随着中国特色社会主义进入新时代,不断增长的社会变革给我国社会经济发展带来巨大活力,伴随着高质量的对外开放和对外引才战略的大力实施,国内外交流日益频繁,入出境人员数量不断增长,使得入出境人员入出境行为异常的评估难度加大,从而增加了入出境人员行为异常误检的潜在威胁。而提升入出境人员风险防控工作效率,关键是对异常入出境行为的准确识别、及时预警,比如从事与其身份、年龄很不相符的工作,或者表现出不同于大多数正常行为等异常情况。然而,海量的入出境人流使得传统工作方式,如简单的信息查询统计,几乎不可能完成有效的行为异常识别。随着入出境管理信息基础设施的完善,大量入出境人员信息和数据得以实现完整的收集和存储。如何从这些数据获取有价值的信息,进而快速有效地识别入出境行为异常是一项非常有意义的研究。本文主要研究了基于海量数据分析实现入出境人员行为异常识别的关键技术,主要研究内容如下:1)入出境人员入出境行为记录数据及其特征分析。入出境人员的身份信、每次入出境都会形成入出境记录数据,获取方便同步。该数据可以分为人员身份信息数据和人员出入境记录信息数据。对海量的出入境人员身份信息数据和入出境记录信息数据本身进行分析,如入出境数据结构特征、入出境频度、停留时间、出入事由分布等维度进行分析,即是行为模式分类的重要依据,也能大大减少入出境人员入出境行为异常检测的工作量,提高检测效率。2)基于频度的入出境人员入出境行为模式识别。入出境人员的入出境行为模式是未知的,因此需要对其入出境记录数据进行聚类分析,该类数据是典型的时间序列数据。由于出入境记录数据的频度差异较大,为了提高聚类分析效率,本文提出了基于频度的聚类分析方法,分别为低频、中频、高频出入境数据给出了不同的聚类算法,以获得有效的入出境行为模式分类。3)基于决策树的身份信息-入出境行为模式分类。将人员身份信息特征与入出境行为模式之间建立关联,并在此基础上构建人员身份到行为模式的决策树分类器。当输入境外人员身份信息,将给出该人员最可能的几种行为模式。如果其出入境记录对应的行为模式不在这几种行为模式当中,则该境外人员可归类为行为异常人员。将上述关键技术应用到了入出境人员风险评估实践中,结果表明,该方法提高了行为异常人员识别的准确性,有效地缩小了存在风险需要特别关注的范围人群,大幅度减轻了人力工作量和时间成本。