机场安全监控数据的分析方法及系统

本技术涉及人工智能，具体而言，涉及一种机场安全监控数据的分析方法及系统。

背景技术：

1、随着航空行业的快速发展，机场安全问题日益受到广泛关注。机场作为人流、物流的重要集散地，其安全监控系统的有效性和准确性对于保障旅客和机场设施的安全至关重要。然而，传统的机场安全监控方法主要依赖人工监控和简单的数据分析，难以应对日益复杂的机场安全挑战。

2、近年来，随着大数据、人工智能等技术的飞速发展，机场安全监控领域也开始探索智能化、数据驱动的安全分析方法。其中，基于机场安全分析模型的安全监控数据分析方法成为研究热点之一。这类方法通常通过对机场安全监控数据进行深度挖掘和分析，以识别潜在的安全风险并提前做出预警。

3、然而，现有的机场安全监控数据分析方法仍存在一些不足。首先，多数方法在处理监控数据时，未能充分提取和利用事件的特征信息，导致分析结果的准确性和全面性受限。其次，现有方法在评估机场安全监控事件的风险时，往往忽略了事件之间的相关性，从而无法全面反映机场安全的整体状况。最后，针对机场安全风险的优化策略通常基于简单的规则或经验判断，缺乏科学性和针对性。

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安全监控数据的分析方法及系统，通过引入机场安全分析模型、事件关联网络以及风险评估指数等创新技术手段，旨在提高机场安全监控数据分析的准确性和有效性，为机场安全管理提供更加科学、智能的决策支持。

2、依据本技术的第一方面，提供一种机场安全监控数据的分析方法，所述方法包括：

3、通过机场安全分析模型对目标机场安全监控事件的监控数据进行事件特征矢量表示，生成所述目标机场安全监控事件的知识矢量；

4、基于第一事件关联网络和所述目标机场安全监控事件的知识矢量，生成第二事件关联网络，所述第一事件关联网络反映多个参考机场安全监控事件之间的事件相关性矢量，所述第二事件关联网络反映所述目标机场安全监控事件与所述第一事件关联网络中涵盖的参考机场安全监控事件之间的事件相关性矢量；

5、基于所述第二事件关联网络，确定所述目标机场安全监控事件的风险评估指数，所述目标机场安全监控事件的风险评估指数用于对所述机场安全分析模型针对所述目标机场安全监控事件的机场安全风险结果进行优化；

6、基于所述目标机场安全监控事件的风险评估指数，对所述机场安全分析模型生成的所述目标机场安全监控事件在多个机场安全风险标签下的概率评分进行优化，生成优化后的机场安全风险结果，所述概率评分反映所述目标机场安全监控事件匹配所述机场安全风险标签的置信度。

7、在第一方面的一种可能的实施方式中，所述基于第一事件关联网络和所述目标机场安全监控事件的知识矢量，生成第二事件关联网络，包括：

8、获取所述第一事件关联网络；

9、针对所述第一事件关联网络中涵盖的第x个参考机场安全监控事件，计算所述目标机场安全监控事件对应的知识矢量和所述第x个参考机场安全监控事件的知识矢量之间的特征距离，生成所述目标机场安全监控事件与所述第x个参考机场安全监控事件之间的特征距离，x为正整数；

10、基于所述目标机场安全监控事件与所述第一事件关联网络中涵盖的各个参考机场安全监控事件之间的特征距离，生成所述第二事件关联网络。

11、在第一方面的一种可能的实施方式中，所述基于所述目标机场安全监控事件与所述第一事件关联网络中涵盖的各个参考机场安全监控事件之间的特征距离，生成所述第二事件关联网络，包括：

12、如果所述目标机场安全监控事件与所述第x个参考机场安全监控事件之间的特征距离小于第一门限距离，则确定所述目标机场安全监控事件与所述第x个参考机场安全监控事件之间存在事件相关性矢量；

13、如果所述目标机场安全监控事件与所述第x个参考机场安全监控事件之间的特征距离不小于所述第一门限距离，则确定所述目标机场安全监控事件与所述第x个参考机场安全监控事件之间不存在事件相关性矢量；

14、基于所述目标机场安全监控事件与所述第一事件关联网络中涵盖的各个参考机场安全监控事件之间的事件相关性矢量，生成所述第二事件关联网络。

15、在第一方面的一种可能的实施方式中，所述获取所述第一事件关联网络，包括：

16、利用所述机场安全分析模型提取y个参考机场安全监控事件各自关联的知识矢量；

17、针对所述y个参考机场安全监控事件中的第z个参考机场安全监控事件和第m个参考机场安全监控事件，计算所述第z个参考机场安全监控事件的知识矢量和所述第m个参考机场安全监控事件的知识矢量之间的特征距离，生成所述第z个参考机场安全监控事件与所述第m个参考机场安全监控事件之间的特征距离，z、m为不大于y的整数，z不等于m；

18、如果所述第z个参考机场安全监控事件与所述第m个参考机场安全监控事件之间的特征距离小于第一门限距离，则确定所述第z个参考机场安全监控事件与所述第m个参考机场安全监控事件之间存在事件相关性矢量；

19、如果所述第z个参考机场安全监控事件与所述第m个参考机场安全监控事件之间的特征距离不小于所述第一门限距离，则确定所述第z个参考机场安全监控事件与所述第m个参考机场安全监控事件之间不存在事件相关性矢量；

20、基于所述y个参考机场安全监控事件之间的事件相关性矢量，生成所述第一事件关联网络。

21、在第一方面的一种可能的实施方式中，所述基于所述第二事件关联网络，确定所述目标机场安全监控事件的风险评估指数，包括：

22、基于所述机场安全分析模型，确定所述目标机场安全监控事件对应的安全知识向量序列，所述目标机场安全监控事件对应的安全知识向量序列反映所述机场安全分析模型生成的所述目标机场安全监控事件对应的参考机场安全风险标签的概率评分；

23、基于所述机场安全分析模型和所述参考机场安全监控事件对应的先验安全风险标注数据，确定所述参考机场安全监控事件对应的安全知识向量序列，所述参考机场安全监控事件对应的先验安全风险标注数据反映所述参考机场安全监控事件的实际机场安全风险数据，所述参考机场安全监控事件对应的安全知识向量序列反映所述机场安全分析模型生成的所述参考机场安全监控事件对应的实际机场安全风险标签的概率评分；

24、基于所述目标机场安全监控事件对应的安全知识向量序列、所述第二事件关联网络中涵盖的各个参考机场安全监控事件各自关联的安全知识向量序列和所述第二事件关联网络，确定所述目标机场安全监控事件的风险评估指数。

25、在第一方面的一种可能的实施方式中，所述基于所述目标机场安全监控事件对应的安全知识向量序列、所述第二事件关联网络中涵盖的各个参考机场安全监控事件各自关联的安全知识向量序列和所述第二事件关联网络，确定所述目标机场安全监控事件的风险评估指数，包括：

26、基于所述目标机场安全监控事件对应的安全知识向量序列、所述第二事件关联网络中涵盖的各个参考机场安全监控事件各自关联的安全知识向量序列和所述第二事件关联网络，确定所述目标机场安全监控事件对应的潜在联系矢量，所述潜在联系矢量反映所述目标机场安全监控事件与所述目标机场安全监控事件的依赖安全监控事件之间的潜在联系，所述目标机场安全监控事件的依赖安全监控事件用于表示所述第二事件关联网络中与所述目标机场安全监控事件具有事件相关性矢量的所述参考机场安全监控事件；

27、基于所述目标机场安全监控事件对应的潜在联系矢量，确定所述目标机场安全监控事件的风险评估指数。

28、在第一方面的一种可能的实施方式中，所述基于所述目标机场安全监控事件对应的安全知识向量序列、所述第二事件关联网络中涵盖的各个参考机场安全监控事件各自关联的安全知识向量序列和所述第二事件关联网络，确定所述目标机场安全监控事件对应的潜在联系矢量，包括：

29、基于所述目标机场安全监控事件对应的安全知识向量序列、所述第二事件关联网络中涵盖的各个参考机场安全监控事件各自关联的安全知识向量序列和所述第二事件关联网络，确定所述目标机场安全监控事件对应的第1阶潜在联系矢量；

30、基于第q-1阶潜在联系矢量、所述第二事件关联网络中涵盖的各个参考机场安全监控事件各自关联的安全知识向量序列和所述第二事件关联网络，确定所述目标机场安全监控事件对应的第q阶潜在联系矢量，q为大于1的整数；

31、所述基于所述目标机场安全监控事件对应的潜在联系矢量，确定所述目标机场安全监控事件的风险评估指数，包括：

32、当q的值达到第二门限距离时，将所述第q阶潜在联系矢量确定为所述目标机场安全监控事件的风险评估指数。

33、在第一方面的一种可能的实施方式中，所述目标机场安全监控事件的风险评估指数由深度学习模型确定，所述方法还包括：

34、利用所述深度学习模型，基于所述第一事件关联网络和所述第一事件关联网络中涵盖的各个参考机场安全监控事件各自关联的安全知识向量序列，确定各个所述参考机场安全监控事件各自关联的风险评估指数；

35、基于各个所述参考机场安全监控事件各自关联的风险评估指数和各个所述参考机场安全监控事件各自关联的先验安全风险标注数据，计算训练误差参数；

36、基于所述训练误差参数，对所述深度学习模型进行训练。

37、在第一方面的一种可能的实施方式中，所述基于所述目标机场安全监控事件的风险评估指数，对所述机场安全分析模型生成的所述目标机场安全监控事件在多个机场安全风险标签下的概率评分进行优化，生成优化后的机场安全风险结果，包括：

38、利用所述机场安全分析模型的分类器，获取所述目标机场安全监控事件的知识矢量对应的分类结果；

39、基于所述分类结果与所述目标机场安全监控事件的风险评估指数的比值，确定所述目标机场安全监控事件在所述多个机场安全风险标签下优化后的概率评分，生成所述优化后的机场安全风险结果。

40、依据本技术的第二方面，提供一种机场安全监控数据的分析系统，所述机场安全监控数据的分析系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该机场安全监控数据的分析系统实现前述的机场安全监控数据的分析方法。

41、依据本技术的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在所述计算机可执行指令被执行时，实现前述的机场安全监控数据的分析方法。

42、依据上述任意一个方面，本技术的技术效果在于：

43、本技术通过机场安全分析模型将目标机场安全监控事件的监控数据转化为事件特征矢量表示，即知识矢量，有效捕捉了事件的本质特征和关键信息，基于第一事件关联网络和目标机场安全监控事件的知识矢量，生成了第二事件关联网络，不仅考虑了多个参考机场安全监控事件之间的相关性，还将目标事件与参考事件之间的相关性纳入分析范畴，从而更全面地揭示了安全事件之间的内在联系和影响机制。通过第二事件关联网络确定的目标机场安全监控事件的风险评估指数，能够准确反映目标事件在当前安全环境下的综合风险水平，有助于模型更精准地预测和识别潜在的安全威胁。此外，还利用风险评估指数对机场安全分析模型生成的目标机场安全监控事件在多个机场安全风险标签下的概率评分进行优化，生成了优化后的机场安全风险结果，显著提高了概率评分的准确性和置信度，使得机场安全管理部门能够更加迅速、准确地做出应对策略，从而有效降低机场安全风险。由此，实现了对目标机场安全监控事件风险的全面、深入评估，并为机场安全风险预警和防控提供了有力支持。