CN113127606B - 基于知识图谱的施工行为安全风险分析与危险点识别方法 - Google Patents
基于知识图谱的施工行为安全风险分析与危险点识别方法 Download PDFInfo
- Publication number
- CN113127606B CN113127606B CN202110674797.3A CN202110674797A CN113127606B CN 113127606 B CN113127606 B CN 113127606B CN 202110674797 A CN202110674797 A CN 202110674797A CN 113127606 B CN113127606 B CN 113127606B
- Authority
- CN
- China
- Prior art keywords
- behavior
- knowledge graph
- construction
- probability
- nodes
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种基于知识图谱的施工行为安全风险分析与危险点识别方法,包括如下步骤:(1)根据相关施工安全事故报告建立施工安全事故知识图谱;(2)根据所述施工安全事故知识图谱获取事故发生数据,并通过修正灰聚类算法分析现场行为安全数据,计算施工现场安全风险等级;(3)通过灰关联分析方法计算行为指标关联度,追踪关键行为指标;(4)通过知识图谱路径推理算法识别关键行为指标相关危险位置。本发明通过引入知识图谱整合施工安全事故报告的客观数据,从知识图谱中提取风险特征数据,改进风险分析算法、支撑危险点识别,解决现有风险分析与危险点识别方法难以反映项目和地区特征以及主观不确定性问题。
Description
技术领域
本发明属于施工安全风险监控领域,具体涉及一种基于知识图谱的施工行为安全风险分析与危险点识别方法。
背景技术
据统计,建筑行业约有80%~90%的施工安全事故由人的不安全行为导致,许多研究从工人行为出发进行施工安全管理。行为安全(Behavior-Based Safety)是管理工人行为以实现施工安全管理的有效方法。目前的研究通常根据行为安全内容制定行为指标体系以界定不安全行为、采集不安全行为数据,由管理人员根据数据进行安全风险分析,进而根据风险分析结果关联出影响风险变化的关键行为指标,最后识别与关键行为指标相关的危险点作为采取安全措施计划的依据。
但以往基于行为安全的风险分析和危险点识别两个步骤中,风险等级的定义和通过关键行为指标识别危险点均依赖较主观的专家经验。依赖专家主观经验存在主观不确定性问题且难以反映项目和地区的风险特征,进而无法准确分析风险并识别危险点,这可能导致施工安全措施计划失效。
针对施工安全风险分析方法中人为因素带来的不确定性问题,一些学者采用层次分析法、模糊综合评价等方法优化评估指标权重并进行综合评估。吴贤国等基于贝叶斯网络理论提出一种地铁施工风险管理方法,用以分析敏感性致险因素。也有学者以云模型处理施工安全风险评价过程的不确定性和随机性的优点为基础,结合CRITIC、贝叶斯网络等建立风险评估模型。陈士广等创建了基于熵值法和相对差异函数的风险评估模型以评估公路施工安全风险。杨奇等将SNA融合进传统的风险概率和损失的评估方法,形成PRA/SNA风险等级评估方法,服务于安全风险管理。Lee等提出基于行为安全与灰聚类算法的施工安全风险评估方法。这些风险分析方法通过改进算法和模型能在一定程度上降低人为因素的不确定性影响,但仍然缺乏客观数据支撑且不能反映项目和地区的风险特征。
发明内容
为解决以上问题,本发明提出一种基于知识图谱的施工行为安全风险分析与危险点识别方法,通过引入知识图谱整合施工安全事故报告的客观数据,从知识图谱中提取风险特征数据,改进风险分析算法、支撑危险点识别,解决难以反映项目和地区特征以及主观不确定性问题。
为实现上述目的,本发明采用如下技术方案:
基于知识图谱的施工行为安全风险分析与危险点识别方法,包括如下步骤:
(1)根据相关施工安全事故报告建立施工安全事故知识图谱,施工安全事故知识图谱的节点为施工安全事故的关键概念,节点关系为关键概念之间的联系,节点之间由一个或多个关系建立的通路称为路径,所述节点包括行为指标节点,节点中包含案例编号属性;所述节点关系包括导致关系,导致关系中包含次数属性;
(2)根据所述施工安全事故知识图谱获取事故发生数据,并通过修正灰聚类算法分析现场行为安全数据,计算施工现场安全风险等级,所述修正灰聚类算法是指通过给转折点基本值λc k中引入一个修正系数γc,进而计算灰聚类系数σi k,通过灰聚类系数σi k判断施工现场安全风险等级;
公式(Ⅰ)中,γc为第c类行为指标修正系数,αc∈[0,1]为调整系数,tc为第c类行为指标导致安全事故的总次数,σi k为第i周时第k类风险等级的灰聚类系数,k为第k类风险等级,fc k(xi(c))为第i周的评价值xi(c)对应的可能度函数值,λc k为第c类行为指标的转折点基本值,n为n类行为指标;
(3)通过灰关联分析方法计算行为指标关联度,并根据所述行为指标关联度追踪关键行为指标;
(4)通过知识图谱路径推理算法识别关键行为指标相关危险位置。
进一步地,步骤(1)中所述节点还包括作业活动节点、伤害类型节点、位节点置、安全事故节点、媒介物节点、事故原因节点、防护对策节点。
进一步地,步骤(1)中所述施工安全事故知识图谱存储在Neo4j图数据库。
进一步地,步骤(4)中利用Neo4j图数据库查询语言Cypher进行查询关键行为指标的危险位置。
进一步地,步骤(4)中还对行为指标相关危险位置的发生概率进行计算,并按照概率进行排序;所述概率包括单路径概率与和路径概率,单路径概率如公式(Ⅱ):
公式(Ⅱ)中,Ps r为行为指标r造成伤害类型s发生的概率,Nr s为行为指标r造成伤害类型s的“案例编号”集合的长度,Nr为行为指标r的“案例编号”集合的长度;Pst r为行为指标r在位置t造成伤害类型s的概率,Nst r为行为指标r在位置t造成伤害类型s的“案例编号”集合的长度;
和路径概率如公式(Ⅲ):
公式(Ⅲ)中,Pt r为行为指标r在位置t造成所有伤害类型的概率,Pst r为行为指标r在位置t造成伤害类型s的概率,m为伤害类型的数量。
本发明具有以下有益效果:
(1)结构化整理事故报告中描述事故的知识要素,使用Neo4j构建施工安全事故知识图谱将离散的知识整合,形成图数据库,能以客观的数据支撑算法的改进和危险点的推理,实现施工安全事故知识的重用,为施工安全方面的数据分析与决策提供有效数据;施工安全事故知识图谱的所有数据均来自实际事故案例,客观且不断更新,进而使风险分析算法和危险识别方法保持动态性;建立具有扩展性的知识图谱架构,使得新进事故报告案例能快速、方便地整合入既有知识图谱。
(2)从知识图谱中提取项目和地区风险特征数据,以客观数据修正灰聚类算法中由专家主观定义的风险等级可能度函数,风险等级可能度函数随知识图谱的更新而不断修正,能够反映事故的项目或地区特征及时段特征,分析结果更准确且符合实际。
(3)利用路径推理算法,推理与关键指标相关的所有危险点概率并排序,进而识别出关键危险点,取代以往依靠人的主观经验判断的方式,大幅减少人为因素影响,推理结果客观准确。同时,安全管理人员可结合各个危险点的概率及时调整安全措施规划。
附图说明
图1为本发明的方法流程图。
图2为本发明的施工安全事故知识图谱构架图。
图3为本发明的低风险-时间演化图。
图4为本发明的中风险-时间演化图。
图5为本发明的高风险-时间演化图。
具体实施方式
如图1所示,本实施例提供的一种基于知识图谱的施工行为安全风险分析与危险点识别方法包括如下步骤:
(1)根据相关施工安全事故报告建立施工安全事故知识图谱,首先根据相关施工安全事故报告形成主要包括施工安全事故、行为安全相关的行为指标与伤害类型及位置等结构化表格,如表1所示,所述施工安全事故知识图谱包括数类节点,节点与节点通过关系连接;节点为施工安全事故的关键概念,与表1中的表头(除案例编号)相对应,节点关系为关键概念之间的联系,如表1中每列的内容为节点的实例,节点之间由一个或多个关系建立的通路称为路径,建立的施工安全事故知识图谱构架如图2所示,所述节点包括行为指标节点、作业活动节点、伤害类型节点、位节点置、安全事故节点、媒介物节点、事故原因节点、防护对策节点,所述行为指标节点定义为行为指标的类别,本实施例将行为指标的类别划分为5类,分别为肢体行为C1、穿戴防具C2、工作因素C3、工具和设备C4以及环境组织C5,每类行为指标的类别下对应多种子类别;所述节点关系包括导致关系、造成关系、位于关系、引发关系、归因于关系等,所述导致关系中包含次数属性,以整数类型记录行为指标节点实例导致安全事故的次数;所述案例编号以字符串类型的属性储存于各节点中,记录节点实例来源的施工安全事故报告编号,本实施例以“行为指标”、“安全事故”、“伤害类型”、“位置”4类节点,“次数”和“案例编号”2个属性支撑后续基于图谱修正的施工行为安全风险分析方法和概率推理。
表1施工安全事故报告的结构化表格
将表1中知识要素按照图2所示施工安全事故知识图谱架构导入Neo4j图数据库,完成知识图谱节点实例与实例继承的节点关系的建立。
(2)根据所述施工安全事故知识图谱获取事故发生数据,并通过修正灰聚类算法分析现场行为安全数据,计算施工现场安全风险等级。
所述修正聚类算法是指通过给转折点基本值λc k中引入一个修正系数γc,进而计算灰聚类系数σi k,通过灰聚类系数σi k判断施工现场安全风险等级;
公式(Ⅰ)中,γc为第c类行为指标修正系数,行为指标总计有n类,αc∈[0,1]为调整系数,αc由管理人员取值,以防止某类行为指标导致安全事故的概率明显不符合实际情况,进而使修正系数过高或过低,tc为第c类行为指标导致安全事故的总次数,σi k为第i周时、第k类风险等级的灰聚类系数,fc k(xi(c))为第i周的评价值为xi(c)时对应的可能度函数值,λc k为转折点基本值,转折点基本值是可能度函数定量描述评价值属于某个风险等级的标志点,由专家根据行为指标可能导致事故的发生概率和后果预先定义。
(3)通过灰关联分析方法计算行为指标与风险等级的关联度,并根据所述行为指标关联度追踪关键行为指标。具体地,首先,令R0=(r0(1), r0(2),…, r0(n))为高风险序列,表示所关注时间点前n周的高风险灰聚类系数,其中r为高风险的灰聚类系数,令Rj=(rj(1), rj(2),…, rj(n))为行为指标序列,表示行为指标j连续n周的不安全行为次数,使序列平均值处理,,,其中,与分别为R0、Rj序列的平均值;再计算两序列的分项绝对差值序列,分项△j(n)计算如下:,使和分别为所有序列△j分项中的最大值和最小值。然后计算灰关联系数,定义行为指标序列与高风险序列的灰关联系数为ηj(n),;其中为分辨系数,由人为取值定义。最后,将关联系数的平均值定义为行为指标j与高风险的灰关联度:,得出每个行为指标的灰关联度后,按照从大到小的顺序排序,靠前的几个行为指标即为关键行为指标。
(4)通过知识图谱路径推理算法识别关键行为指标相关危险位置;由图2所示知识图谱架构可以看到,在施工事故报告中,行为指标与危险位置中存在中间节点伤害类型。因此在推理关键路径前,需查询与关键行为指标相关的所有伤害类型以及与伤害类型相关的所有危险位置。而后通过计算关键行为指标在各危险位置发生的概率,最终定位关键危险位置。
由于本实施例的知识图谱存储于Neo4j图数据库中,各行为指标实例、伤害类型实例、位置实例及它们的关系可利用Neo4j图数据库查询语言Cypher进行查询,各实例属性可同时调用。查询所有行为指标的Cypher语句[match p = (:'行为指标')-[:`造成`]->(:'伤害类型')-[:`位于`]->(:'位置') return p]。
某特定的行为指标、伤害类型与位置形成一条通路,定义为单路径,某行为指标实例与某位置实例之间通常是多路径关系,并以为和路径。
单路径概率:单路径包括行为指标“造成”伤害类型、以及该伤害类型被“造成”的条件下“位于”的位置。
其中,行为指标“造成”伤害类型的单路径概率为:在知识图谱查询得到行为指标r的“案例编号”属性,查询结果为一个“案例编号”集合Cr,案例个数为Cr的长度记为Nr。同时,查询伤害类型s的“案例编号”属性,并与Cr取交集得到Cs r,交集的案例个数记为Ns r,即Cs r的长度。则行为指标r造成伤害类型s的发生概率Ps r=Ns r/Nr。
该伤害类型被“造成”的条件下“位于”的位置的概率为:查询位置t的“案例编号”属性,并Cs r与取交集得到Cst r,交集的案例个数为其长度记为Nst r,则依据条件概率,行为指标r在位置t造成伤害类型s的概率Pst r=Nst r/Nr。
将本实施例提供的基于知识图谱的施工行为安全风险分析与危险点识别方法运用实际施工现场。
从知识图谱中提取数据,由公式(Ⅰ)计算出各类行为指标的修正系数,结果如表2所示,因各类行为指标导致的安全事故的概率符合实际情况,公式(Ⅰ)中调整系数αc均取1。
表2 各类行为指标次数总计值与修正系数
根据修正前后的可能度函数计算风险等级的灰聚类系数,并分别绘制修正前后的低、中、高三种风险的风险-时间演化折线图进行对比,如图3~5所示,各级风险-时间演化图表明:修正后,低风险的灰聚类系数趋于减小,中风险的灰聚类系数有增有减,而高风险的灰聚类系数趋于增大,灰聚类系数的变化趋势与可能度函数值相同;而整体上,较高风险等级的灰聚类系数增大,则更可能分析为较高风险等级,即修正了既有算法对风险的过低估计。
在所观察的50周中,后20周的平均不安全行为次数较前30周明显上升,而修正后的风险-时间演化图显示高风险折线明显上升,更符合实际情况,证明基于知识图谱修正的施工行为安全风险分析方法的可行、有效。
各行为指标的平均值如下:
则高风险与行为指标的差值序列:
其中△max=1.479,△min=0.007。
进一步计算灰关联系数ηj(n)与灰关联度gj:
其中,灰关联度最大的行为指标为g26=0.820,对应行为指标C2.6穿戴防具中的脚部防具。
(3)危险点识别
根据上述行为指标追踪结果,在知识图谱中推理与行为指标相关的危险位置及其发生概率,得到该行为指标造成伤害发生时最可能的位置是“屋顶”,概率为0.5;其次是“楼面开口”和“造型墙”,概率均为0.25,此处危险位置即为危险点,管理人员可据此改进施工安全措施规划。
以上所述仅是本发明优选的实施方式,但本发明的保护范围并不局限于此,任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。
Claims (3)
1.基于知识图谱的施工行为安全风险分析与危险点识别方法,其特征在于包括如下步骤:
(1)根据相关施工安全事故报告建立施工安全事故知识图谱,施工安全事故知识图谱的节点为施工安全事故的关键概念,节点关系为关键概念之间的联系,节点之间由一个或多个关系建立的通路称为路径,所述节点包括行为指标节点,节点中包含案例编号属性;所述节点关系包括导致关系,导致关系中包含次数属性,其中,所述施工安全事故知识图谱存储在Neo4j图数据库;
(2)根据所述施工安全事故知识图谱获取事故发生数据,并通过修正灰聚类算法分析现场行为安全数据,计算施工现场安全风险等级,所述修正灰聚类算法是指通过给转折点基本值λc k中引入一个修正系数γc,进而计算灰聚类系数σi k,通过灰聚类系数σi k判断施工现场安全风险等级;
公式(Ⅰ)中,γc为第c类行为指标修正系数,αc∈[0,1]为调整系数,tc为第c类行为指标导致安全事故的总次数,σi k为第i周时第k类风险等级的灰聚类系数,k为第k类风险等级,fc k(xi(c))为第i周的评价值xi(c)对应的可能度函数值,λc k为第c类行为指标的转折点基本值,n为n类行为指标;
(3)通过灰关联分析方法计算行为指标关联度,并根据所述行为指标关联度追踪关键行为指标,具体包括如下步骤:首先,令R0=(r0(1), r0(2),…, r0(n))为高风险序列,表示所关注时间点前n周的高风险灰聚类系数,其中r为高风险的灰聚类系数,令Rj=(rj(1), rj(2),…, rj(n))为行为指标序列,表示行为指标j连续n周的不安全行为次数,使序列平均值处理,,,其中,与分别为R0、Rj序列的平均值;
(4)通过知识图谱路径推理算法识别关键行为指标相关危险点,再利用Neo4j图数据库查询语言Cypher进行查询关键行为指标的危险位置。
2.根据权利要求1所述的基于知识图谱的施工行为安全风险分析与危险点识别方法,其特征在于:步骤(1)中所述节点还包括作业活动节点、伤害类型节点、位置节点、安全事故节点、媒介物节点、事故原因节点、防护对策节点。
3.根据权利要求1所述的基于知识图谱的施工行为安全风险分析与危险点识别方法,其特征在于:步骤(4)中还对行为指标相关危险点的发生概率进行计算,并按照概率进行排序;所述概率包括单路径概率和和路径概率,单路径概率如公式(Ⅱ):
公式(Ⅱ)中,Ps r为行为指标r造成伤害类型s发生的概率,Nr s为行为指标r造成伤害类型s的“案例编号”集合的长度,Nr为行为指标r的“案例编号”集合的长度;Pst r为行为指标r在位置t造成伤害类型s的概率,Nst r为行为指标r在位置t造成伤害类型s的“案例编号”集合的长度;
和路径概率如公式(Ⅲ):
公式(Ⅲ)中,Pt r为行为指标r在位置t造成所有伤害类型的概率,Pst r为行为指标r在位置t造成伤害类型s的概率,m为伤害类型的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674797.3A CN113127606B (zh) | 2021-06-18 | 2021-06-18 | 基于知识图谱的施工行为安全风险分析与危险点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674797.3A CN113127606B (zh) | 2021-06-18 | 2021-06-18 | 基于知识图谱的施工行为安全风险分析与危险点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113127606A CN113127606A (zh) | 2021-07-16 |
CN113127606B true CN113127606B (zh) | 2021-08-31 |
Family
ID=76783202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110674797.3A Active CN113127606B (zh) | 2021-06-18 | 2021-06-18 | 基于知识图谱的施工行为安全风险分析与危险点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113127606B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656600B (zh) * | 2021-08-23 | 2022-04-29 | 东北农业大学 | 一种基于知识图谱的dhi报告解读方法、系统及存储介质 |
CN114064922B (zh) * | 2021-11-18 | 2023-07-14 | 西南交通大学 | 一种基于第三方云平台的服务价值链多链知识图谱构建方法 |
CN113807751B (zh) * | 2021-11-19 | 2022-03-04 | 鑫安利中(北京)科技有限公司 | 一种基于知识图谱的安全风险等级评定方法及系统 |
CN115063056B (zh) * | 2022-08-18 | 2022-11-18 | 西南交通大学 | 基于图拓扑分析改进的建造行为安全风险动态分析方法 |
CN115730831B (zh) * | 2023-01-10 | 2023-06-06 | 北京迈道科技有限公司 | 施工作业组织行为的安全指数评估方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535733A (zh) * | 2014-12-18 | 2015-04-22 | 西安建筑科技大学 | 一种基于灰色聚类分析法的城市内湖水环境功能指标评价方法 |
CN109146259A (zh) * | 2018-07-30 | 2019-01-04 | 华北电力大学 | 一种基于灰色聚类评估的独立售电公司发展潜力评价方法 |
CN110737729A (zh) * | 2019-10-21 | 2020-01-31 | 上海玟祎信息科技有限公司 | 基于知识图谱理念和技术的工程图谱数据信息管理方法 |
CN112149962A (zh) * | 2020-08-28 | 2020-12-29 | 中国地质大学(武汉) | 一种施工事故致因行为的风险定量评估方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877027A (zh) * | 2009-11-23 | 2010-11-03 | 天津渤海化工集团公司劳动卫生研究所 | 基于风险分析的工作场所职业危害评价技术 |
CN108445750B (zh) * | 2017-02-16 | 2022-04-08 | 法拉第未来公司 | 用于车辆运动规划的方法和系统 |
EP3850546A4 (en) * | 2018-09-10 | 2022-06-15 | Drisk, Inc. | SYSTEMS AND PROCEDURES FOR GRAPH-BASED AI TRAINING |
CN111160700A (zh) * | 2019-11-27 | 2020-05-15 | 国网江苏省电力有限公司盐城供电分公司 | 基于泛在电力物联网的配网施工安全质量管控方法及平台 |
CN111191880B (zh) * | 2019-12-13 | 2022-08-16 | 华能澜沧江水电股份有限公司 | 一种基于数字化映射的边坡全生命周期安全管理方法 |
CN111475613A (zh) * | 2020-03-06 | 2020-07-31 | 深圳壹账通智能科技有限公司 | 案件分类方法、装置、计算机设备及存储介质 |
CN112288278A (zh) * | 2020-10-30 | 2021-01-29 | 云南电网有限责任公司电力科学研究院 | 一种基于知识图谱的设备资产管理方法 |
-
2021
- 2021-06-18 CN CN202110674797.3A patent/CN113127606B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535733A (zh) * | 2014-12-18 | 2015-04-22 | 西安建筑科技大学 | 一种基于灰色聚类分析法的城市内湖水环境功能指标评价方法 |
CN109146259A (zh) * | 2018-07-30 | 2019-01-04 | 华北电力大学 | 一种基于灰色聚类评估的独立售电公司发展潜力评价方法 |
CN110737729A (zh) * | 2019-10-21 | 2020-01-31 | 上海玟祎信息科技有限公司 | 基于知识图谱理念和技术的工程图谱数据信息管理方法 |
CN112149962A (zh) * | 2020-08-28 | 2020-12-29 | 中国地质大学(武汉) | 一种施工事故致因行为的风险定量评估方法及系统 |
Non-Patent Citations (3)
Title |
---|
Investigation of Grey System Theory in Engineering Projeck Risk Management;YANG Wanbin et al.;《2009 Second International Conference on Intelligent Computation Technology and Automation》;20091016;395-398 * |
基于熵算法改进的故障树-云模型风险分析方法;龙丹冰 等;《安全与环境学报》;20210526;1-12 * |
灰色系统理论在安全工程领域的应用及辅助软件研究;潘威霖;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190415;A003-2 * |
Also Published As
Publication number | Publication date |
---|---|
CN113127606A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113127606B (zh) | 基于知识图谱的施工行为安全风险分析与危险点识别方法 | |
Sheu | Dynamic relief-demand management for emergency logistics operations under large-scale disasters | |
Lam et al. | A fuzzy neural network approach for contractor prequalification | |
CN102098180B (zh) | 一种网络安全态势感知方法 | |
CN109540212A (zh) | 一种基于大数据的电缆井状态评估预警系统及方法 | |
CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
CN106067088A (zh) | 电子银行访问行为的检测方法和装置 | |
Wang et al. | Benefit/cost analysis using fuzzy concept | |
Garg et al. | A two-phase approach for reliability and maintainability analysis of an industrial system | |
CN112712230A (zh) | 一种电力现场作业风险管控方法及系统 | |
CN114971356A (zh) | 一种电力工程项目进度预测系统及方法 | |
CN115063056B (zh) | 基于图拓扑分析改进的建造行为安全风险动态分析方法 | |
CN116822769A (zh) | 基于人工智能的智能交通路线优化系统 | |
Silva Filho et al. | A decision-making tool for demand forecasting of blood components | |
JP2006163465A (ja) | 医療情報分析装置、方法及びプログラム | |
CN115481940A (zh) | 一种基于大数据的油气管道区域风险监测系统 | |
CN116843399B (zh) | 一种基于平衡状态的工程造价分析方法及系统 | |
Steinman et al. | Predicting effects of defoliation on spruce—fir stand development: a management-oriented growth and yield model | |
CN112434955B (zh) | 一种基于多数据融合的配网线路运行风险感知方法 | |
Damayanti et al. | Model identification for prediction of dengue fever disease spreading using Bat Algorithm and backpropagation | |
Rajeswari et al. | Predicting Employee Attrition through Machine Learning | |
CN114792152A (zh) | 一种综合考虑主客观影响因素的配电线路故障率预测方法 | |
Mozafari et al. | A method for clustering Bank customers using RFM model and three parameter Grey numbers | |
Hanka | Analysis of time series and forecasting on the basis of stationary fuzzy-Markov processes | |
CN114492877B (zh) | 一种业务系统的运维分析方法及装置 |
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 |