本發(fā)明公開了一種基于LSTM?RNN的民航安保事件行為主體識別與預測方法及系統(tǒng)，方法包括：S100、獲取民航安保數(shù)據(jù)；S200、對民航安保數(shù)據(jù)進行預處理，基于預處理后的民航安保數(shù)據(jù)，構建民航安保事件數(shù)據(jù)庫，以獲取訓練樣本集；S300、基于民航安保事件類別模型和民航安保事件數(shù)據(jù)庫，構建每一類民航安保事件對應的概率模型，基于概率模型和概率分布度量距離方法，構建民航安保事件時間序列模型，獲得民航安保事件時間序列特征；S400、基于深度長短記憶迭代模型，對民航安保事件時間序列特征進行分析識別和預測，得到對應的民航安保事件行為主體。本發(fā)明可以得出比現(xiàn)有算法更優(yōu)的模型預測精度。

技術領域

本發(fā)明涉及數(shù)據(jù)分析與安檢領域，具體涉及一種基于LSTM-RNN的民航安保事件行為主體識別與預測方法及系統(tǒng)。

背景技術

民航安全一直是民航業(yè)界的頭等要務。當前，我國民航發(fā)展迅速，2019年我國全年民航旅客吞吐量已超過13億人次，年旅客吞吐量1000萬人次以上的機場也達到39個，因此民航安保工作應實現(xiàn)全過程、全要素安全可控就顯得尤為重要。根據(jù)當前我國民航安保總體態(tài)勢的現(xiàn)狀，打擊民航類犯罪活動和防范民航安保事件成為工作的重點，其原因在于：

一方面，民航類犯罪活動有其自身屬性特點，如機上盜竊、人體藏毒等，既具有一般盜竊案件和運輸毒品案件的行為特征，更兼有特殊的民航類行為特征，且犯罪手段也越來越多樣化，影響范圍可能也不局限于一個機場，可能迅速蔓延到局部運輸網(wǎng)絡。

另一方面，民航安保事件近年數(shù)量逐步增多，如2019年全民航行業(yè)共發(fā)生安保事件近2萬起，如表1所示。雖然隨著公安處罰力度的進一步增強，以及聯(lián)合懲戒效果初現(xiàn)，高發(fā)事件總量出現(xiàn)減少，但安保事件總數(shù)尚處于高位，如不能合理控制，既會顯著影響旅客的安全感和滿意度，同時也會受到政府和民眾的關心和重視。

表1 2019年民航安保事件

將民航安保事件數(shù)據(jù)與適當?shù)臋C器學習工具相結合，可以幫助民航公安不滿識別不同的民航安保事件行為模式，甚至可檢測民航安保事件行為主體。但是，當前犯罪分析模型(也包括民航安保分析模型)中使用的大多數(shù)機器學習算法都需要嚴格依賴數(shù)據(jù)提示步驟，包括相關領域專家知識或廣泛的數(shù)據(jù)探索過程。此外，雖然民航安保事件的行為數(shù)據(jù)是時間序列數(shù)據(jù)，但是傳統(tǒng)機器學習算法并不具有利用順序關系的分析能力。

發(fā)明內(nèi)容

針對現(xiàn)有技術中存在的缺陷，本發(fā)明的目的在于提供一種基于LSTM-RNN的民航安保事件行為主體識別與預測方法及系統(tǒng)，可以得出比現(xiàn)有算法更優(yōu)的模型預測精度。

為實現(xiàn)上述目的，本發(fā)明采用的技術方案如下：

一種基于LSTM-RNN的民航安保事件行為主體識別與預測方法，包括：

(1)獲取民航安保數(shù)據(jù)；

(2)對所述民航安保數(shù)據(jù)進行預處理，基于預處理后的所述民航安保數(shù)據(jù)，構建民航安保事件數(shù)據(jù)庫，以獲取訓練樣本集；

(3)基于民航安保事件類別模型和所述民航安保事件數(shù)據(jù)庫，構建每一類民航安保事件對應的概率模型，基于所述概率模型和概率分布度量距離方法，構建民航安保事件時間序列模型，獲得民航安保事件時間序列特征；

(4)基于深度長短記憶迭代模型，對所述民航安保事件時間序列特征進行分析識別和預測，得到對應的民航安保事件行為主體。

進一步，如上所述的一種基于LSTM-RNN的民航安保事件行為主體識別與預測方法，步驟(1)包括：

從公安網(wǎng)信息和民航運行網(wǎng)信息中獲取民航安保數(shù)據(jù)；

步驟(2)包括：

通過標定構建民航安保事件數(shù)據(jù)庫。