机场群体性事件演化状态的确定方法、装置、设备及介质与流程

本技术涉及数据处理，尤其是涉及机场群体性事件演化状态的确定方法、装置、设备及介质。

背景技术：

1、目前，航班延误引起的群体性事件已演变为一个机场的关注焦点问题，此类事件在影响民航既有正常运营秩序的同时，也严重威胁机场的空防安全，有损机场、航空公司的整体形象，甚至给整个民航业发展带来不利影响。上述问题正是由于机场无法实时感知突发事件态势，导致机场应急管理处于被动式的防御，造成群体性事件愈演愈烈。着眼民航领域，目前对群体性事件的研究还停留在定义和成因分析上。如何动态定量刻画群体性事件演化状态以及提高群体性事件发展态势确定的准确性成为了不容小觑的技术问题。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种机场群体性事件演化状态的确定方法、装置、设备及介质，通过目标无向图的构建与子群体的演化更新定量刻画出群体性事件演化状态，实现了机场群体性事件演化状态的实时精准感知，提高机场群体性事件演化状态确定的准确性。

2、本技术实施例提供了一种机场群体性事件演化状态的确定方法，所述场群体性事件演化状态的确定方法包括：

3、基于目标机场的多个机场旅客的实时多模态行为特征向量确定出相似度矩阵，基于所述相似度矩阵构建出多个机场旅客的实时多模态行为特征向量对应的目标无向图；其中，所述目标无向图中每一节点对应一个所述实时多模态行为特征向量；

4、基于所述目标无向图中的边进行子群凝聚度计算，确定出所述目标无向图中之中的子群体，若所述子群体发生演化更新，则演化更新子群体的状态特征向量，并基于演化更新后的所述子群体的状态特征向量以及未发生演化更新的所述子群体的状态特征向量，确定出下一时刻群体性事件的实时状态特征向量序列；其中，子群体为所述目标无向图中的多个节点构成的集合，节点之间由边相连接的；

5、将所述群体性事件的实时状态特征向量序列输入至预先训练好的机场群体性事件演化状态分类模型之中，输出下一时刻所述群体性事件对应的演化状态分类；其中，所述演化状态分类包括个体行为发展阶段、群体行为发展阶段以及群体性事件发展阶段。

6、在一种可能的实施方式之中，所述基于目标机场的多个机场旅客的实时多模态行为特征向量确定出相似度矩阵，基于所述相似度矩阵构建出多个机场旅客的实时多模态行为特征向量对应的目标无向图，包括：

7、对目标机场的实时视频流中的多个机场旅客的实时行为特征向量进行提取，基于所述实时行为特征向量与多种数据源确定出所述实时多模态行为特征向量，基于多个机场旅客的实时多模态行为特征向量构建节点集合；

8、确定出每两个所述节点之间的相似度，确定所述相似度矩阵，基于所述相似度矩阵进行初始边构建，确定出初始无向图；

9、将所述初始无向图输入至多层感知机之中，以使所述多层感知机学习所述初始无向图中的每个所述节点的属性信息，输出属性信息增强后的所述初始无向图；

10、对属性信息增强后的所述初始无向图进行自协方差计算，确定出多个机场旅客的实时多模态行为特征向量对应的目标无向图。

11、在一种可能的实施方式之中，在所述对属性信息增强后的所述初始无向图进行自协方差计算，确定出多个机场旅客的实时多模态行为特征向量对应的目标无向图之后，所述机场群体性事件演化状态的确定方法还包括：

12、若确定出所述目标无向图之中的所述节点之间发生新的交互行为，则对所述目标无向图之中的发生新的交互行为所对应的节点的属性信息进行更新，并重新对所述目标无向图进行自协方差计算和更新。

13、在一种可能的实施方式之中，基于所述目标无向图中的边进行子群凝聚度计算，确定出所述目标无向图中之中的子群体，包括：

14、基于所述目标无向图中的各个边所对应的节点，确定出各个边所对应的关联强度；

15、基于所述目标无向图中的连通子图所对应的多个边的关联强度矩阵以及所述连通子图中的边的个数，确定出所述连通子图所对应的平均关联强度；

16、当所述连通子图所对应的平均关联强度以及所述连通子图中的节点的个数均超过预设值时，将所述连通子图确定为所述目标无向图中的子群体。

17、在一种可能的实施方式之中，若所述子群体发生演化更新，则演化更新子群体的状态特征向量，并基于演化更新后的所述子群体的状态特征向量以及未发生演化更新的所述子群体的状态特征向量，确定出下一时刻群体性事件的实时状态特征向量序列，包括：

18、确定出下一时刻所述目标无向图中存在的新增节点，并确定出加入所述新增节点之后所述目标无向图中的所述子群体是否进行演化更新；

19、当所述目标无向图中存在所述子群体的演化更新时，基于存在演化更新的所述子群体的节点的数量确定出所述目标无向图中存在演化更新的所述子群体的凝聚度；

20、基于演化更新的所述子群体的凝聚度确定出所述子群体的状态特征向量是否发生更新；

21、若是，则基于关联强度对发生演化更新的所述子群体的状态特征向量进行更新；

22、基于发生演化更新的所述子群体的状态特征向量以及未发生演化更新的所述子群体的状态特征向量，确定出下一时刻群体性事件的实时状态特征向量序列；其中，所述状态特征向量为所述子群体中多个节点所对应的平均状态特征。

23、在一种可能的实施方式之中，所述确定出下一时刻所述目标无向图中存在的新增节点，并确定出加入所述新增节点之后所述目标无向图中的所述子群体是否进行演化更新，包括：

24、若确定出下一时刻所述目标无向图中存在新增节点，则检测所述新增节点与每个所述子群体的状态特征向量之间的特征距离值是否小于预设阈值；

25、若是，则所述新增节点属于所述特征距离值相对应的子群体之中，则对所述子群体进行演化更新；

26、若否，则所述新增节点为孤立状态。

27、在一种可能的实施方式之中，通过以下步骤对所述机场群体性事件演化状态分类模型进行训练：

28、将样本群体性事件的历史状态特征向量与样本群体性事件的当前状态特征向量输入至时序循环网络之中，对所述历史状态特征向量与当前状态特征向量进行特征融合，确定出融合后的状态特征向量；

29、将融合后的状态特征向量输入至神经网络模型的分类网络中，基于自监督损失函数以及交叉熵损失函数对所述样本群体性事件的预测演化状态以及所述样本群体性事件的实际演化状态进行计算，将所述自监督损失函数以及所述交叉熵损失函数的计算结果值相加，确定出所述神经网络模型的损失值：

30、若所述损失值小于等于预设损失值，则将所述神经网络模型确定为所述机场群体性事件演化状态分类模型，若所述损失值大于所述预设损失值，则对所述神经网络模型的网络参数进行更改，继续对所述神经网络模型进行训练。

31、本技术实施例还提供了一种机场群体性事件演化状态的确定装置，所述机场群体性事件演化状态的确定装置包括：

32、无向图构建模块，用于基于目标机场的多个机场旅客的实时多模态行为特征向量确定出相似度矩阵，基于所述相似度矩阵构建出多个机场旅客的实时多模态行为特征向量对应的目标无向图；其中，所述目标无向图中每一节点对应一个所述实时多模态行为特征向量；

33、群体性事件特征确定模块，用于基于所述目标无向图中的边进行子群凝聚度计算，确定出所述目标无向图中之中的子群体，若所述子群体发生演化更新，则演化更新子群体的状态特征向量，并基于演化更新后的所述子群体的状态特征向量以及未发生演化更新的所述子群体的状态特征向量，确定出下一时刻群体性事件的实时状态特征向量序列；其中，子群体为所述目标无向图中的多个节点构成的集合，节点之间由边相连接的；

34、状态判断模块，用于将所述群体性事件的实时状态特征向量序列输入至预先训练好的机场群体性事件演化状态分类模型之中，输出下一时刻所述群体性事件对应的演化状态分类；其中，所述演化状态分类包括个体行为发展阶段、群体行为发展阶段以及群体性事件发展阶段。

35、本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的机场群体性事件演化状态的确定方法。

36、本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的机场群体性事件演化状态的确定方法。

37、本技术实施例提供的一种机场群体性事件演化状态的确定方法、装置、设备及介质，所述场群体性事件演化状态的确定方法包括：基于目标机场的多个机场旅客的实时多模态行为特征向量确定出相似度矩阵，基于所述相似度矩阵构建出多个机场旅客的实时多模态行为特征向量对应的目标无向图；其中，所述目标无向图中每一节点对应一个所述实时多模态行为特征向量；基于所述目标无向图中的边进行子群凝聚度计算，确定出所述目标无向图中之中的子群体，若所述子群体发生演化更新，则演化更新子群体的状态特征向量，并基于演化更新后的所述子群体的状态特征向量以及未发生演化更新的所述子群体的状态特征向量，确定出下一时刻群体性事件的实时状态特征向量序列；其中，子群体为所述目标无向图中的多个节点构成的集合，节点之间由边相连接的；将所述群体性事件的实时状态特征向量序列输入至预先训练好的机场群体性事件演化状态分类模型之中，输出下一时刻所述群体性事件对应的演化状态分类；其中，所述演化状态分类包括个体行为发展阶段、群体行为发展阶段以及群体性事件发展阶段。本方案的有益效果：通过目标无向图的构建与子群体的演化更新定量刻画出群体性事件演化状态，实现了机场群体性事件演化状态的实时精准感知，提高机场群体性事件演化状态确定的准确性。

38、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。