CN112613718B - 一种特定场所风险评估方法及装置 - Google Patents

一种特定场所风险评估方法及装置 Download PDF

Info

Publication number
CN112613718B
CN112613718B CN202011493586.1A CN202011493586A CN112613718B CN 112613718 B CN112613718 B CN 112613718B CN 202011493586 A CN202011493586 A CN 202011493586A CN 112613718 B CN112613718 B CN 112613718B
Authority
CN
China
Prior art keywords
risk
primary
value
factor
factors
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
Application number
CN202011493586.1A
Other languages
English (en)
Other versions
CN112613718A (zh
Inventor
李爱华
赵寅
李成林
张永强
李庄庄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Dayun Data Technology Co ltd
Original Assignee
Wuhan Dayun Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Dayun Data Technology Co ltd filed Critical Wuhan Dayun Data Technology Co ltd
Priority to CN202011493586.1A priority Critical patent/CN112613718B/zh
Publication of CN112613718A publication Critical patent/CN112613718A/zh
Application granted granted Critical
Publication of CN112613718B publication Critical patent/CN112613718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种特定场所风险评估方法，包括以下步骤：设置与特定场所情况相关的多个一级风险因子，设置每一所述一级风险因子相关的二级风险因子；获取待评估特定场所的历史资料，基于所述历史资料，采用机器学习的方式建立每一所述二级风险因子的预测模型；基于所述历史资料，采用决策树算法建立所述一级风险因子与其相关的二级风险因子之间的关系模型；基于各所述预测模型以及各所述关系模型计算一级风险因子系数；设置各一级风险因子的权重值，计算各一级风险因子系数的加权平均值和，得到风险预测值；对比所述风险预测值与风险实际值，实现对特定场所风险趋向的判断。本发明能够实现基于量化指标的特定场所风险评估，准确性高。

Description

一种特定场所风险评估方法及装置
技术领域
本发明涉及特定场所管理技术领域，尤其涉及一种特定场所风险评估方法、装置及计算机存储介质。
背景技术
目前国内大都采用定性研究方法对特定场所风险的各项指标进行评估和分析，特定场所管理者在风险评估过程中缺少必要的数据支持，只能凭借自身经验来决策，这在一定程度上影响了决策的准确性和效果。
发明内容
有鉴于此，有必要提供一种特定场所风险评估方法及装置，用以解决目前特定场所风险评估缺少数据支持、准确性低的问题。
本发明提供一种特定场所风险评估方法，包括以下步骤：
设置与特定场所情况相关的多个一级风险因子，设置每一所述一级风险因子相关的二级风险因子；
获取待评估特定场所的历史资料，基于所述历史资料，采用机器学习的方式建立每一所述二级风险因子的预测模型；
基于所述历史资料，采用决策树算法建立所述一级风险因子与其相关的二级风险因子之间的关系模型；
基于各所述预测模型以及各所述关系模型计算一级风险因子系数；
设置各一级风险因子的权重值，计算各一级风险因子系数的加权平均值和，得到风险预测值；
对比所述风险预测值与风险实际值，实现对特定场所风险趋向的判断。
进一步的，设置每一所述一级风险因子相关的二级风险因子，具体为：
根据设定时间段内的一级风险事件发生数量计算一级事件平均值以及一级事件稳定值；
根据所述一级事件平均值以及一级事件稳定值确定每一单位时间段内的一级风险变化倾向；
根据一级风险变化倾向确定每一单位时间段内相关的风险因子，将各单位时间段内的共同风险因子设置为相关的二级风险因子。
进一步的，各所述一级风险因子相关联的二级风险因子互不相关。
进一步的，基于所述历史资料，采用机器学习的方式建立每一所述二级风险因子的预测模型，具体为：
所述历史资料包括多个二级风险预测样本，所述二级风险预测样本包括二级风险因子样本值及其相关的特定场所信息值；
采用所述二级风险预测样本对机器学习模型进行训练，得到所述预测模型。
进一步的，基于所述历史资料，采用决策树算法建立所述一级风险因子与其相关的二级风险因子之间的关系模型，具体为：
所述历史资料包括多个一级风险决策样本，所述一级风险决策样本包括一级风险因子样本值及其相关的二级风险因子样本值；
根据所述一级风险决策样本计算一级风险因子的信息增益；
根据各一级风险因子的信息增益确定其优先级，构建决策树；
采用所述一级风险决策样本对所述决策树进行训练，得到所述关系模型。
进一步的，对比所述风险预测值与风险实际值，实现对特定场所风险趋向的判断，具体为：
计算风险实际值，如果风险预测值小于风险实际值，则特定场所风险趋向差，如果风险预测值不小于风险实际值，则特定场所风险趋向好。
进一步的，计算风险实际值，具体为：
根据一段时间内二级风险事件发生数量计算二级事件平均值和二级事件稳定值；
根据二级事件平均值和二级事件稳定值，计算所述风险实际值：
其中，M为风险实际值，Ri为第i个一级风险因子的权重，i＝1,2,…,m，m为一级风险因子数量，Xij为第i个一级风险因子的第j个二级风险因子值，Mj为第i个一级风险因子的第j个二级风险因子对应的平均值，Sj为第i个一级风险因子的第j个二级风险因子对应的稳定值。
进一步的，还包括：
每隔设定时间段，对选取的一级风险因子、二级风险因子以及各一级风险因子的权重值进行人工调整。
本发明还提供一种特定场所风险评估装置，包括处理器以及存储器，所述存储器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，实现所述特定场所风险评估方法。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现所述特定场所风险评估方法。
有益效果：本发明设置多个一级风险因子实现从多个角度对特定场所风险的评估。采用机器学习以及决策树算法实现对一级风险因子和二级风险因子的量化，计算得到特定场所的风险预测值。最后通过风险预测值与风险实际值的比较对特定场所风险的趋向进行判断，从而实现了基于量化指标的特定场所风险的评估，准确性和客观性相对人为评估方式来说，都大大提高。
附图说明
图1为本发明提供的特定场所风险评估方法第一实施例的方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
如图1所示，本发明的实施例1提供了特定场所风险评估方法，包括以下步骤：
S1、设置与特定场所情况相关的多个一级风险因子，设置每一所述一级风险因子相关的二级风险因子；
S2、获取待评估特定场所的历史资料，基于所述历史资料，采用机器学习的方式建立每一所述二级风险因子的预测模型；
S3、基于所述历史资料，采用决策树算法建立所述一级风险因子与其相关的二级风险因子之间的关系模型；
S4、基于各所述预测模型以及各所述关系模型计算一级风险因子系数；
S5、设置各一级风险因子的权重值，计算各一级风险因子系数的加权平均值和，得到风险预测值；
S6、对比所述风险预测值与风险实际值，实现对特定场所风险趋向的判断。
本实施例首先设置多个一级风险因子，多个一级风险因子从不同的角度、不同的侧面对特定场所风险进行体现。然后设置每一个一级风险因子相关的二级风险因子，二级风险因子用于具体描述和量化一级风险因子。使用机器学习相关算法对特定场所风险每项二级风险因子进行动态测算，每项二级风险系数使用不同的机器学习算法进行计算，每项一级风险因子系数使用决策树算法进行预测，推导出该一级风险因子的稳定性数值，即后期大概率可能达到的发生次数范围(频度)。通过风险实际发生的次数(频度)计算风险实际值，对比风险实际值和风险预测值，利用危险性风险差值分析算法进行汇总得出特定场所现行风险情况，对每一种风险因素进行预测，对比风险因素的实际值和预测值之间的差值来判断特定场所现在的风险趋向，准确的识别风险因子关键点，并对风险因子关键点进行预测，为特定场所风险分析提供更可靠的数据支撑，最大化的确保特定场所的安全。同时，在对上述特定场所风险因子关键点识别和对风险因子的预测的基础上，对特定场所风险因子按重要度排序，明确各个风险因子对整个特定场所的影响程度。
本实施例通过模型分析，对趋向恶化的风险因素提供可靠的量化标准，只需特定场所风险领域相关专家和学者针对二级风险因子相关的特定场所信息给出判断信息即可，可操作性较强。
优选的，设置每一所述一级风险因子相关的二级风险因子，具体为：
根据设定时间段内的一级风险事件发生数量计算一级事件平均值以及一级事件稳定值；
根据所述一级事件平均值以及一级事件稳定值确定每一单位时间段内的一级风险变化倾向；
根据一级风险变化倾向确定每一单位时间段内相关的风险因子，将各单位时间段内的共同风险因子设置为相关的二级风险因子。
每一个一级风险因子所对应的事件都可能在特定场所内部管理中发生，部分事件会经常发生，但事件的指标会趋向于一个稳定的数值，即可以承受发生的事件量化指标。
一级事件平均值：式中，M为一级事件平均值，Ai为设定时间段内第i个单位时间段的一级风险事件发生数量，i＝1,2,…,N，N为设定时间所包含的单位时间段数量；
一级事件稳定值：式中，S2为一级事件稳定值。
举例：一所特定场所近8年分别发生了990、1100、1010、700、1300、1200、800、900次不良情况，则该特定场所的情况的平均值为(990+1100+1010+700+1300+1200+800+900)/8＝1000次每年，而稳定值为[(1000-990)*2+(1000-1100)*2+(1000-1010)*2+(1000-700)*2+(1000-1300)*2+(1000-1200)*2+(1000-800)*2+(1000-900)*2]/8＝187.1。稳定值有正负，分别代表下限和上限，即上限为平均值加稳定值，下限为平均值减稳定值。判断每一年情况次数是否在上、下限之间，如果是，则一级风险趋向稳定，如果小于下限，则一级风险趋向变好，如果大于上限，则一级风险趋向变差，得到每一年的一级风险变化倾向。选取风险因子值变化倾向与一级风险变化倾向相同的风险因子作为一级风险的相关风险因子，各单位时间段筛选出的共同的相关风险因子，即二级风险因子。
优选的，各所述一级风险因子相关联的二级风险因子互不相关。
风险因子的选取是评估功能实现的前提，应当根据以下策略确定各风险因子：
一是互不相关性：即选取的二级风险因子要尽量互不相关，避免建模过程中各二级风险因子的相互影响或重复表达。
二是同等重要性：指选取的二级风险因子对一级风险事件发生是同等重要的，且要选取最重要的风险因子，不能使风险因子体系过于庞杂。
三是现实操作性：指的是在二级风险因子的选取上，要考虑到二级风险因子测量实际操作的难易。
四是指向一致性：指的是二级风险因子的选取要与模型设计的意图、测量方法三者之间有相同的目标指向。
五是指向持续性：指的是某些一级风险事件一定会发生，只要不超过一定的数值就是正常的。
本实施例通过对特定场所内部8年内的信息系统数据和档案数据中的特定场所危险性风险进行反向分析，找出这些危险性风险的共同特征，选取出6个一级风险因子以及18个二级风险因子对特定场所风险进行分析。
优选的，基于所述历史资料，采用机器学习的方式建立每一所述二级风险因子的预测模型，具体为：
所述历史资料包括多个二级风险预测样本，所述二级风险预测样本包括二级风险因子样本值及其相关的特定场所信息值；
采用所述二级风险预测样本对机器学习模型进行训练，得到所述预测模型。
本实施例采用不同的机器学习算法针对性的建立二级风险因子的预测模型：
优选的，基于所述历史资料，采用决策树算法建立所述一级风险因子与其相关的二级风险因子之间的关系模型，具体为：
所述历史资料包括多个一级风险决策样本，所述一级风险决策样本包括一级风险因子样本值及其相关的二级风险因子样本值；
根据所述一级风险决策样本计算一级风险因子的信息增益；
根据各一级风险因子的信息增益确定其优先级，构建决策树；
采用所述一级风险决策样本对所述决策树进行训练，得到所述关系模型。
优选的，对比所述风险预测值与风险实际值，实现对特定场所风险趋向的判断，具体为：
计算风险实际值，如果风险预测值小于风险实际值，则特定场所风险趋向差，如果风险预测值不小于风险实际值，则特定场所风险趋向好。
优选的，计算风险实际值，具体为：
根据一段时间内二级风险事件发生数量计算二级事件平均值和二级事件稳定值；
根据二级事件平均值和二级事件稳定值，计算所述风险实际值：
其中，M为风险实际值，Ri为第i个一级风险因子的权重，i＝1,2,…,m，m为一级风险因子数量，Xij为第i个一级风险因子的第j个二级风险因子值，Mj为第i个一级风险因子的第j个二级风险因子对应的平均值，Sj为第i个一级风险因子的第j个二级风险因子对应的稳定值。
最后根据权重值计算得到特定场所风险值。
优选的，还包括：
每隔设定时间段，对选取的一级风险因子、二级风险因子以及各一级风险因子的权重值进行人工调整。
通过风险评估结果，综合分析前期分析模型的运算结果和特定场所实时风险情况，通过综合研判并考虑分析数据的指标量化和分析数据的来源，可以新增、减少、调整现有的风险因子或对人工定义的权重进行调整。
特定场所所关注的风险在不同时期会有所不同，单项特定场所信息变量的数值运算时已经考虑了基本的权重加倍问题，所以不再单独考虑某项三级指标(三级指标即特定场所信息)的权重，只是对一级风险因子的权重进行人为调整。原则上每10年根据以往数据分析和集体研判后进行权重修正，调整的意图是突出和放大较易发生安全事件的因素。特定场所
实施例2
本发明的实施例2提供了特定场所风险评估装置，包括处理器以及存储器，所述存储器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，实现实施例1提供的特定场所风险评估方法。
本发明实施例提供的特定场所风险评估装置，用于实现特定场所风险评估方法，因此，特定场所风险评估方法所具备的技术效果，特定场所风险评估装置同样具备，在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例1提供的特定场所风险评估方法。
本发明实施例提供的计算机存储介质，用于实现特定场所风险评估方法，因此，特定场所风险评估方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种特定场所风险评估方法，其特征在于，包括以下步骤：
设置与特定场所情况相关的多个一级风险因子，设置每一所述一级风险因子相关的二级风险因子；
获取待评估特定场所的历史资料，基于所述历史资料，采用机器学习的方式建立每一所述二级风险因子的预测模型；
基于所述历史资料，采用决策树算法建立所述一级风险因子与其相关的二级风险因子之间的关系模型；
基于各所述预测模型以及各所述关系模型计算一级风险因子系数；
设置各一级风险因子的权重值，计算各一级风险因子系数的加权平均值和，得到风险预测值；
对比所述风险预测值与风险实际值，实现对特定场所风险趋向的判断，其中，计算风险实际值，具体为：
根据一段时间内二级风险事件发生数量计算二级事件平均值和二级事件稳定值；
根据二级事件平均值和二级事件稳定值，计算所述风险实际值：
；
其中，为风险实际值，/>为第/>个一级风险因子的权重，/>，/>为一级风险因子数量，/>为第/>个一级风险因子的第/>个二级风险因子值，/>为第/>个一级风险因子的第/>个二级风险因子对应的平均值，/>为第/>个一级风险因子的第/>个二级风险因子对应的稳定值；
设置每一所述一级风险因子相关的二级风险因子，具体为：
根据设定时间段内的一级风险事件发生数量计算一级事件平均值以及一级事件稳定值，其中，一级事件平均值为：；式中，/>为设定时间段内第/>个单位时间段的一级风险事件发生数量，/>，/>为设定时间所包含的单位时间段数量；一级事件稳定值为：/>；
根据所述一级事件平均值以及一级事件稳定值确定每一单位时间段内的一级风险变化倾向；
根据一级风险变化倾向确定每一单位时间段内相关的风险因子，将各单位时间段内的共同风险因子设置为相关的二级风险因子，其中，选取风险因子值变化倾向与一级风险变化倾向相同的风险因子作为一级风险的相关风险因子；
各所述一级风险因子相关联的二级风险因子具有互不相关性、同等重要性、现实操作性、指向一致性以及指向持续性。
2.根据权利要求1所述的特定场所风险评估方法，其特征在于，基于所述历史资料，采用机器学习的方式建立每一所述二级风险因子的预测模型，具体为：
所述历史资料包括多个二级风险预测样本，所述二级风险预测样本包括二级风险因子样本值及其相关的特定场所信息值；
采用所述二级风险预测样本对机器学习模型进行训练，得到所述预测模型。
3.根据权利要求1所述的特定场所风险评估方法，其特征在于，基于所述历史资料，采用决策树算法建立所述一级风险因子与其相关的二级风险因子之间的关系模型，具体为：
所述历史资料包括多个一级风险决策样本，所述一级风险决策样本包括一级风险因子样本值及其相关的二级风险因子样本值；
根据所述一级风险决策样本计算一级风险因子的信息增益；
根据各一级风险因子的信息增益确定其优先级，构建决策树；
采用所述一级风险决策样本对所述决策树进行训练，得到所述关系模型。
4.根据权利要求1所述的特定场所风险评估方法，其特征在于，对比所述风险预测值与风险实际值，实现对特定场所风险趋向的判断，具体为：
计算风险实际值，如果风险预测值小于风险实际值，则特定场所风险趋向差，如果风险预测值不小于风险实际值，则特定场所风险趋向好。
5.根据权利要求1所述的特定场所风险评估方法，其特征在于，还包括：
每隔设定时间段，对选取的一级风险因子、二级风险因子以及各一级风险因子的权重值进行人工调整。
6.一种特定场所风险评估装置，其特征在于，包括处理器以及存储器，所述存储器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，实现如权利要求1-5任一项所述的特定场所风险评估方法。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现如权利要求1-5任一项所述的特定场所风险评估方法。
CN202011493586.1A 2020-12-17 2020-12-17 一种特定场所风险评估方法及装置 Active CN112613718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011493586.1A CN112613718B (zh) 2020-12-17 2020-12-17 一种特定场所风险评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011493586.1A CN112613718B (zh) 2020-12-17 2020-12-17 一种特定场所风险评估方法及装置

Publications (2)

Publication Number Publication Date
CN112613718A CN112613718A (zh) 2021-04-06
CN112613718B true CN112613718B (zh) 2023-12-01

Family

ID=75240043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011493586.1A Active CN112613718B (zh) 2020-12-17 2020-12-17 一种特定场所风险评估方法及装置

Country Status (1)

Country Link
CN (1) CN112613718B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115001792A (zh) * 2022-05-27 2022-09-02 北京双湃智安科技有限公司 一种学习工业互联网安全感知体系的准确性评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016038643A (ja) * 2014-08-05 2016-03-22 行政院環境保護署 工場環境リスクソーティング方法
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
CN109858729A (zh) * 2018-12-05 2019-06-07 广东电网有限责任公司 一种配电网风险评估方法及装置
CN109872050A (zh) * 2019-01-23 2019-06-11 平安科技（深圳）有限公司 供应商风险评估处理方法、装置、计算机设备和存储介质
CN111815141A (zh) * 2020-06-29 2020-10-23 交通运输部公路科学研究所 获取互通式立交运行风险评估模型的方法及风险评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3087921A1 (fr) * 2018-10-31 2020-05-01 Amadeus S.A.S. Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016038643A (ja) * 2014-08-05 2016-03-22 行政院環境保護署 工場環境リスクソーティング方法
CN109858729A (zh) * 2018-12-05 2019-06-07 广东电网有限责任公司 一种配电网风险评估方法及装置
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
CN109872050A (zh) * 2019-01-23 2019-06-11 平安科技（深圳）有限公司 供应商风险评估处理方法、装置、计算机设备和存储介质
CN111815141A (zh) * 2020-06-29 2020-10-23 交通运输部公路科学研究所 获取互通式立交运行风险评估模型的方法及风险评估方法

Also Published As

Publication number Publication date
CN112613718A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN107958268A (zh) 一种数据模型的训练方法及装置
US20090292386A1 (en) System and Method for Automatic Virtual Metrology
Bjørnland et al. Weights and pools for a Norwegian density combination
CN110635952A (zh) 通信系统的故障根因分析方法、系统和计算机存储介质
White et al. Methodological tools
CN113408869A (zh) 一种配电网建设目标风险评估方法
CN112613718B (zh) 一种特定场所风险评估方法及装置
CN113935535A (zh) 一种面向中长期预测模型的主成分分析方法
CN114155048A (zh) 关联业务预测的方法、装置、电子设备及存储介质
CN112905435A (zh) 基于大数据的工作量评估方法、装置、设备及存储介质
CN117390580A (zh) 一种综合多特征的海洋热浪遥感识别方法
CN111177640A (zh) 一种数据中心运维工作绩效评价系统
JPH09233700A (ja) 日最大需要電力予測の信頼性評価方法
CN116738261A (zh) 基于聚类分箱的数值型特征离散化归因分析方法及装置
CN115934490A (zh) 服务器性能预测模型训练方法、装置、设备及存储介质
CN113657648B (zh) 一种多维数据融合的设备健康评估方法、装置及运维系统
CN113537759A (zh) 一种基于权重自适应的用户体验度量模型
CN117039855B (zh) 一种电力系统的负荷智能预测方法及系统
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
CN112116139A (zh) 一种电力需求预测方法及系统
CN112633622B (zh) 一种智能电网运营指标筛选方法
CN115618771B (zh) 一种cfd软件的可信度量化评价方法
CN117893100B (zh) 基于卷积神经网络的质量评价数据更新模型的构建方法
CN113569970B (zh) 量化特征指标对标签影响的分析方法、系统、介质和终端
CN117408742B (zh) 用户筛分方法及系统

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