基于深度长短记忆模型的民航安保事件分析*

doi:10.16265/j.cnki.issn1003-3033.2021.09.001

中国安全科学学报 ›› 2021, Vol. 31 ›› Issue (9): 1-7.doi: 10.16265/j.cnki.issn1003-3033.2021.09.001

• 安全科学理论与安全系统科学 • 下一篇

基于深度长短记忆模型的民航安保事件分析^*

冯文刚^1,2 副教授

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

收稿日期:2021-06-24 修回日期:2021-08-15 出版日期:2021-09-28 发布日期:2022-03-28
作者简介:冯文刚 (1982—),男,浙江杭州人,博士,副教授,博士生导师,主要从事民航安保、公安情报分析、模式识别等方面的研究。E-mail:wengang.feng@qq.com。
基金资助:
国家重点研发计划项目(2017YFC0822502);中央高校基本科研业务费资助项目(2021JKF220);中国人民公安大学公共安全行为科学实验室开放课题资助(2020SYS09)。

Research on civil aviation security event analysis based on deep LSTM model

FENG Wengang^1,2

1 School of State Security, People's Public Security University of China, Beijing 100038, China;
2 Research Centre for Civil Aviation Security, People's Public Security University of China, Beijing 100038, China

Received:2021-06-24 Revised:2021-08-15 Online:2021-09-28 Published:2022-03-28

摘要/Abstract

摘要： 为辅助公安民警分析民航安保事件,采用深度长短记忆(LSTM)模型,研究民航安保事件行为主体识别问题。通过搭建民航安保事件数据库,对民航安保事件概念信息进行多模态信息表示,提取安保事件时序特征,构建深度LSTM模型,进而实现安保事件行为主体的学习与预测。结果表明:该模型可基于事件时序特征分析事件行为主体,预测精度更优,且在有噪声情况下也可得出良好结果,相关研究成果已在SZX机场成功应用。

关键词: 民航安保事件, 深度长短记忆(LSTM )模型, 行为主体, 多模态, 时序特征

Abstract: In order to assist police officers to analyze civil aviation security events, deep LSTM model was used to study subject identification of these events. Firstly, multi-modal information of them was presented by establishing a database, and their time series characteristics were extracted. Then, a deep LSTM model was developed to study and predict subjects of security events. The results show that the proposed model can predict subjects more accurately based on time series characteristics of the events, and even in the presence of noise, it can obtain better prediction results. Moreover, related research results have been successfully applied in SZX international airport.

Key words: civil aviation security event, deep long short-term memory(LSTM) model, event subject, multi-modal, temporal feature

中图分类号:

X949

冯文刚. 基于深度长短记忆模型的民航安保事件分析^*[J]. 中国安全科学学报, 2021, 31(9): 1-7.

FENG Wengang. Research on civil aviation security event analysis based on deep LSTM model[J]. China Safety Science Journal, 2021, 31(9): 1-7.

参考文献

[1] 陈一洲,张无敌,晏风,等.暴恐事件下机场航站楼疏散能力研究[J].中国安全科学学报, 2020, 30(2): 86-92.
CHEN Yizhou, ZHANG Wudi, YAN Feng, et al. Study on evacuation ability of airport terminals to violent terrorist attacks[J]. China Safety Science Journal, 2020, 30(2): 86-92.
[2] 中国民用航空局公安局. 2019年民用航空安全保卫事件信息统计报告[R], 2020.
[3] KLEIMAN A. When brute force fails: how to have less crime and less punishment[M]. Princeton: Princeton University Press, 2009: 145-146.
[4] CAPLAN J, KENNEDY L, PIZA E. Joint utility of event-dependent and environmental crime analysis techniques for violent crime forecasting[J]. Crime and Delinquency, 2013, 59(2): 243-270.
[5] HAYWARD K. City limits: crime, consumer culture, and the urban experience[M]. London: Glass House, 2004: 33-34.
[6] CHURCHILL D. History, periodization and the character of contemporary crime control[J]. Criminology and Criminal Justice, 2018, 19(4): 475-492.
[7] YAN X, RAZEGHI-JAHROMI M, HOMAIFAR A, et al. A novel streaming data clustering algorithm based on fitness proportionate sharing[J]. IEEE Access, 2019, 4: 88-99.
[8] YAN X, HOMAIFAR A, AWOGBAMI G, et al. Unsupervised feature selection through fitness proportionate sharing clustering[C]. 2018 IEEE International Conference on Systems, Man, and Cybernetics, 2018: 348-357.
[9] TAYLOR B. The integration of crime analysis into law enforcement agencies[J]. Police Quarterly, 2017, 10(2):154-169.
[10] 王岩韬,陈冠铭.基于时间序列模型的航班运行风险短期预测[J].中国安全科学学报, 2020, 30(5): 33-38.
WANG Yantao, CHEN Guanming. Short-time prediction of flight operation risk based on time series models[J].China Safety Science Journal, 2020, 30(5): 33-38.
[11] GOODFELLOW I, BENGIO Y, COURVILLE A. Deep learning[M]. Boston: MIT Press, 2016: 111-112.
[12] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521: 436-444.
[13] 温廷新,王贵通,孔祥博,等.基于迁移学习与残差网络的矿工不安全行为识别[J].中国安全科学学报, 2020, 30(3): 41-46.
WEN Tingxin, WANG Guitong, KONG Xiangbo, et al. Identification of miners' unsafe behaviors based on transfer learning and residual network[J]. China Safety Science Journal, 2020, 30(3): 41-46.

[1]	何昕, 马义龙. 基于计算流体力学的配对进近尾流安全间隔研究[J]. 中国安全科学学报, 2022, 32(5): 77-83.
[2]	岳仁田, 张知波. 脆弱性多因素耦合作用下空管亚安全态识别[J]. 中国安全科学学报, 2022, 32(4): 8-14.
[3]	孙瑞山, 陈毅, 孙立斌. 基于CFF的管制员疲劳评估方法[J]. 中国安全科学学报, 2022, 32(4): 192-197.
[4]	吕旭飞, 姚尚宏, 权家乐. 基于STPA法的空中加油软管甩鞭安全性分析^*[J]. 中国安全科学学报, 2022, 32(2): 152-157.
[5]	王兴隆, 陈仔燕, 刘岩. 基于组合赋权法的空管监视信息质量评估^*[J]. 中国安全科学学报, 2022, 32(1): 41-50.
[6]	韩鹏, 王军, 王启, 赵嶷飞. 基于飞行剖面的航空器试飞活动空管风险研究^*[J]. 中国安全科学学报, 2022, 32(1): 149-156.
[7]	焦卫东, 姚军强, 王瑞冬. 基于凸包围盒的飞行冲突检测算法^*[J]. 中国安全科学学报, 2021, 31(12): 32-38.
[8]	白鹏, 陈霖峰, 王玺, 龚宇, 蒋淞榕, 周勍琪. 基于点融合的进场程序优化与航空器排序研究^*[J]. 中国安全科学学报, 2021, 31(12): 45-52.
[9]	曹惠玲, 胡彦杰. 适航指令设计制造缺陷案例关联分析^*[J]. 中国安全科学学报, 2021, 31(11): 54-63.
[10]	魏志强, 李晓晨. 飞机高空尾涡安全评估模型^*[J]. 中国安全科学学报, 2021, 31(11): 78-84.
[11]	杨晓强, 林湘漪, 蒋澜. 使用困难报告数据驱动的民用航空器安全状态评价^*[J]. 中国安全科学学报, 2021, 31(11): 85-92.
[12]	康瑞, 杨凯. 航空器逆向滑行冲突风险评估模型^*[J]. 中国安全科学学报, 2021, 31(10): 39-45.
[13]	吴仁彪, 何宇翔, 贾云飞. 基于改进层次分析法的重点人员风险评价方法^*[J]. 中国安全科学学报, 2021, 31(10): 112-118.
[14]	肖国松, 刘嘉琛, 董磊, 孙紫荆, 赵长啸. 面向IMA通用系统管理的STPA安全性分析^*[J]. 中国安全科学学报, 2021, 31(9): 8-14.
[15]	任新惠, 程彩霞. 城市运行无人机第三方风险模型构建及应用^*[J]. 中国安全科学学报, 2021, 31(9): 15-20.

基于深度长短记忆模型的民航安保事件分析^*

Research on civil aviation security event analysis based on deep LSTM model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价