CN112382407A - 一种风险管控方法、装置、电子设备和存储介质 - Google Patents
一种风险管控方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112382407A CN112382407A CN202011265240.6A CN202011265240A CN112382407A CN 112382407 A CN112382407 A CN 112382407A CN 202011265240 A CN202011265240 A CN 202011265240A CN 112382407 A CN112382407 A CN 112382407A
- Authority
- CN
- China
- Prior art keywords
- individual
- risk
- tested
- detected
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013058 risk prediction model Methods 0.000 claims abstract description 47
- 238000003066 decision tree Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 7
- 208000015181 infectious disease Diseases 0.000 abstract description 13
- 208000035473 Communicable disease Diseases 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012954 risk control Methods 0.000 abstract description 8
- 230000006806 disease prevention Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 36
- 239000013598 vector Substances 0.000 description 21
- 238000012549 training Methods 0.000 description 15
- 238000007637 random forest analysis Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种风险管控方法、装置、电子设备和存储介质,其中,方法包括,获取待测个体用于风险预测的个体数据,个体数据包括待测个体的身份信息、待测个体的危险因素信息、待测个体所在目标区域的特征信息中的至少一种,将个体数据作为风险预测模型的输入数据,由风险预测模型根据个体数据进行风险预测,得到待测个体的风险值,根据待测个体的风险值执行对应的安全防范策略。通过实施上述方法,可以提升传染病防控的实时性,提高管控效率,并提升管控效果。本申请涉及区块链技术,如可将个体数据与风险值一并加密后写入区块链。
Description
技术领域
本发明涉及智能决策技术领域,具体涉及一种风险管控方法、装置、电子设备和存储介质。
背景技术
传染病暴发是一种严重威胁公众健康和生命安全的公共卫生事件,其具有传播速度快、影响范围广的特点,传染病能够在个体与个体之间通过接触或呼吸相互传播并广泛流行,因此特定区域,如公共场所的传染病风险防控是一项非常重要且艰巨的任务。
现有的传染病风险管控方法,主要在确定感染者后,通过发布感染者的移动路径以提示他人注意出行安全,从而在一定程度上实现对传染病的风险管控。然而,这种方式不够实时,管控效率较低,管控效果较差。
发明内容
本发明实施例提供了一种风险管控方法、装置、电子设备和存储介质,可以在一定程度上提升传染病防控的实时性,提高管控效率,并提升管控效果。
一方面,本发明实施例提供了一种风险管控方法,所述方法包括:
获取待测个体用于风险预测的个体数据,所述个体数据包括所述待测个体的身份信息、所述待测个体的危险因素信息、所述待测个体所在目标区域的特征信息中的至少一种;
将所述个体数据作为风险预测模型的输入数据,由所述风险预测模型根据所述个体数据进行风险预测,得到所述待测个体的风险值;
根据所述待测个体的风险值执行对应的安全防范策略。
一方面,本发明实施例提供了一种风险管控装置,所述装置包括:
获取模块,用于获取待测个体用于风险预测的个体数据,所述个体数据包括所述待测个体的身份信息、所述待测个体的危险因素信息、所述待测个体所在目标区域的特征信息中的至少一种;
预测模块,用于将所述个体数据作为风险预测模型的输入数据,由所述风险预测模型根据所述个体数据进行风险预测,得到所述待测个体的风险值;
执行模块,用于根据所述待测个体的风险值执行对应的安全防范策略。
一方面,本发明实施例提供了一种电子设备,包括处理器、输入接口、输出接口和存储器,所述处理器、输入接口、输出接口和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行所述风险管控方法。
一方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行所述风险管控方法。
综上所述,获取待测个体用于风险预测的个体数据,个体数据包括该待测个体的身份信息、待测个体的危险因素信息、待测个体所在目标区域的特征信息中的至少一种,并将个体数据作为风险预测模型的输入数据,由风险预测模型根据个体数据进行风险预测,得到待测个体的风险值,根据待测个体的风险值执行对应的安全防范策略,相较于现有技术,是在确定感染者后,通过发布感染者的移动路径以提示他人注意出行安全,无法实时进行风险管控,管控效果较差,本申请通过实施上述方式,可以实时了解风险情况并及时进行风险管控,在一定程度上提升了管控效果和管控效率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种风险管控系统的网络架构示意图;
图2为本发明实施例提供的一种风险管控方法的流程示意图;
图3为本发明实施例提供的一种风险预测模型的示意图;
图4a为本发明实施例提供的一种预警场景的示意图;
图4b为本发明实施例提供的另一种预警场景的示意图;
图5为本发明实施例提供的另一种风险管控方法的流程示意图;
图6为本发明实施例提供的一种风险管控装置结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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描述。
本发明实施例提出的一种风险管控方法,可运用在电子设备中,电子设备可以为终端设备或服务器。此处的终端设备可以为监控设备或可以为智能终端,如:智能手机、笔记本电脑、台式计算机等电子设备。
在一个应用场景中,本发明实施例提出的一种风险管控系统的网络架构,如图1所示,该系统可以包括:智能手机101与服务器102。
智能手机101与服务器102通过网络进行通信。当需要对用户A进行风险预测时,用户A或者目标区域的工作人员可以通过智能手机101向服务器102发送风险预测请求,以触发服务器102获取用户A用于风险预测的个体数据以用于后续的风险预测过程。或者,服务器102可以在通过相应设备监测到用户A进入目标区域时,获取用户A的风险数据以用于后续的风险预测过程。在一个应用场景中,该个体数据的部分数据或全部数据可以从智能手机101获取,也可以采用其他方式获取,在此不做限制。上述过程通过自动采集并处理用于风险预测的个体数据,并通过实施后续的风险管控相关过程,可以提高风险预测效率,以及能够提高风险预测的有效性。
图2为本发明实施例提出的一种风险管控方法的流程示意图,该方法应用于前述提及的电子设备,如图2所示,本实施例中的风险管控方法可以包括以下步骤:
S201:获取待测个体用于风险预测的个体数据。
其中,待测个体可以是指进入目标区域的个体、与传染病患者有密切接触的个体等,个体数据可以是指待测个体的身份信息、待测个体的危险因素信息、待测个体所在目标区域的特征信息中的至少一种。在一种实施例中,身份信息可以是指待测个体的性别、年龄,危险因素信息可以是指待测个体的体温、指示是否经过高风险地区的信息、指示是否有疑似症状的信息,例如:咳嗽、头晕、发烧等,所在目标区域的特征信息可以是指目标区域的面积、人流量、地理位置等。目标区域可以为某个场所的室内或某个公共区域、该场所如可以为商场或酒吧等场所。
在一种实施例中,电子设备可以是当接收到对待测个体的风险预测请求时,获取待测个体用于风险预测的个体数据。
在一种实施例中,电子设备可以是当通过相关设备监测到待测个体进入目标区域时,获取待测个体用于风险预测的个体数据。例如,相关设备可以为摄像设备等图像采集设备,或为待测个体的终端设备的定位装置等装置等设备,在此不一一列举。该摄像设备等图像采集设备可以设置在目标区域。
在一种实施例中,电子设备可以通过多种信息采集方式收集待测个体的个体数据,其中,可以通过信息关联获取待测个体的身份信息,例如关联身份证信息以获取待测个体的身份信息,还可以通过现场测量、电子问卷方式收集危险因素信息等。
S202:将个体数据作为风险预测模型的输入数据,由风险预测模型根据个体数据进行风险预测,得到待测个体的风险值。
本发明实施例中,电子设备预先训练好风险预测模型,在接收到待测个体的个体数据时,电子设备将个体数据输入到风险预测模型中,由风险预测模型输出待测个体的风险值,风险值可以表示待测个体被传染的概率。
在一种实施例中,风险预测模型可以是指预训练的梯度提升树模型,通过风险预测模型得到待测个体的风险值的过程可以是电子设备将用于风险预测的个体数据作为梯度提升树模型的输入数据,由预训练的梯度提升树模型包含的各决策树对个体数据进行特征划分,以确定个体数据在各决策树所在的叶子节点,并根据各叶子节点对应的数值确定待测个体的风险值。
在一种实施例中,所述梯度提升树模型可以是极端梯度模型XGboost。预训练的梯度提升树模型包括建立的K个决策树,由预训练的梯度提升树模型包含的K决策树对个体数据进行特征划分,以确定个体数据在K决策树中每个决策树所在的叶子节点,并根据个体数据在每个决策树所在叶子节点对应的数值确定待测个体的风险值。具体的,电子设备根据各叶子节点对应的数值确定待测个体的风险值的方法可以为:电子设备将各叶子节点对应的数值相加,输出的总的数值,该总的数值即为该待测个体的风险值。再如,如图3所示,预训练的梯度提升树模型含有两个决策树tree1和tree2,在tree1中,根据特征划分,待测个体1的个体数据被划分到a1节点,a1节点对应的数值为A1,待测个体2的个体数据被划分到a2节点,a2节点对应的数值为A2;在tree2中,待测个体1的个体数据和待测个体2的个体数据被划分到b1节点,b1节点对应的数值为B1,即待测个体1的风险值和待测个体2的风险值
在一种实施例中,对梯度提升树模型进行训练的具体方式可以为:获取训练样本集,该训练样本集可以包括多个训练样本,训练样本可以为待测个体的个体数据。假设,训练样本集为{(x1,y1),(x2,y2)…(xn,yn)},其中xn表示训练样本,yn表示训练样本对应的真实值。损失函数为正则化项为Ω(fk)。梯度提升树模型的优化目标是最小化目标函数:其中,∑kΩ(fk)表示K棵树的复杂度,i表示第i个样本,k表示第k棵树,表示第i个样本xi的预测值,且电子设备可以利用训练样本集构建梯度提升模型的K颗决策树,并生成包括该K棵决策树的梯度提升模型作为预训练的梯度提升模型。
S203:根据待测个体的风险值执行对应的安全防范策略。
在一种实施例中,执行对应的安全防范策略可以为,电子设备根据待测个体的风险值,确定待测个体所属的风险人群类别,例如,风险人群类别可以为低风险人群、中风险人群、高风险人群。在待测个体所属的风险人群类别为指定风险人群类别时,电子设备对目标人员进行预警提示。其中,目标人员可以是待测个体,还可以是待测个体所在目标区域的工作人员,进行预警提示可以是发送至目标人员对应的终端设备,预警提示可以用于提示该待测个体为指定风险人群类别,不允许该待测个体进行该目标区域等。
在一个实施例中,电子设备根据待测个体的风险值,确定待测个体所属的风险人群类别的过程可以为电子设备可以根据风险值与风险人群类别的对应关系,确定待测个体的风险等级对应的风险人群类型,并将待测个体的风险等级对应的风险等级类别确定为待测个体所属的风险人群类别。
在一种实施例中,执行对应的安全范围策略还可以为,电子设备根据待测个体的风险值确定待测个体的安全距离,并发送安全提示信息至待测个体对应的终端设备,例如通过短信发送至终端设备,安全提示信息至少包括待测个体的安全距离,该安全提示信息用于提示待测个体与其他个体至少需要保持的安全距离。
在一种实施例中,根据风险值确定安全距离的具体方式可以为,获取一些离散的样本(Q1,R1),(Q2,R2),…(Qn,Rn),该离散样本表示风险值为Q的个体应有安全距离R,将风险值Q作为自变量,R作为因变量,使用函数拟合方法,计算出一个表示风险值到安全距离的映射关系的表达式,将待测个体的风险值输入该表达式,计算得到待测个体的安全距离。
在一种实施例中,执行对应的安全范围策略还可以为,电子设备在确定出待测个体的安全距离之后,根据待测个体的安全距离确定待测个体的安全区域,当监测到待测个体的安全区域内存在其他个体时,电子设备对待测个体进行预警提示,其中,安全区域可以为以安全距离为半径的圆,进行预警提示的方式可以是发送提示信息至该待测个体的对应的终端设备,该提示信息可以用于提示该待测个体安全区域内存在其他个体,如图4a所示。
在一种实施例中,执行对应的安全范围策略还可以为,电子设备在确定出待测个体的安全区域之后,确定目标区域内各个体的安全区域的面积,电子设备根据目标区域内各个体的安全区域的面积,计算得到总的安全区域的面积,当总的安全区域的面积大于或等于预设面积时,电子设备输出预警提示信息,预警提示信息用于提示该目标区域内个体数达到上限,该预设面积是根据该目标区域的面积确定出的。其中,总的安全区域的面积可以为各个体的安全区域的面积之和,即预设面积可以表示达到目标区域预警条件时的面积,即Salert=S×α,如图4b所示,其中,S为目标区域的总面积,α为一个可调节参数,反映目标区域对风险的敏感程度,α越大,目标区域的敏感程度越低,代表目标区域能承受的总人数越多;α越小,目标区域的敏感程度越高,代表目标区域能承受的总人数越少,通过α能够灵活调整目标区域达到预警条件的面积,预警提示信息可以是发送到该目标区域的工作人员对应的终端设备,还可以是发送到该目标区域中各个体对应的终端设备,该目标区域的工作人员收到预警提示信息之后,可以通知相关部门采取风险控制措施,例如,限制人流、禁止安全区域面积较大的个体停留时间过长等。
本发明实施例中,电子设备获取待测个体用于风险预测的个体数据,并将个体数据作为风险预测模型的输入数据,由风险预测模型根据个体数据进行风险预测,得到待测个体的风险值,电子设备根据待测个体的风险值执行对应的安全防范策略。通过实施上述方法,可以有效提升风险防控的实时性,并在一定程度上提升管控效率和管控效果。
图5为本发明实施例提出的一种风险管控方法的流程示意图,该方法应用于前述提及的电子设备,如图5所示,本实施例中的风险管控方法可以包括以下步骤:
S501:获取待测个体用于风险预测的个体数据。其中,步骤S501的具体实施方式可以参见上述实施例中步骤S201的相关描述,此处不再赘述。
S502:将个体数据作为风险预测模型的输入数据,由风险预测模型根据个体数据进行风险预测,得到待测个体的风险值。
本发明实施例中,电子设备将用于风险预测的个体数据输入风险预测模型,得到待测个体的风险值,其中,风险值可以用于表示待测个体被传染的概率,风险值越高表明被传染的概率越高,即待测个体越危险,风险值越低表明被传染的概率越低,即待测个体越安全。
在一个实施例中,该风险预测模型可以为前述提及的预训练的梯度提升树模型。
在一种实施例中,风险预测模型可以是指随机森林模型,通过该风险预测模型得到待测个体的风险值的方式可以如下:电子设备将用于风险预测的个体数据作为随机森林模型的输入数据,由随机森林模型包含的各决策树对个体数据进行特征划分,以确定个体数据在各决策树所在的叶子节点,并根据各叶子节点的数值确定待测个体的风险值。例如,随机森林模型建立包括N个决策树,并且N个决策树中每个决策树所在的每个叶子节点对应一个数值,根据各叶子节点对应的数值确定待测个体的风险值。具体的,根据各叶子节点对应的数值确定待测个体的风险值的方法可以为:将待测个体所划分到各叶子节点对应的数值取平均值,该平均值值即为该待测个体的风险值。再如,随机森林包含三个决策树Tree1、Tree2和Tree3,在Tree1中,根据特征划分,待测个体的个体数据被划分到c1节点,c1节点对应的数值为C1;在Tree2中,根据特征划分,待测个体的个体数据被划分到d1节点,d1节点对应的数值为D1;在Tree3中,根据特征划分,待测个体的个体数据被划分到e1节点,e1节点对应的数值为E1,即待测个体的风险值为(C1+D1+E1)/3。
在一种实施例中,电子设备对随机森林模型进行训练的具体方式可以如下:电子设备获取训练样本集,该训练样本集可以包括多个训练样本,训练样本可以为待测个体的个体数据,电子设备构建训练样本集中各个训练样本对应的样本向量,并生成包括各个训练样本对应的样本向量的样本向量集合;电子设备从样本向量集合中抽取N个样本向量子集合,其中N小于样本向量集合中样本向量总数。具体的,抽取方式可以是从样本向量集合中随机抽取多个样本向量以构建样本向量子集合,更具体的,可以采取随机采样的方式,有放回的随机抽样,重复对样本向量集合进行N轮抽取,将每一轮抽取结果作为一个样本向量子集合,进而得到N个样本向量子集合,其中N个样本向量子集合之间相互独立,样本向量子集合之间可以存在重复的样本向量,其中,在样本向量集合中,未被抽取的样本向量可以用于对训练好的随机森林模型进行测试,以验证随机森林模型的正确性。需要说明的是,每轮抽取的样本向量的数量具体可以根据经验进行获取,或者根据不同的目标区域确定,此处不作限制;电子设备根据样本向量子集合使用随机森林算法进行决策树的构建,利用一个样本向量子集合构建一个决策树,从而得到N个决策树,每个决策树的节点都对应一个数值,利用N个决策树构建随机森林,得到风险预测模型。
在一个实施例中,电子设备可以将已进行风险预测的个体的风险值存储于数据库中,当电子设备对待测个体进行风险预测时,可以先查询数据库中是否储存有该待测个体的风险值:若不存在,则对该个体进行风险预测;若存在,则检测该风险值是否满足更新条件:若不满足更新条件,则直接调用该风险值;若满足更新条件,就重新对该待测个体进行风险预测,并将数据库中的风险值进行更新。其中,更新条件可以是检测该待测个体上次进行风险预测的时间,若时间超过预设的时间范围,则满足更新条件。或者,还可以为检测该待测个体的个体数据中重要的个体数据是否发生变化,若发生变化,则满足更新条件。例如,该待测个体上一次进行风险预测时未进入过高风险地区,此次进行风险预测时进入过高风险地区,则满足更新条件;或者,该待测个体上一次进行风险预测时未密切接触过传染病感染者,此次进行风险预测时密切接触过传染病感染者,则满足更新条件。
S503:获取目标区域内除待测个体之外的个体的风险值。
在一种实施例中,获取目标区域内除待测个体之外的各个体的风险值的具体方法可以同获取待测个体的风险值的方式,可以参见步骤S202或者S502,此处不再赘述。
S504:根据待测个体的风险值以及所述目标区域内除待测个体之外的个体的风险值,计算得到总的风险值。
在一种实施例中,总的风险值可以通过将待测个体的风险值和目标区域内除待测个体之外的各个体的风险值相加得到。或者,还可以先对待测个体的风险值和目标区域内除待测个体之外的各个体的风险值进行加权,再将各加权后的风险值求和得到加权总风险值。例如,风险值在0.7~1之间的个体权重为1.2,风险值在0.6~0.4之间的个体权重为1,风险值为0~0.3之间的个体权重为0.8,因此风险值为0.1的待测个体1、风险值为0.5的待测个体2和风险值为0.7的待测个体3的加权总风险值为0.1*0.8+0.5*1+0.7*1.2=1.42。
S505:当总的风险值大于或等于预设值时,输出预警提示信息。
在一种实施例中,预设值可以用于表示目标区域的预警风险值,当总的风险值大于或等于预警风险值时,表示该目标区域整体的风险偏高,其中,预设值的设置方法可以根据综合目标区域的人流量、面积、目标区域中各个体对应的风险值所处区间等因素得到。
在一个实施例中,预设值的设置方法还可以为,确定目标区域在预设时间范围内每一预设时段的风险总值,并根据预设时间范围内每一预设时段的风险总值确定风险阈值,即预设值。其中,预设时间范围内每一预设时段的风险总值可以是历史时间范围内每一预设时段的风险总值,例如过去一个月内每一个星期的风险总值。每一预设时段的风险总值可以是此期间目标区域内的各个体的风险值之和,或者,还可以为此期间目标区域内的各个体的加权风险值之和,每一预设时段的风险总值可以直观反映风险变化情况,确定风险阈值的具体方式可以为:将每个预设时段的风险总值离散成多个样本点,并基于多个样本点拟合成一个表示时间到风险总值的映射关系的函数,根据函数确定出目标区域的风险阈值。
在一种实施例中,预警提示信息可以是发送至该目标区域中待测个体和除待测个体之外的个体对应的终端设备,还可以是发送至该目标区域的工作人员对应的终端设备,工作人员收到预警提示信息之后,可以通知相关部门采取风险控制措施,例如,禁止目前目标区域中为较高风险值的个体继续停留在该目标区域。
本发明实施例中,电子设备获取待测个体用于风险预测的个体数据,并将个体数据作为风险预测模型的输入数据,由风险预测模型根据个体数据进行风险预测,得到待测个体的风险值,电子设备获取目标区域内除待测个体之外的个体的风险值,并根据待测个体的风险值以及所述目标区域内除待测个体之外的个体的风险值,计算得到总的风险值,当总的风险值大于或等于预设值时,电子设备输出预警提示信息。通过实施上述方式,可以实时了解目标区域的风险变化情况,并根据风险变化情况及时进行管控,提高了目标区域风险管控的效率和管控效果。
本申请涉及区块链技术,如可将个体数据与风险值一并加密后写入区块链。
下面将结合附图6对本发明实施例提供的一种风险管控装置进行详细介绍。需要说明的是,附图6所示的风险管控装置,用于执行本发明图2和图5所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示,经参照本发明图2和图5所示的实施例。
请参见图6,为本发明提供的一种风险管控装置的结构示意图,该构建知识图谱的装置600可包括:获取模块601、预测模块602、执行模块603。
获取模块601,用于获取待测个体用于风险预测的个体数据,所述个体数据包括所述待测个体的身份信息、所述待测个体的危险因素信息、所述待测个体所在目标区域的特征信息中的至少一种;
预测模块602,用于将所述个体数据作为风险预测模型的输入数据,由所述风险预测模型根据所述个体数据进行风险预测,得到所述待测个体的风险值;
执行模块603,用于根据所述待测个体的风险值执行对应的安全防范策略。
在一种实施例中,所述风险预测模型为预训练的梯度提升树模型,所述预测模块602,具体用于将所述个体数据作为风险预测模型的输入数据,由所述预训练的梯度提升树模型包括的各决策树对所述个体数据进行特征划分,以确定所述个体数据在所述各决策树所在的叶子节点,并根据所述各叶子节点的数值确定所述待测个体的风险值。
在一种实施例中,所述执行模块603,具体用于根据所述待测个体的风险值,确定所述待测个体所属的风险人群类别,在所述待测个体所属的风险人群类别为指定风险人群类别时,对目标人员进行预警提示。
在一种实施例中,所述执行模块603,具体用于根据所述待测个体的风险值确定所述待测个体的安全距离,发送安全提示信息至所述待测个体对应的终端设备,所述安全提示信息包括所述待测个体的安全距离,所述安全提示信息用于提示所述待测个体与其他个体至少保持所述安全距离。
在一种实施例中,所述方法还包括,根据所述待测个体的安全距离确定所述待测个体的安全区域,当检测到所述待测个体的安全区域内存在其他个体时,对所述待测个体进行预警提示。
在一种实施例中,所述方法还包括,确定所述目标区域内各个体的安全区域的面积,根据所述目标区域内各个体的安全区域的面积,计算得到总的安全区域的面积,当所述总的安全区域的面积大于或等于预设面积时,输出第一预警提示信息,所述第一预警提示信息用于提示所述目标区域内的个体数达到上限,所述预设面积是根据所述目标区域的面积确定出的。
在一种实施例中,执行模块603,具体用于获取所述目标区域内除所述待测个体之外的个体的风险值,根据所述待测个体的风险值以及所述目标区域内除所述待测个体之外的个体的风险值,计算得到总的风险值,当所述总的风险值大于或等于预设值时,输出第二预警提示信息,所述第二预警提示信息用于提示所述目标区域为高风险区域。
本发明实施例中,获取模块601获取待测个体用于风险预测的个体数据,所述个体数据包括所述待测个体的身份信息、所述待测个体的危险因素信息、所述待测个体所在目标区域的特征信息中的至少一种,预测模块602将所述个体数据作为风险预测模型的输入数据,由所述风险预测模型根据所述个体数据进行风险预测,得到所述待测个体的风险值,执行模块603用于根据所述待测个体的风险值执行对应的安全防范策略。通过实施上述方法,可以在一定程度上提升风险管控的实时性,以及有效提高管控效率和管控效果。
请参见图7,为本发明实施例提供的一种电子设备的结构示意图。如图7所示,该电子设备700包括:至少一个处理器701、输入设备702、输出设备703、存储器704、至少一个通信总线705。其中,输入设备702可以是控制面板或者麦克风等,输出设备703可以是显示屏等。其中,存储器704可以是高速RAM存储器,也可以是非不稳定的存储器(non-voIatiIememory),例如至少一个磁盘存储器。其中,通信总线705用于实现这些组件之间的连接通信。存储器704可选的还可以是至少一个位于远离前述处理器701的存储装置。其中处理器701可以结合图3所描述的装置,存储器704中存储一组程序代码,且处理器701,输入设备702,输出设备703调用存储器704中存储的程序代码,用于执行以下操作:
处理器701,用于获取待测个体用于风险预测的个体数据,所述个体数据包括所述待测个体的身份信息、所述待测个体的危险因素信息、所述待测个体所在目标区域的特征信息中的至少一种;
处理器701,用于将所述个体数据作为风险预测模型的输入数据,由所述风险预测模型根据所述个体数据进行风险预测,得到所述待测个体的风险值;
处理器701,根据所述待测个体的风险值执行对应的安全防范策略。
在一种实施例中,所述风险预测模型为预训练的梯度提升树模型,所述处理器701,具体用于:
将所述个体数据作为风险预测模型的输入数据,由所述预训练的梯度提升树模型包括的各决策树对所述个体数据进行特征划分,以确定所述个体数据在所述各决策树所在的叶子节点,并根据所述各叶子节点的数值确定所述待测个体的风险值。
在一种实施例中,所述处理器701,具体用于:
根据所述待测个体的风险值,确定所述待测个体所属的风险人群类别;
在所述待测个体所属的风险人群类别为指定风险人群类别时,对目标人员进行预警提示。
在一种实施例中,所述处理器701,具体用于:
根据所述待测个体的风险值确定所述待测个体的安全距离;
发送安全提示信息至所述待测个体对应的终端设备,所述安全提示信息包括所述待测个体的安全距离,所述安全提示信息用于提示所述待测个体与其他个体至少保持所述安全距离。
在一种实施例中,所述处理器701,具体用于:
根据所述待测个体的安全距离确定所述待测个体的安全区域;
当检测到所述待测个体的安全区域内存在其他个体时,对所述待测个体进行预警提示。
在一种实施例中,所述处理器701,具体用于:
确定所述目标区域内各个体的安全区域的面积;
根据所述目标区域内各个体的安全区域的面积,计算得到总的安全区域的面积;
当所述总的安全区域的面积大于或等于预设面积时,输出第一预警提示信息,所述第一预警提示信息用于提示所述目标区域内的个体数达到上限,所述预设面积是根据所述目标区域的面积确定出的。
在一种实施例中,所述基于所述目标实体和各个所述目标关联实体构建目标知识图谱之后,所述处理器701,具体用于:
获取所述目标区域内除所述待测个体之外的个体的风险值;
根据所述待测个体的风险值以及所述目标区域内除所述待测个体之外的个体的风险值,计算得到总的风险值;
当所述总的风险值大于或等于预设值时,输出第二预警提示信息,所述第二预警提示信息用于提示所述目标区域为高风险区域。
本发明实施例中,处理器701获取待测个体用于风险预测的个体数据,所述个体数据包括所述待测个体的身份信息、所述待测个体的危险因素信息、所述待测个体所在目标区域的特征信息中的至少一种,处理器701将所述个体数据作为风险预测模型的输入数据,由所述风险预测模型根据所述个体数据进行风险预测,得到所述待测个体的风险值,处理器701根据所述待测个体的风险值执行对应的安全防范策略。通过实施上述方式,基于目标实体和目标关联实体之间的相关性,获取到高相关性的目标关联实体,进而构建出高相关性的知识图谱,在一定程度上减少了构建知识图谱的工作量,同时获得了更加准确的信息。
本发明实施例中所述模块,可以通过通用集成电路,例如CPU(CentraIProcessing Unit,中央处理器),或通过ASIC(AppIication Specific IntegratedCircuit,专用集成电路)来实现。
应当理解,在本发明实施例中,所称处理器701可以是中央处理模块(CentraIProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitaISignaI Processor,DSP)、专用集成电路(AppIication Specific IntegratedCircuit,ASIC)、现成可编程门阵列(FieId-ProgrammabIe Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
通信总线705可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互联(PeripheraI Component,PCI)总线或扩展工业标准体系结构(EItended Industry Standard Architecture,EISA)总线等,该通信总线705可以分为地址总线、数据总线、控制总线等,为便于表示,图7仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本发明实施例还提供了一种计算机存储介质(Memory),所述计算机存储介质是电子设备中的记忆部件,用于存放程序和数据。可以理解的是,此处的计算机存储介质既可以包括电子设备中的内置存储介质,当然也可以包括电子设备所支持的扩展存储介质。计算机存储介质提供存储空间,该存储空间存储了电子设备的操作系统。并且,在该存储空间中还存放了适于被处理器701加载并执行的一条或多条的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是磁碟、光盘、只读存储记忆体(Read-OnIy Memory,ROM)或随机存储记忆体(Random Access Memory,RAM),也可以是非不稳定的存储器(non-volatile memory)等,例如至少一个磁盘存储器、至少一个高速RAM存储器,可选的还可以是至少一个位于远离前述处理器的计算机存储介质。
所述的计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
上面结合附图对本申请的实施例进行了描述,但是以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种风险管控方法,其特征在于,包括:
获取待测个体用于风险预测的个体数据,所述个体数据包括所述待测个体的身份信息、所述待测个体的危险因素信息、所述待测个体所在目标区域的特征信息中的至少一种;
将所述个体数据作为风险预测模型的输入数据,由所述风险预测模型根据所述个体数据进行风险预测,得到所述待测个体的风险值;
根据所述待测个体的风险值执行对应的安全防范策略。
2.如权利要求1所述的方法,其特征在于,所述风险预测模型为预训练的梯度提升树模型,所述将所述个体数据作为风险预测模型的输入数据,由所述风险预测模型根据所述个体数据进行风险预测,得到所述待测个体的风险值,包括:
将所述个体数据作为风险预测模型的输入数据,由所述预训练的梯度提升树模型包括的各决策树对所述个体数据进行特征划分,以确定所述个体数据在所述各决策树所在的叶子节点,并根据所述各叶子节点的数值确定所述待测个体的风险值。
3.如权利要求1或2所述的方法,其特征在于,所述根据所述待测个体的风险值执行对应的安全防范策略,包括:
根据所述待测个体的风险值,确定所述待测个体所属的风险人群类别;
在所述待测个体所属的风险人群类别为指定风险人群类别时,对目标人员进行预警提示。
4.如权利要求1或2所述的方法,其特征在于,所述根据所述待测个体的风险值执行对应的安全防范策略,包括:
根据所述待测个体的风险值确定所述待测个体的安全距离;
发送安全提示信息至所述待测个体对应的终端设备,所述安全提示信息包括所述待测个体的安全距离,所述安全提示信息用于提示所述待测个体与其他个体至少保持所述安全距离。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述待测个体的安全距离确定所述待测个体的安全区域;
当检测到所述待测个体的安全区域内存在其他个体时,对所述待测个体进行预警提示。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
确定所述目标区域内各个体的安全区域的面积;
根据所述目标区域内各个体的安全区域的面积,计算得到总的安全区域的面积;
当所述总的安全区域的面积大于或等于预设面积时,输出第一预警提示信息,所述第一预警提示信息用于提示所述目标区域内的个体数达到上限,所述预设面积是根据所述目标区域的面积确定出的。
7.如权利要求1所述的方法,其特征在于,所述根据所述待测个体的风险值执行对应的安全防范策略,包括:
获取所述目标区域内除所述待测个体之外的个体的风险值;
根据所述待测个体的风险值以及所述目标区域内除所述待测个体之外的个体的风险值,计算得到总的风险值;
当所述总的风险值大于或等于预设值时,输出第二预警提示信息,所述第二预警提示信息用于提示所述目标区域为高风险区域。
8.一种风险管控装置,其特征在于,包括:
获取模块,用于获取待测个体用于风险预测的个体数据,所述个体数据包括所述待测个体的身份信息、所述待测个体的危险因素信息、所述待测个体所在目标区域的特征信息中的至少一种;
预测模块,用于将所述个体数据作为风险预测模型的输入数据,由所述风险预测模型根据所述个体数据进行风险预测,得到所述待测个体的风险值;
执行模块,用于根据所述待测个体的风险值执行对应的安全防范策略。
9.一种电子设备,其特征在于,包括处理器、输入接口、输出接口和存储器,所述处理器、输入接口、输出接口和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265240.6A CN112382407A (zh) | 2020-11-12 | 2020-11-12 | 一种风险管控方法、装置、电子设备和存储介质 |
PCT/CN2021/096646 WO2022100062A1 (zh) | 2020-11-12 | 2021-05-28 | 风险管控方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265240.6A CN112382407A (zh) | 2020-11-12 | 2020-11-12 | 一种风险管控方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112382407A true CN112382407A (zh) | 2021-02-19 |
Family
ID=74583638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011265240.6A Pending CN112382407A (zh) | 2020-11-12 | 2020-11-12 | 一种风险管控方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112382407A (zh) |
WO (1) | WO2022100062A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113113154A (zh) * | 2021-04-16 | 2021-07-13 | 南方科技大学 | 一种传染病防控方法、装置、计算机设备及存储介质 |
CN113688251A (zh) * | 2021-07-27 | 2021-11-23 | 广东师大维智信息科技有限公司 | 一种室内体育赛事安保领域的知识图谱构建方法与系统 |
CN113707338A (zh) * | 2021-10-28 | 2021-11-26 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
CN114360737A (zh) * | 2021-12-20 | 2022-04-15 | 深圳云天励飞技术股份有限公司 | 确定个体风险的方法及装置 |
WO2022100062A1 (zh) * | 2020-11-12 | 2022-05-19 | 平安科技(深圳)有限公司 | 风险管控方法、装置、电子设备和存储介质 |
CN114580979A (zh) * | 2022-05-07 | 2022-06-03 | 中国科学院地理科学与资源研究所 | 高温防灾指数检测方法、装置、设备、存储介质及产品 |
CN115526434A (zh) * | 2022-11-07 | 2022-12-27 | 广东中思拓大数据研究院有限公司 | 对象信息预测方法、装置、计算机设备和存储介质 |
CN117273467A (zh) * | 2023-11-17 | 2023-12-22 | 江苏麦维智能科技有限公司 | 一种基于多因素耦合的工业安全风险管控方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108172301A (zh) * | 2018-01-31 | 2018-06-15 | 中国科学院软件研究所 | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 |
US20180260947A1 (en) * | 2015-07-31 | 2018-09-13 | Accenture Global Services Limited | Inventory, growth, and risk prediction using image processing |
CN110163481A (zh) * | 2019-04-19 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 电子装置、用户风控审核系统测试方法及存储介质 |
CN111354472A (zh) * | 2020-02-20 | 2020-06-30 | 戴建荣 | 一种传染病传播监测预警系统和方法 |
CN111403048A (zh) * | 2020-03-18 | 2020-07-10 | 唐宓 | 一种未知传染病预警及追溯方法 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 构建传染病趋势预测模型的方法、预测方法、装置及设备 |
CN111863271A (zh) * | 2020-06-08 | 2020-10-30 | 浙江大学 | 一种新冠肺炎的重大传染病传播风险预警及防控分析系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256327B (zh) * | 2017-05-05 | 2020-04-14 | 中国科学院深圳先进技术研究院 | 一种传染病防控方法及系统 |
CN111403047A (zh) * | 2020-03-17 | 2020-07-10 | 腾讯科技(成都)有限公司 | 疫情提示方法、装置、计算机设备和存储介质 |
CN111785380B (zh) * | 2020-07-01 | 2022-12-02 | 医渡云(北京)技术有限公司 | 传染性疾病患病风险等级的预测方法及装置、介质、设备 |
CN111863280A (zh) * | 2020-07-30 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 健康检测方法、系统、终端设备及存储介质 |
CN112382407A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 一种风险管控方法、装置、电子设备和存储介质 |
-
2020
- 2020-11-12 CN CN202011265240.6A patent/CN112382407A/zh active Pending
-
2021
- 2021-05-28 WO PCT/CN2021/096646 patent/WO2022100062A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260947A1 (en) * | 2015-07-31 | 2018-09-13 | Accenture Global Services Limited | Inventory, growth, and risk prediction using image processing |
CN108172301A (zh) * | 2018-01-31 | 2018-06-15 | 中国科学院软件研究所 | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 |
CN110163481A (zh) * | 2019-04-19 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 电子装置、用户风控审核系统测试方法及存储介质 |
CN111354472A (zh) * | 2020-02-20 | 2020-06-30 | 戴建荣 | 一种传染病传播监测预警系统和方法 |
CN111403048A (zh) * | 2020-03-18 | 2020-07-10 | 唐宓 | 一种未知传染病预警及追溯方法 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 构建传染病趋势预测模型的方法、预测方法、装置及设备 |
CN111863271A (zh) * | 2020-06-08 | 2020-10-30 | 浙江大学 | 一种新冠肺炎的重大传染病传播风险预警及防控分析系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022100062A1 (zh) * | 2020-11-12 | 2022-05-19 | 平安科技(深圳)有限公司 | 风险管控方法、装置、电子设备和存储介质 |
CN113113154A (zh) * | 2021-04-16 | 2021-07-13 | 南方科技大学 | 一种传染病防控方法、装置、计算机设备及存储介质 |
CN113688251A (zh) * | 2021-07-27 | 2021-11-23 | 广东师大维智信息科技有限公司 | 一种室内体育赛事安保领域的知识图谱构建方法与系统 |
CN113688251B (zh) * | 2021-07-27 | 2024-02-13 | 广东师大维智信息科技有限公司 | 一种室内体育赛事安保领域的知识图谱构建方法与系统 |
CN113707338A (zh) * | 2021-10-28 | 2021-11-26 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
CN114360737A (zh) * | 2021-12-20 | 2022-04-15 | 深圳云天励飞技术股份有限公司 | 确定个体风险的方法及装置 |
CN114580979A (zh) * | 2022-05-07 | 2022-06-03 | 中国科学院地理科学与资源研究所 | 高温防灾指数检测方法、装置、设备、存储介质及产品 |
CN115526434A (zh) * | 2022-11-07 | 2022-12-27 | 广东中思拓大数据研究院有限公司 | 对象信息预测方法、装置、计算机设备和存储介质 |
CN117273467A (zh) * | 2023-11-17 | 2023-12-22 | 江苏麦维智能科技有限公司 | 一种基于多因素耦合的工业安全风险管控方法及系统 |
CN117273467B (zh) * | 2023-11-17 | 2024-01-26 | 江苏麦维智能科技有限公司 | 一种基于多因素耦合的工业安全风险管控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022100062A1 (zh) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112382407A (zh) | 一种风险管控方法、装置、电子设备和存储介质 | |
CN111177714B (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
CN106548343B (zh) | 一种非法交易检测方法及装置 | |
CN106992994A (zh) | 一种云服务的自动化监控方法和系统 | |
CN107563549B (zh) | 一种基于bim模型的逃生路径生成方法、装置及设备 | |
CN111786974B (zh) | 一种网络安全评估方法、装置、计算机设备和存储介质 | |
CN112216402A (zh) | 基于人工智能的疫情预测方法、装置、计算机设备及介质 | |
CN113159482A (zh) | 一种用于评估信息安全风险的方法及系统 | |
CN109934723B (zh) | 一种医保欺诈行为识别方法、装置及设备 | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
CN109119137A (zh) | 一种异常检测方法、装置、服务器及存储介质 | |
CN110807117B (zh) | 一种用户关系预测方法及装置、计算机可读存储介质 | |
CN111815177A (zh) | 消防安全评估方法、服务器、系统及存储介质 | |
CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN114254867A (zh) | 一种电信诈骗受害人风险评估系统及方法 | |
CN114238033A (zh) | 板卡运行状态预警方法、装置、设备及可读存储介质 | |
CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
CN110769003B (zh) | 一种网络安全预警的方法、系统、设备及可读存储介质 | |
CN114580979B (zh) | 高温防灾指数检测方法、装置、设备、存储介质及产品 | |
CN108874619B (zh) | 一种信息监控方法、存储介质和服务器 | |
CN110852517B (zh) | 非正常行为预警方法、装置、数据处理设备及存储介质 | |
CN114978474A (zh) | 一种用户聊天风险等级自动处置方法及系统 | |
CN113673870A (zh) | 一种企业数据分析方法及相关组件 | |
CN116208513A (zh) | 网关的健康度预测方法及装置 | |
CN113743293A (zh) | 跌倒行为检测方法、装置、电子设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40039850 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |
|
RJ01 | Rejection of invention patent application after publication |