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。