首页 理论教育 安检评分模型及影响因素分析

安检评分模型及影响因素分析

时间:2023-08-18 理论教育 版权反馈
【摘要】:在评分基础上,采用模糊综合评价模型,建立安检评分模型。通过K-近邻分类后获得的属性信息,称之为自变量,自变量的变化,会影响到旅客评分,称之为因变量。该算法主要是研究变量之间联系的形式,来建立自变量与因变量之间的回归方程。3)模糊综合评价模型模糊综合评价模型是以模糊数学为基础,应用模糊关系合成的原理,将影响因素定量化,从而进行综合评价。

安检评分模型及影响因素分析

评分算法是构建分类模型的核心,首先采用K-近邻分类归属算法对采集而来的原始数据,进行属性归类,在通过Logistic 回归算法,对旅客进行服务和安全两方面评分。在评分基础上,采用模糊综合评价模型,建立安检评分模型。通过安检评分模型的更新和海量计算,对旅客进行多维度评估,最终获得旅客安检评分和等级,从而构建分类模型。

1)K-近邻分类归属算法

完整的分类过程包括模型构造、模型测试和模型应用三步。K-近邻分类归属算法,完整地诠释了这三步,如图4 所示。

图4 K—近邻分类归属算法图

它是一种预测性的分类算法,特点是直接用已有的样本来解决问题,综合与未知样本最近的K 个近邻样本的类别来预测未知样本的类别,通过计算与未知样本的距离来确定样本是否选择,其优点是方法简单,算法稳定。如f(x1,x2,…,x)=a1,f(y1,y2,…,y)=a2,…,X,Y 分别代表不同类的原始数据,f 代表K 近邻算法,通过计算相邻值之间的差距,对属性进行归类。经过K-近邻分类后,可获得属性信息。

2)Logistic 回归算法(www.xing528.com)

Logistic 回归模型是一种概率模型,主要应用在对进行聚类分析后的离散性变量,利用线性系数模型进行Logistic 回归。通过K-近邻分类后获得的属性信息,称之为自变量,自变量的变化,会影响到旅客评分,称之为因变量。该算法主要是研究变量之间联系的形式,来建立自变量与因变量之间的回归方程。回归方程可分为两种情况来建立:

(1)当影响因素可控时,固定其他变量,保留单一自变量对因变量的影响。如当信用、身份、公安、关联属性不变的情况下,可单独构建安检属性对于旅客安检评分的回归方程。

(2)当无法控制各因素时,可采用的方法包括:①可按照一两个因素分层,进行层内的综合属性分析,如可把身份、公安属性定义为同一层,考虑这两类属性,对于旅客评分的影响;②可通过拟合模型,对各个变量进行分析。通过Logistic 回归算法,可获得旅客的评分。

3)模糊综合评价模型

模糊综合评价模型是以模糊数学为基础,应用模糊关系合成的原理,将影响因素定量化,从而进行综合评价。首先依据评价的目的确定评价指标集合,U={u1,u2,…,u},例如评价某旅客,评价指标集合为{安检状况、服务状况},接着确定评价等级集合V={v1,v2,…,v},如评价旅客的安检状况为{很好,好,一般,差},通过对历史海量数据的分析挖掘,确定各评价指标的权重W={w1,w2,…,w},权重反映各评价指标在综合评价中的重要性程序,且所有权重综合为1。构建评价矩阵,最终形成对旅客的综合信息评价。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈