Please wait a minute...
Data Analysis and Knowledge Discovery  2020, Vol. 4 Issue (12): 105-119    DOI: 10.11925/infotech.2096-3467.2020.0655
Current Issue | Archive | Adv Search |
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
Download: PDF (1081 KB)   HTML ( 11
Export: BibTeX | EndNote (RIS)      
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     
Received: 06 July 2020      Published: 25 December 2020
ZTFLH:  G359  
Corresponding Authors: Feng Wengang     E-mail: fengwengang@ppsuc.edu.cn

Cite this article:

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.

URL:

https://manu44.magtech.com.cn/Jwk_infotech_wk3/EN/10.11925/infotech.2096-3467.2020.0655     OR     https://manu44.magtech.com.cn/Jwk_infotech_wk3/EN/Y2020/V4/I12/105

Framework of the Differentiated Security Check Model for Civil Aviation Passengers
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
Civil Aviation Passenger Classification Index System
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%
Overall Situation of the Questionnaire
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
KMO and Bartlett Test
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
Factor Loading Coefficient
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
AVE and CR Results
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 -
Result of HTMT Method
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%
Weight Analysis Results
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
Result of Consistency Examination
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
Quantitative Table of Basic Condition Indicators
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
Quantitative Table of Economic Indicators
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
Quantitative Table of Public Record Indicators
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
Quantitative Table of Flight Information Indicators
Deep Neural Network Model
Stock Flow Map of Civil Aviation Passenger Risk Evolution
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
System Dynamics Equations of Main Variables in Civil Aviation Passenger Risk
Schematic Diagram of Simulation Evolution
[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] Deng Jiangao,Zhang Xuan,Fu Zhu,Wei Qingming. Tracking Online Public Opinion Based on System Dynamics: Case Study of “Xiangshui Explosion Accident”[J]. 数据分析与知识发现, 2020, 4(2/3): 110-121.
[2] Luo Zheng,Li Yu’na. Influencing Factors of Collaborative Knowledge Creation in Enterprise Value Chain[J]. 现代图书情报技术, 2016, 32(5): 80-90.
[3] Zhao Yang, Zhang Liyi. System Dynamics Modeling and Simulation for Information Resources Allocation in R&D Cooperation[J]. 现代图书情报技术, 2011, 27(2): 54-61.
  Copyright © 2016 Data Analysis and Knowledge Discovery   Tel/Fax:(010)82626611-6626,82624938   E-mail:jishu@mail.las.ac.cn