【技术实现步骤摘要】
本专利技术属于民航机场周界管理，尤其涉及基于大模型的分布式机场周界报警事件识别方法及系统。
技术介绍
1、传统机场周界管理场景中，大部分机场采用基于振动光缆的围界报警探测技术，在实际应用中误报率非常高，雷雨、雨雪、大风天气就可能会导致大量错误报警事件，工作人员难以在海量报警事件中寻找有效报警信息；为了解决单一振动光缆技术产生的高误报率问题，部分机场开始探索在振动光缆基础上增加摄像头与毫米波雷达识别技术，意图采用误报率更低的技术解决前述问题，然而在实际应用中，因为缺乏有效综合判断，误报率虽然相比较之前有所改善，但依然严重影响工作人员正常使用，同时对于部分报警事件的识别判断缺乏更细粒度的行为判别，例如经常会对围绕机场周界巡场的机场安保车辆、周界周围的园艺施工等场景出现误识别的问题，综上所述，传统机场周界管理存在较多痛点不足，需要进行技术改善。
2、通过上述分析，现有技术存在的问题及缺陷为：传统机场周界识别技术单一、高误报识别率、识别事件类型稀少。
技术实现思路
1、为克服相关技术中存在的问题，本专利技术公开实施例提供了基于大模型的分布式机场周界报警事件识别方法及系统，具体公开一种基于大模型的多阶段多因子分布式机场周界报警事件识别筛选方法及系统。本专利技术目的在于通过融合多方数据及应用多种算法技术，实现更加精准的周界报警事件识别及排序。
2、所述技术方案如下：基于大模型的分布式机场周界报警事件识别方法，包括：
3、s1：接收并解析实时运行数据与历史数据
4、s2：建立报警事件存储清单结构，对报警事件进行合并处理；
5、s3：进行周界前端识别数据预处理，计算报警误报率数据；
6、s4：进行周界前端多设备多环境综合识别，综合毫米波雷达、振动电缆、摄像头三方面的报警识别数据，结合气象情况与历史误报率情况，进行综合目标事件风险概率计算；
7、s5：将处理的报警事件传输到后端，在传输之前基于报警识别点位误报率、报警事件类型误报率、综合风险概率因素进行传输数据处理；
8、s6：使用经过定向微调训练的多模态大模型进行报警事件目标行为识别；
9、s7：计算机场车辆与报警事件重合度，通过整合车辆动态定位数据，进行重合度计算，识别其中存在误判的报警事件；
10、s8：计算机场园艺任务、周界巡逻任务计划与报警事件的重合度；
11、s9：进行机场周界当前安全态势计算，为不同报警识别点位报警事件赋予不同的安全态势值；
12、s10：进行报警事件综合优先级打分，将数值将作为不同报警事件在显示给用户的报警事件清单中顺序依据。
13、在步骤s1中，将解析后的周界报警识别设备点位数据清单设定为，将解析后的机位点位数据清单设定为，将解析后的公共区管理园艺任务数据清单设定为，将解析后的航班运行动态数据清单设定为，将解析后的车辆动态定位数据清单设定为，将解析后的气象数据设定为，将解析后的历史报警记录数据清单设定为；
14、其中，历史报警记录数据获取的历史数据天数受近期天平均误报率、天平均报警记录数量、天平均航班起降架次影响，近期时间区间取过去天，天具体取值由用户根据机场现场运行天气情况、整体运行态势情况确定，存在近期报警数据，存在误报数据，存在航班起降架次数据；
15、天平均报警记录数量的计算方式为：
16、
17、天平均误报率的计算方式为：
18、
19、天平均航班起降架次的计算方式为：
20、
21、历史数据天数的计算方式为：
22、。
23、在步骤s2中，建立报警事件存储清单结构，对报警事件进行合并处理，包括：
24、s201：建立报警存储清单结构，为清单结构，用来存储前端实时产生的报警事件，进行临时合并计算；
25、s202：接收前端设备报警事件，将放入；
26、s203：建立振动电缆报警事件变量，建立毫米波雷达报警事件变量，建立摄像头报警事件变量，遍历数据，获取其中报警事件；
27、s204：对振动光缆误报数据进行处理；
28、s205：创建合并后的报警事件。
29、在步骤s3中，进行周界前端识别数据预处理，计算报警误报率数据，包括：
30、s301：建立报警识别点位误报率结构，该结构为结构，值存储报警识别点位编号，存储具体误报率数据，建立报警类型误报率结构；
31、s302：建立报警识别点位误报率辅助计算结构和结构，结构为结构，值用来存储报警识别点编号，用来存储报警识别点的识别报警事件总数；结构为结构，值用来存储报警识别点编号，用来存储报警识别点的误报报警事件总数；建立报警类型误报率辅助计算结构和结构，结构为结构，值用来存储报警类型，用来存储报警类型的识别报警事件总数，结构为结构，值用来存储报警类型，用来存储报警类型的误报报警事件总数；
32、s303：遍历，获取历史报警事件，获取历史报警事件报警识别点编号、报警类型、是否误报数据，根据历史报警事件报警识别编号检索，如果不存在报警识别点编号，则创建新的报警识别点编号为，以1为值的数据，存入；如果存在报警识别点编号，则将编号的值加1，计算用来对识别编号误报事件进行计数；结构和结构进行计数的为报警类型；
33、s304：遍历结构，获取中的报警识别编号，获取编号中的报警事件总数，根据编号检索获取编号中的误报事件总数，则报警识别点位的误报率计算方式为：
34、
35、构造为报警识别编号，为识别点位误报率的数据，存入；
36、s305：遍历结构，获取中的报警类型，获取类型中的报警事件总数，根据类型检索，获取类型中的误报事件总数，则报警类型的误报率计算方式为：
37、
38、构造为报警类型，为误报率的数据，存入。
39、在步骤s4中，进行综合目标事件风险概率计算，包括：
40、s401：获取，获取报警识别点编号、报警类型，根据报警识别点编号从中获取具体的报警识别点历史误报率，根据报警类型从中获取具体的报警类型历史误报率；
41、s402：获取天气数据，获取能见度、降雨情况、降雪情况、冰雹情况、风力情况数据，将能见度数据定义为，能见度单位为米，将降雨情况数据定义为，将降雪情况数据定义为，将冰雹情况数据定义为，将风力情况数据定义为，风力情况取风力级数数据；
42、s403：计算报警事件综合风险概率，表达式为：
43、
44、式中，为报警事件报警识别点的历史误报率，为报警事件报警类型的历史误报率；
45、s404：对报警事件本文档来自技高网...
【技术保护点】
1.一种基于大模型的分布式机场周界报警事件识别方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤S1中，将解析后的周界报警识别设备点位数据清单设定为，将解析后的机位点位数据清单设定为，将解析后的公共区管理园艺任务数据清单设定为，将解析后的航班运行动态数据清单设定为，将解析后的车辆动态定位数据清单设定为，将解析后的气象数据设定为，将解析后的历史报警记录数据清单设定为；
3.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤S2中，建立报警事件存储清单结构，对报警事件进行合并处理，包括：
4.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤S3中，进行周界前端识别数据预处理，计算报警误报率数据，包括：
5.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤S4中，进行综合目标事件风险概率计算，包括：
6.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别
7.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤S6中，使用经过定向微调训练的多模态大模型进行报警事件目标行为识别，包括：
8.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤S7中，计算机场车辆与报警事件重合度，包括：
9.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤S9中，进行机场周界当前安全态势计算，为不同报警识别点位报警事件赋予不同安全态势值包括：
10.一种基于大模型的分布式机场周界报警事件识别系统，其特征在于，实施如权利要求1-9任意一项所述基于大模型的分布式机场周界报警事件识别方法，基于大模型的分布式机场周界报警事件识别系统包括：
...【技术特征摘要】
1.一种基于大模型的分布式机场周界报警事件识别方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤s1中，将解析后的周界报警识别设备点位数据清单设定为，将解析后的机位点位数据清单设定为，将解析后的公共区管理园艺任务数据清单设定为，将解析后的航班运行动态数据清单设定为，将解析后的车辆动态定位数据清单设定为，将解析后的气象数据设定为，将解析后的历史报警记录数据清单设定为；
3.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤s2中，建立报警事件存储清单结构，对报警事件进行合并处理，包括：
4.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤s3中，进行周界前端识别数据预处理，计算报警误报率数据，包括：
5.根据权利要求1所述的基于大模型的分布式机场周界报警事件识别方法，其特征在于，在步骤s4中，进行综合目标事件风险概率计算，包括...
【专利技术属性】
技术研发人员：陈翰，陈晓，丁继存，杜建国，刘博，
申请(专利权)人：青岛民航凯亚系统集成有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。