CN112308404B - 项目风险管理方法、装置、电子设备及存储介质 - Google Patents
项目风险管理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112308404B CN112308404B CN202011183983.9A CN202011183983A CN112308404B CN 112308404 B CN112308404 B CN 112308404B CN 202011183983 A CN202011183983 A CN 202011183983A CN 112308404 B CN112308404 B CN 112308404B
- Authority
- CN
- China
- Prior art keywords
- measure
- deviation
- historical
- expenditure
- project
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种项目风险管理方法、装置、电子设备及存储介质,包括:接收用户从问题集中选择的问题对象;根据问题对象,从预先构建的措施分析数据库确定第一措施集;获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施。用于解决现阶段尚没有一套完整的体系,用于在项目风险管理中选择最恰当的应对方法解决项目风险管理的相关问题。
Description
技术领域
本发明涉及项目管理技术领域,尤其涉及一种项目风险管理方法、装置、电子设备及存储介质。
背景技术
项目风险主要体现在项目实际结果和期望结果之间的差异性,差异越大,则说明项目风险越大。现实生活中,项目风险主要来源于两方面,一方面为外部因素,如市场变动、突发事件;另一方面为内部因素,即应对外部因素而采取相应的临时应对措施:因为应对措施的结果是未知的,所以临时应对措施的有效性和合理性是导致内因素出现的主要原因。
对于项目进行过程中遇到的外部因素,可能会存在很多种临时应对措施,虽然选择最恰当的临时应对措施是降低项目风险的有效手段之一,但由于临时应对措施的有效性和合理性很难量化判定,现有技术无法高效准确的选择相应的临时应对措施,导致项目风险不可控。
发明内容
本发明提供了一种项目风险管理方法、装置、电子设备及存储介质,用于解决现有技术在出现影响项目执行的外部因素时,无法高效准确地选择相应的临时应对措施,导致项目风险不可控的技术问题。
第一方面,本发明提供的一种项目风险管理方法,包括:
接收用户从问题集中选择的问题对象;
根据所述问题对象,从预先构建的措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有应对措施及其每个所述应对措施对应的支出偏离度和时间偏离度;
获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;
对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;
根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施。
可选地,构建措施分析数据库的步骤,包括:
记录历史项目中的历史问题对象、历史应对措施及使用次数、以及历史项目与对应的原工程计划的支出偏离度和时间偏离度,形成历史项目表格;
导入所述历史项目表格到预先训练的网络神经模型,确定并记录每个所述历史应对措施的支出偏离度和时间偏离度;
根据所有所述历史项目表格、所述每个应对措施的支出偏离度和时间偏离度,构建所述措施分析数据库。
可选地,所述网络神经模型包括支出神经黑盒网络模型和时间神经黑盒网络模型;所述导入所述历史项目表格到预先训练的网络神经模型,确定并记录每个应对措施的支出偏离度和时间偏离度的步骤,包括:
从预置的样本数据库中提取训练样本,所述训练样本包括:训练项目的问题对象、所述训练项目的应对措施及次数,以及所述训练项目对应的支出偏离度和时间偏离度;所述训练项目的问题对象、所述训练项目的应对措施及次数、所述训练项目对应的支出偏离度和时间偏离度之间有对应的层次关系;
利用所述训练样本和预设的网络结构训练深度卷积神经网络模型的参数的关系,获取支出神经黑盒网络模型和时间神经黑盒网络模型;
将所述历史项目表格分别输入到所述支出神经黑盒网络模型和时间神经黑盒网络模型,获取所有所述历史应对措施的支出偏离度和时间偏离度。
可选地,所述将所述历史项目表格分别输入到所述支出神经黑盒网络模型和时间神经黑盒网络模型,获取所有所述历史应对措施的支出偏离度和时间偏离度度的步骤,包括:
将所述历史项目表格中的历史应对措施,依次进行深度卷积神经网络模型的预测,获得所有所述历史应对措施的预测支出和预测时间;
基于所述所有历史应对措施的预测支出和预测时间,结合历史项目与对应的原工程计划的支出和时间,得到所有所述历史应对措施的支出偏离度和时间偏离度。
可选地,所述根据所有所述历史项目表格、所述每个应对措施的支出偏离度和时间偏离度,构建所述措施分析数据库的步骤,包括:
提取所述历史项目表格中的历史问题对象,生成问题集;
提取所述历史项目表格中的历史应对措施及使用次数,结合所述问题集,生成所述问题集中每个历史问题对象对应的措施集;
存储所述问题集、措施集,以及所述每个应对措施的支出偏离度和时间偏离度,形成所述措施分析数据库。
可选地,所述根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施的步骤,包括:
确定所述第二措施集的所有偏离指标值的最小偏离指标值,将所述第二措施集的所有偏离指标值的最小偏离指标值对应的应对措施作为目标措施。
可选地,所述根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施的步骤,包括:
接收用户指令信息;
提取所述第二措施集中与指令信息相关的应对措施,形成第三措施集;
确定所述第三措施集的所有偏离指标值的最小偏离指标值,将所述第三措施集的所有偏离指标值的最小偏离指标值对应的应对措施作为目标措施。
第二方面,本发明还提供了一种项目风险管理装置,其特征在于,包括:
问题对象接收模块,用于接收用户从问题集中选择的问题对象;
第一措施集确定模块,用于根据所述问题对象,从预先构建的措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有应对措施及其每个所述应对措施对应的支出偏离度和时间偏离度;
第二措施集形成模块,用于获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;
偏离指标值生成模块,用于对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;
目标应对措施确定模块,用于根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施。
第三方面,本申请提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本申请通过接收用户从问题集中选择的问题对象;根据所述问题对象,从预先构建的措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有应对措施及其每个所述应对措施对应的支出偏离度和时间偏离度;获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施。从而解决现阶段在项目风险管理中,尚未有一种完善的项目风险管理方法,用以在项目运行过程中面对同一个问题,选择出一种最恰当的应对措施,从而降低项目风险的相关问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的一种项目风险管理方法实施例一的步骤流程图;
图2为本发明的一种项目风险管理方法实施例二的步骤流程图;
图3为本发明的一种项目风险管理方法实施例三的步骤流程图;
图4为本发明的一种项目风险管理方法一个示例的架构图;
图5为本发明的一种项目风险管理装置的实施例的结构框图。
具体实施方式
本发明实施例提供了一种项目风险管理方法,用于解决现阶段在项目风险管理中,尚未有一种完善的项目风险管理方法,用以在项目运行过程中面对同一个问题,选择出一种最恰当的应对措施,从而降低项目风险的相关问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为了便于理解,请参阅图1,图1为本发明实施例提供的一种项目风险管理方法实施例一的步骤流程图,具体为:
步骤S101,接收用户从问题集中选择的问题对象;
在具体实现中,用户从系统界面问题集中选择项目在进行过程中遇到的问题,即为问题对象。其中,问题集是由依次列出的所有问题编号及其对应的问题描述组成。
步骤S102,根据所述问题对象,从预先构建的措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有应对措施及其每个所述应对措施对应的支出偏离度和时间偏离度;
在具体实现中,用户确认问题对象后,依据用户选择的问题对象对数据库进行筛选,并从数据库中下载问题对象所对应的措施集,以及措施集中的每一个应用措施的支出偏离度和时间偏离度。
在本发明实施例中,依据问题对象确定措施集,即进行了一次筛选,然后将筛选后的多个应用措施及其评价指标参数传送至系统界面,在一定程度上加快后续流程的执行处理速度。
步骤S103,获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;
在具体实现中,每一项工程都会最大时限延误或者最大支出,我们可以根据最大时限延误和原工程计划时间来确定预设的时间偏离度,或根据最大支出和原项目计划支出来确定预设的支出偏离度,并把超出预设支出偏离度或超出预设时间偏离度的应对措施删除,从而形成第二措施集。
步骤S104,对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;
在实际应用中,对于一个已完成的项目,最终项目的支出以及时间是评价项目完成度的合理指标。在实际应用中,与项目的原定计划相比,项目进行过程中出现的问题,最终都能反映在项目支出和项目时间上,因此,将项目支出和项目时间作为衡量应对问题的应对措施的关键因素。
步骤S105,根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施。
在一个可选实施例中,所述根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施的步骤,包括:
接收用户指令信息;
提取所述第二措施集中与指令信息相关的应对措施,形成第三措施集;
确定所述第三措施集的所有偏离指标值的最小偏离指标值,将所述第三措施集的所有偏离指标值的最小偏离指标值对应的应对措施作为目标措施。
在本发明实施例中,接收用户关于应对措施的相关指令信息,并根据指令信息依次匹配第二措施集中的应对措施,将与指令信息相联系的应用措施提取组成新的措施集,即第三措施集,然后从第三措施集中选取支出偏离度和时间偏离度之和最小的应对措施作为目标措施。
举例说明,若项目所遇到的问题对应的应对措施,需要在天气晴朗的情况下才能实现,而天气并不晴朗,用户需要从中筛选出天气晴朗的情况下才能施行的应对措施,因此用户输入天气晴朗指令或者避免雨天指令,然后根据指令筛选出更为贴切的措施集,并从中确定目标措施。
请参阅图2,图2为本发明实施例提供的一种项目风险管理方法实施例二的步骤流程图,具体包括以下步骤:
步骤S201,记录历史项目中的历史问题对象、历史应对措施及使用次数、以及历史项目与对应的原工程计划的支出偏离度和时间偏离度,形成历史项目表格;
在具体实现中,对电子文本或非电子文本中记载的历史项目进行归纳,形成历史项目表格,其中,历史项目表格包括:历史问题对象、历史应对措施及使用次数,以及根据历史项目的计划支出、历史项目的实际支出、历史项目计划时间和历史项目实际时间得到的支出偏离度、时间偏离度。
在本发明实施例中,可以用如下评价公式表示支出偏离度:
其中,E1为支出偏离度,S为历史项目计划支出,S’为历史项目实际支出;
同时用如下公式表示时间偏离度:
其中,E2为时间偏离度,T为历史项目计划时间,T’为历史项目实际时间。
步骤S202,导入所述历史项目表格到预先训练的网络神经模型,确定并记录每个所述历史应对措施的支出偏离度和时间偏离度;
在具体实现中,可以将历史项目表中的每个历史应对措施输入到训练好的网络神经模型中,按照模型中所设置的模型结构以及训练好的深度卷积神经网络模型的参数,依次进行历史应对措施的深度卷积神经网络模型的预测,直至最终获得所有历史应对措施的支出偏离度和时间偏离度。
步骤S203,根据所有所述历史项目表格、所述每个应对措施的支出偏离度和时间偏离度,构建所述措施分析数据库;
在一个可选实施例中,所述根据所有所述历史项目表格、所述每个应对措施的支出偏离度和时间偏离度,构建所述措施分析数据库的步骤,包括:
提取所述历史项目表格中的历史问题对象,生成问题集;
在具体实现中,对于历史项目表格中历史项目所遇到的问题对象,以问题编号进行区分归类,形成如下所示的问题表:
问题编号 | 问题对象 |
1 | 描述1 |
2 | 描述2 |
…… | …… |
同时,问题表的集合即为问题集。
提取所述历史项目表格中的历史应对措施及使用次数,结合所述问题集,生成所述问题集中每个历史问题对象对应的措施集;
在具体实现中,在形成问题集之后,对问题集中的每一个问题对象的关联的应对措施分类至每一个问题对象当中,以应对措施编号进行区分,形成如下所述的应对措施表:
关联问题 | 问题编号 |
应对措施编号 | 应对措施 |
1 | 描述1 |
2 | 描述2 |
…… | …… |
同时,所有应对措施的集合即为措施集。
存储所述问题集、问题集中的每个问题对象对应的措施集,以及所述每个应对措施的支出偏离度和时间偏离度,形成所述措施分析数据库;
在本发明实施例中,在确定了问题集、方法集、每个应对措施的时间偏离度和时间偏离度后,将所述问题集、问题集中每个问题对象关联的方法集,以及应对措施对应的所述支出偏离度和所述时间偏离度存储到数据库当中,每一条的记录的基本结构如下:
问题编号 | 应对措施编号 | 支出偏离度 | 时间偏离度 |
在这种统计方式下,任何一个历史项目可能遇到的问题对象、问题对象的应对措施都已经囊括在内,并以编号的方式对问题、应对措施进行分类,而同一个历史项目的差异性也主要体现在选择的应对措施的频率上。
步骤S204,接收用户从问题集中选择的问题对象;
步骤S205,根据所述问题对象,从预先构建的措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有历史应对措施及其每个所述历史应对措施对应的支出偏离度和时间偏离度;
步骤S206,获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的历史应对措施,形成第二措施集;
步骤S207,对所述第二措施集中每个历史应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个历史应对措施对应的偏离指标值;
步骤S208,确定所述第二措施集的所有偏离指标值的最小偏离指标值,将所述第二措施集的所有偏离指标值的最小偏离指标值对应的历史应对措施作为目标措施。
在具体实现中,系统响应用户选择指令,从数据库中确定目标问题对象对应的目标方法集,然后对目标方法集中的支出偏离度和时间偏离度求和,得到求和指标值,并将最小求和指标值对应的应对措施确定为目标应对措施。
同时,项目完成后,将该项目所遇到的问题、目标应对措施、项目实际支出和项目实际工时作为训练材料,输入至两个神经网路模型进行再次训练。
需要说明的是,直接从第三措施集确定目标应对措施,相比于实施例一从第二措施集筛选得出第三措施集,然后从第三措施集汇总根据求和应对措施对应的指标值确定目标应对措施的方案的方案,区别在于处理的应对措施的数据量不同。
请参阅图3,图3为本发明实施例提供的一种项目风险管理方法实施例三的步骤流程图,具体包括以下步骤:
步骤S301,从预置的样本数据库中提取训练样本,所述训练样本包括:训练项目的问题对象、所述训练项目的应对措施及次数,以及所述训练项目对应的支出偏离度和时间偏离度;所述训练项目的问题对象、所述训练项目的应对措施及次数、所述训练项目对应的支出偏离度和时间偏离度之间有对应的层次关系;
需要说明的是,训练数据可以从施工记录、日志等文件中提取。
步骤S302,利用所述训练样本和预设的网络结构训练深度卷积神经网络模型的参数的关系,获取支出神经黑盒网络模型和时间神经黑盒网络模型;
在具体实现中,首先初始化两个神经黑盒网络模型,然后分别对两个神经黑盒网络模型进行训练。本发明中,可以利用caffe(卷积神经网络框架)开源的深度学习框架进行模型重训(也可使用其他开源深度学习框架进行训练)。
需要说明的是,项目从开始到完成的整个过程,都可能会遇到不少的问题,有的项目可能利用的5个应对措施去解决问题对象,而有的项目可能只涉及到1个应对措施,当然,也不排除有的项目从开始到完成都没有遇到过任何问题。
在本发明实施例中,以训练项目,及其进行的过程中遇到问题和使用的应对措施为一个完整的解决案例,将所有解决案例的输入到支出神经网络黑盒模型和时间神经黑盒模型进行处理,对每一个历史项目,都以该训练项目涉及的所有应对措施作为特征值,将该训练项目的项目支出作为目标变量,同时将该训练项目工时作为目标变量,完成对时间神经网络黑盒模型和支出神经网络黑盒模型的训练。
步骤S303,记录历史项目中的历史问题对象、历史应对措施及使用次数、以及历史项目与对应的原工程计划的支出偏离度和时间偏离度,形成历史项目表格;
步骤S304,将所述历史项目表格分别输入到所述支出神经黑盒网络模型和时间神经黑盒网络模型,获取所有所述历史应对措施的支出偏离度和时间偏离度;
在一个可选实施例中,所述将所述历史项目表格分别输入到所述支出神经黑盒网络模型和时间神经黑盒网络模型,获取所有所述历史应对措施的支出偏离度和时间偏离度度的步骤,包括:
将所述历史项目表格中的历史应对措施,依次进行深度卷积神经网络模型的预测,获得所有所述历史应对措施的预测支出和预测时间;
基于所述所有历史应对措施的预测支出和预测时间,结合历史项目与对应的原工程计划的支出和时间,得到所有所述历史应对措施的支出偏离度和时间偏离度。
步骤S305,导入所述历史项目表格到预先训练的网络神经模型,确定并记录每个所述历史应对措施的支出偏离度和时间偏离度;
步骤S306,根据所有所述历史项目表格、所述每个应对措施的支出偏离度和时间偏离度,构建所述措施分析数据库;
步骤S307,接收用户从问题集中选择的问题对象;
步骤S308,根据所述问题对象,从措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有应对措施及其每个所述应对措施对应的支出偏离度和时间偏离度;
步骤S309,获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;
步骤S310,对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;
步骤S311,根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施。
本发明提供了一种项目风险管理方法,通过接收用户从问题集中选择的问题对象;根据所述问题对象,从预先构建的措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有应对措施及其每个所述应对措施对应的支出偏离度和时间偏离度;获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施。从而解决现阶段在项目风险管理中,尚未有一种完善的项目风险管理方法,用以在项目运行过程中面对同一个问题,选择出一种最恰当的应对措施,从而降低项目风险的相关问题。
为了使本领域技术人员能够更好地理解本发明方案,以下通过举例对本申请加以示例性说明。
参照图4,示出了本发明实施例的一种项目风险管理系统的架构图。应理解,本发明应用于项目风险管理系统,请参阅图4,图中包括云端服务器1和至少一台客户机2,同时,云端服务器1中包括数据库11,而客户机2中包括:触控设备21、问题选择单元29、全自动单元22、比较单元23、方法选择单元24、方法筛选单元25和导出单元26。其中一台客户机2仅为一个示意,在实际应用中,一个云端服务器1可以连接多台客户机2,此处对客户机2的数量不作限定。
本发明的核心思想为,云端服务器1根据历史项目数据生成神经网络模型,然后将神经网络模型部署到云端服务器1上,分别将每一个单独的应对措施导入至神经网络模型,得到应对措施对应的评价指标,将这些评价指标全部记录,形成数据库11,并搭载在云端服务器1上。从而在接收客户机2发出的目标问题编号时,可以根据数据库11的记录生成目标问题编号的对应应对措施及其评价指标以供用户在客户机2选择。
需要说明的是,云端服务器1和客户机2对于应对措施的数据处理过程,可针对实际运算规模对云端服务器1和客户机2所涉及的流程进行分配或动态分配。
云端服务器1用于获取已经记录的历史项目中每一个问题、应对措施、对应历史项目的历史项目支出和历史项目工时;云端服务器1中的处理器根据问题和应对措施的关系,确定每一个问题对应的应对措施集;将应对措施输入到预先部署的神经网络模型进行处理,结合应对措施、对应的历史项目支出及历史项目工时,得到应对措施对应的评价指标并录入到数据库11中;此外,训练材料会伴随历史项目记录的增加而增加。
在本发明实施例中,数据库11部署在云端服务器1中,根据每个历史项目数据训练生成神经网络模型,并且神经网络模型部署在数据库11中;用户在触控设备21选择问题选择单元29展示的问题,在确定目标问题编号之后,数据库11筛选出目标应对措施后,根据用户选择的处理单元:全自动单元22或比较单元23对目标应对措施进行处理,把处理结果传输到方法筛选单元25并从导出单元26导出最优应对措施,以供用户参考。
请参阅图5,示出了一种项目风险管理装置实施例的结构框图,包括如下模块:
问题对象接收模块101,用于接收用户从问题集中选择的问题对象;
第一措施集确定模块102,用于根据所述问题对象,从预先构建的措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有应对措施及其每个所述应对措施对应的支出偏离度和时间偏离度;
第二措施集形成模块103,用于获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;
偏离指标值生成模块104,用于对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;
目标应对措施确定模块105,用于根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施。
在一个可选实施例中,所述装置中措施分析数据库构建的模块包括:
记录模块,用于记录历史项目中的历史问题对象、历史应对措施及使用次数、以及历史项目与对应的原工程计划的支出偏离度和时间偏离度,形成历史项目表格;
导入模块,用于导入所述历史项目表格到预先训练的网络神经模型,确定并记录每个所述历史应对措施的支出偏离度和时间偏离度;
构建模块,用于根据所有所述历史项目表格、所述每个应对措施的支出偏离度和时间偏离度,构建所述措施分析数据库。
在一个可选实施例中,所述网络神经模型包括支出神经黑盒网络模型和时间神经黑盒网络模型;所述导入模块包括:
训练样本提取子模块,用于从预置的样本数据库中提取训练样本,所述训练样本包括:训练项目的问题对象、所述训练项目的应对措施及次数,以及所述训练项目对应的支出偏离度和时间偏离度;所述训练项目的问题对象、所述训练项目的应对措施及次数、所述训练项目对应的支出偏离度和时间偏离度之间有对应的层次关系;
网络模型获取子模块,用于利用所述训练样本和预设的网络结构训练深度卷积神经网络模型的参数的关系,获取支出神经黑盒网络模型和时间神经黑盒网络模型;
偏离度获取子模块,用于将所述历史项目表格分别输入到所述支出神经黑盒网络模型和时间神经黑盒网络模型,获取所有所述历史应对措施的支出偏离度和时间偏离度。
在一个可选实施例中,所述偏离度获取子模块还包括:
预测单元,用于将所述历史项目表格中的历史应对措施,依次进行深度卷积神经网络模型的预测,获得所有所述历史应对措施的预测支出和预测时间;
偏离度确定单元,用于基于所述所有历史应对措施的预测支出和预测时间,结合历史项目与对应的原工程计划的支出和时间,得到所有所述历史应对措施的支出偏离度和时间偏离度。
在一个可选实施例中,所述构建模块还包括:
问题集生成子模块,用于提取所述历史项目表格中的历史问题对象,生成问题集;
措施集生成子模块,用于提取所述历史项目表格中的历史应对措施及使用次数,结合所述问题集,生成所述问题集中每个历史问题对象对应的措施集;
数据库生成子模块,用于存储所述问题集、措施集,以及所述每个应对措施的支出偏离度和时间偏离度,形成所述措施分析数据库。
在一个可选实施例中,所述目标应对措施确定模块105包括:
第一确定子模块,用于确定所述第二措施集的所有偏离指标值的最小偏离指标值,将所述第二措施集的所有偏离指标值的最小偏离指标值对应的应对措施作为目标措施。
在一个可选实施例中,所述目标应对措施确定模块105包括:
接收子模块,用于接收用户指令信息;
提取子模块,用于提取所述第二措施集中与指令信息相关的应对措施,形成第三措施集;
第二确定子模块,用于确定所述第三措施集的所有偏离指标值的最小偏离指标值,将所述第三措施集的所有偏离指标值的最小偏离指标值对应的应对措施作为目标措施。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述任一实施例所述项目风险管理的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器执行时实现如上述任一实施例所述的项目风险管理方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以为于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种项目风险管理方法,其特征在于,所述方法包括:
接收用户从问题集中选择的问题对象;
根据所述问题对象,从预先构建的措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有应对措施及其每个所述应对措施对应的支出偏离度和时间偏离度;
构建措施分析数据库的步骤,包括:
记录历史项目中的历史问题对象、历史应对措施及使用次数、以及历史项目与对应的原工程计划的支出偏离度和时间偏离度,形成历史项目表格;
导入所述历史项目表格到预先训练的神经网络模型,确定并记录每个所述历史应对措施的支出偏离度和时间偏离度;
根据所有所述历史项目表格、所述每个所述历史应对措施的支出偏离度和时间偏离度,构建所述措施分析数据库;
获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;
对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;
根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施;
所述根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施的步骤,包括:
确定所述第二措施集的所有偏离指标值的最小偏离指标值,将所述第二措施集的所有偏离指标值的最小偏离指标值对应的应对措施作为目标措施。
2.根据权利要求1所述的项目风险管理方法,其特征在于,所述神经网络模型包括支出神经黑盒网络模型和时间神经黑盒网络模型;所述导入所述历史项目表格到预先训练的神经网络模型,确定并记录每个所述历史应对措施的支出偏离度和时间偏离度的步骤,包括:
从预置的样本数据库中提取训练样本,所述训练样本包括:训练项目的问题对象、所述训练项目的应对措施及次数,以及所述训练项目的应对措施对应的支出偏离度和时间偏离度;所述训练项目的问题对象、所述训练项目的应对措施及次数、所述训练项目的应对措施对应的支出偏离度和时间偏离度之间有对应的层次关系;
利用所述训练样本和预设的网络结构训练深度卷积神经网络模型的参数的关系,获取支出神经黑盒网络模型和时间神经黑盒网络模型;
将所述历史项目表格分别输入到所述支出神经黑盒网络模型和时间神经黑盒网络模型,获取所有所述历史应对措施的支出偏离度和时间偏离度。
3.根据权利要求2所述的项目风险管理方法,其特征在于,所述将所述历史项目表格分别输入到所述支出神经黑盒网络模型和时间神经黑盒网络模型,获取所有所述历史应对措施的支出偏离度和时间偏离度的步骤,包括:
将所述历史项目表格中的历史应对措施,依次进行深度卷积神经网络模型的预测,获得所有所述历史应对措施的预测支出和预测时间;
基于所述所有所述历史应对措施的预测支出和预测时间,结合历史项目与对应的原工程计划的支出和时间,得到所有所述历史应对措施的支出偏离度和时间偏离度。
4.根据权利要求3所述的项目风险管理方法,其特征在于,所述根据所有所述历史项目表格、所述每个应对措施的支出偏离度和时间偏离度,构建所述措施分析数据库的步骤,包括:
提取所述历史项目表格中的历史问题对象,生成问题集;
提取所述历史项目表格中的历史应对措施及使用次数,结合所述问题集,生成所述问题集中每个历史问题对象对应的措施集;
存储所述问题集、措施集,以及所述每个应对措施的支出偏离度和时间偏离度,形成所述措施分析数据库。
5.一种项目风险管理装置,其特征在于,所述装置包括:
问题对象接收模块,用于接收用户从问题集中选择的问题对象;
第一措施集确定模块,用于根据所述问题对象,从预先构建的措施分析数据库确定第一措施集,所述第一措施集包括解决问题对象的所有应对措施及其每个所述应对措施对应的支出偏离度和时间偏离度;
措施分析数据库构建模块,包括:
记录模块,用于记录历史项目中的历史问题对象、历史应对措施及使用次数、以及历史项目与对应的原工程计划的支出偏离度和时间偏离度,形成历史项目表格;
导入模块,用于导入所述历史项目表格到预先训练的神经网络模型,确定并记录每个所述历史应对措施的支出偏离度和时间偏离度;
构建模块,用于根据所有所述历史项目表格、所述每个所述历史应对措施的支出偏离度和时间偏离度,构建所述措施分析数据库;
第二措施集形成模块,用于获取预设的支出偏离度和预设的时间偏离度,从第一措施集中剔除所述支出偏离度大于所述预设支出偏离度,或时间偏离度大于预设的时间偏离度对应的应对措施,形成第二措施集;
偏离指标值生成模块,用于对所述第二措施集中每个应对措施的支出偏离度和时间偏离度求和,生成所述第二措施集中每个应对措施对应的偏离指标值;
目标应对措施确定模块,用于根据所述第二措施集中每个应对措施对应的偏离指标值,确定目标应对措施;
所述目标应对措施确定模块,包括:
第一确定子模块,用于确定所述第二措施集的所有偏离指标值的最小偏离指标值,将所述第二措施集的所有偏离指标值的最小偏离指标值对应的应对措施作为目标措施。
6.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-4任一项所述的方法。
7.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183983.9A CN112308404B (zh) | 2020-10-29 | 2020-10-29 | 项目风险管理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183983.9A CN112308404B (zh) | 2020-10-29 | 2020-10-29 | 项目风险管理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308404A CN112308404A (zh) | 2021-02-02 |
CN112308404B true CN112308404B (zh) | 2023-02-17 |
Family
ID=74332205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011183983.9A Active CN112308404B (zh) | 2020-10-29 | 2020-10-29 | 项目风险管理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308404B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016076012A (ja) * | 2014-10-03 | 2016-05-12 | 三菱電機株式会社 | 設計流用支援装置、設計流用支援方法およびプログラム |
CN106611237A (zh) * | 2016-06-24 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的进化规划算法解决制造业物料采购问题 |
CN107392425A (zh) * | 2017-06-15 | 2017-11-24 | 中国烟草总公司 | 一种烟草行业项目实施sop的管理方法及系统 |
CN109325681A (zh) * | 2018-09-14 | 2019-02-12 | 长沙理工大学 | 一种多项目风险的二型模糊综合评估方法 |
CN109816221A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技(深圳)有限公司 | 项目风险决策方法、装置、计算机设备和存储介质 |
CN111191871A (zh) * | 2019-11-21 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
CN111626553A (zh) * | 2020-04-14 | 2020-09-04 | 广东电网有限责任公司肇庆供电局 | 项目风险的管理方法及设备 |
-
2020
- 2020-10-29 CN CN202011183983.9A patent/CN112308404B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016076012A (ja) * | 2014-10-03 | 2016-05-12 | 三菱電機株式会社 | 設計流用支援装置、設計流用支援方法およびプログラム |
CN106611237A (zh) * | 2016-06-24 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的进化规划算法解决制造业物料采购问题 |
CN107392425A (zh) * | 2017-06-15 | 2017-11-24 | 中国烟草总公司 | 一种烟草行业项目实施sop的管理方法及系统 |
CN109325681A (zh) * | 2018-09-14 | 2019-02-12 | 长沙理工大学 | 一种多项目风险的二型模糊综合评估方法 |
CN109816221A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技(深圳)有限公司 | 项目风险决策方法、装置、计算机设备和存储介质 |
CN111191871A (zh) * | 2019-11-21 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
CN111626553A (zh) * | 2020-04-14 | 2020-09-04 | 广东电网有限责任公司肇庆供电局 | 项目风险的管理方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112308404A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN109389494B (zh) | 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置 | |
CN107689008A (zh) | 一种用户投保行为预测的方法及装置 | |
CN110992167A (zh) | 银行客户业务意图识别方法及装置 | |
CN106384197A (zh) | 一种基于大数据的业务质量评估方法和装置 | |
CN113505936A (zh) | 项目审批结果的预测方法、装置、设备及存储介质 | |
CN114627330A (zh) | 时序流量预测方法及装置、存储介质及电子设备 | |
CN115170294A (zh) | 一种客户分类方法、装置及服务器 | |
CN115563568A (zh) | 异常数据的检测方法及其装置、电子设备及存储介质 | |
CN110544052A (zh) | 关系网络图的展示方法及装置 | |
CN107330709B (zh) | 确定目标对象的方法及装置 | |
CN113177840B (zh) | 一种客户风险的识别方法及装置 | |
CN114004691A (zh) | 基于融合算法的额度评分方法、装置、设备及存储介质 | |
CN112308404B (zh) | 项目风险管理方法、装置、电子设备及存储介质 | |
US11972381B2 (en) | Managing sales opportunities within an organization | |
CN110796381B (zh) | 风控模型的建模方法、装置、终端设备及介质 | |
CN112598353A (zh) | 一种物料替代方法、装置、存储介质和设备 | |
CN113656692B (zh) | 基于知识迁移算法的产品推荐方法、装置、设备及介质 | |
CN110245985A (zh) | 一种信息处理方法及装置 | |
CN117422321A (zh) | 专利价值评估方法、装置、电子设备和存储介质 | |
CN115829722A (zh) | 信用风险评分模型的训练方法及信用风险评分方法 | |
CN114418450A (zh) | 一种数据处理方法及装置 | |
CN109615232A (zh) | 一种信用积分预测的方法、系统及相关装置 | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
CN115545088A (zh) | 模型构建方法、分类方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |