[2] 倪维健,郭浩宇,刘彤,曾庆田. 基于多头自注意力神经网络的购物篮推荐方法*[J]. 数据分析与知识发现, 2020, 4(2/3): 68-77.
[3] 罗政,李玉纳. 企业价值链协同知识创新影响因素的系统动力学建模与仿真[J]. 现代图书情报技术, 2016, 32(5): 80-90.
[4] 赵杨, 张李义. 研发合作中的信息资源配置系统动力学建模与仿真[J]. 现代图书情报技术, 2011, 27(2): 54-61.
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