CN113919704A - 一种基于大数据的人员风险防控方法及装置 - Google Patents
一种基于大数据的人员风险防控方法及装置 Download PDFInfo
- Publication number
- CN113919704A CN113919704A CN202111195722.3A CN202111195722A CN113919704A CN 113919704 A CN113919704 A CN 113919704A CN 202111195722 A CN202111195722 A CN 202111195722A CN 113919704 A CN113919704 A CN 113919704A
- Authority
- CN
- China
- Prior art keywords
- risk
- personnel
- model
- prevention
- event
- 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
- 230000002265 prevention Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 28
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- 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)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的人员风险防控方法及装置,该方法包括:步骤1,采集城市事件数据,构建人员防控等级分类模型,对风险人员进行分类;步骤2,基于高风险人员的出行数据,分析每个高风险人员的出行规律,标记出每个高风险人员的异动行为;步骤3,基于风险人员的事件数据,构建人员风险防控模型;步骤4,基于出行数据和异动行为,对初步人员风险防控模型进行优化;通过对人员风险预测,帮助工作人员提前预知风险人员可能做出的风险事件,提高工作效率,大大减少防控工作中耗费的人力物力,减轻工作人员的负担。
Description
技术领域
本发明涉及大数据与社会治理研究领域,具体涉及一种基于大数据的人员风险防控方法及装置。
背景技术
随着社会人口的不断增长和法律制度的不断完善,对于一些重点人员的管控方式不能和以往一样简单粗暴,需要更加精细的人员防控。然而,传统人员防控预警主要依靠人工来进行,随着社会人口的逐渐增加,传统人员防控预警严重依赖人工来进行,需要花费大量人力物力去进行背景调查,需要相关工作人员熟悉不同人员的详细情况,费时费力。同时,需要依赖评估人员的背景知识和行业经验,需要相关工作人员熟悉不同重点人员的详细情况。可能存在由于相关工作人员的疏忽,导致管控不到位的情况出现。随着大数据和人工智能技术的发展,智能风控技术开始得到越来越多的重视和应用。
发明内容
为了克服现有技术的不足,本发明提供了一种基于大数据的人员风险防控方法及装置,通过对人员风险预测,帮助工作人员提前预知风险人员可能做出的风险事件,提高工作效率,大大减少防控工作中耗费的人力物力,减轻工作人员的负担。技术方案如下:
第一方面,本发明提供了一种基于大数据的人员风险防控方法,该方法包括如下步骤:
步骤1,采集城市事件数据,所述事件数据包括信访系统登记记录,调解平台调解事件,大联动社会治理平台汇报事件,构建人员防控等级分类模型,基于事件数据训练得到人员防控等级分类模型,对风险人员进行分类。
通过采集的事件数据,将给定比例的风险人员名单作为正例,基于LR模型得到每个人员的风险概率,按照概率值将风险人员分为高风险人员、中风险人员、低风险人员、无风险人员;通过决策树算法训练人员防控等级分类模型,从训练好的模型中得到人员防控等级分类规则,利用人员防控等级分类规则,将所有风险人员分为高风险人员、中风险人员、低风险人员和无风险人员四类。
步骤2,基于高风险人员的出行数据,分析每个高风险人员的出行规律,标记出每个高风险人员的异动行为。
针对每个高风险人员,通过多个点位的摄像头采集该人员的出行数据,通过人脸识别模型,分析该人员出行数据,得到该人员在一天内各个时间段的出行规律,设定该人员在一天各个时间段的常规外出时长阈值,当高风险人员出门后未在摄像头中出现的时长超过设定的常规外出时长阈值,则判定为久出未归的异动行为。
步骤3,基于风险人员的事件数据,构建人员风险防控模型;
通过采集每个风险人员的事件数据,将该事件数据特征用向量x=(x1,x2,…,xn)表示,称为风险特征向量,利用LR模型训练出人员风险防控模型,训练得到特征的权重向量w=(w1,w2,…,wn);根据模型分析目的,给权重向量w的各个分量乘以一定的倍数,得到调整后的权重向量w’,所述倍数可以人为设定,也可以通过模型自动生成,根据权重向量w’,输出每个风险人员的做出风险事件的风险概率值,即风险得分score:
其中x指某个风险人员在最近一段时间内的风险特征向量,p(y=1|x)指特征向量是x的条件下,风险人员做出风险事件的概率。
根据风险事件的类型,按照上述方法,得到不同风险事件模型,按照设定好的权重比例,得到初步人员风险防控模型。
步骤4,基于步骤2高风险人员的出行数据和异动行为,对步骤3得到的初步人员风险防控模型进行优化。
针对高风险人员,基于该人员在做出风险事件之前一段时间内摄像头采集到的异动行为数据,通过训练得到近期异动行为对人员做出风险事件的影响模型。
模型输入:高风险人员最近一段时间内异动行为数据。
模型输出:风险人员的异动行为风险得分。
针对每件风险事件发生前风险人员最近的一次出行数据,通过训练得到风险事件发生前风险人员的行为特征模型。
模型输入:风险人员最近一次出行数据;
模型输出:风险人员的最近出行特征风险得分;
基于初步人员风险防控模型,分别对近期异动行为对人员做出风险事件的影响模型和风险事件发生前风险人员的行为特征模型赋予权重,得到最终的人员风险防控模型。
根据最终的人员风险防控模型,定期对所有风险人员进行预测,当输出的风险人员得分超过设定的风险阈值时进行预警;对于高风险人员,当监测到异动行为时,即刻调用最终的人员风险防控模型进行预测,当输出的风险人员得分超过风险阈值时进行预警。
优选的,步骤1得到人员防控等级分类规则之后还包括:对得到的分类规则进行审核调整,得到最终的分类规则。
优选的,步骤2还包括:将常规居家时长纳入判断标准,设定各个时间段的常规居家时长阈值,当高风险人员归来后未在摄像头中出现的时长超过设定的常规居家时长阈值,则判定为长时隐匿的异动行为。
优选的,步骤2所述多个点位的摄像头,是指对应高风险人员生活区域每个关键出口设置的两个摄像头,其中一个摄像头对准出口,另一摄像头对准入口。
优选的,步骤3所述不同风险事件模型包括过激风险事件模型和极端风险事件模型;
优选的,所述风险阈值根据社会环境需求进行调整。
进一步的,还包括步骤5,模型迭代优化,设定固定模型训练时间,将每天更新新的事件数据和出行数据加入模型重新训练,提高模型的准确率。
第二方面,本发明提供了一种基于大数据的人员风险防控装置,其特征在于,该装置可以实现所有可能的实现方式中任一项所述的一种基于大数据的人员风险防控方法。
与现有技术相比,上述技术方案中的一个技术方案具有如下有益效果:通过对人员风险预测,帮助工作人员提前预知风险人员可能做出的风险事件,提高工作效率,节约人力物力;通过训练得到预测人员行为的风险防控模型;通过添加基于人员过去出行数据的人员的历史出行规律分析,使得模型预测更加精准;有效避免了风险人员躲藏导致的常规方法的准确率不足。通过24小时不间断的监控,及时有效的发现风险人员的异常行为,防止因为相关工作人员的疏忽导致风险事件的发生。
具体实施方式
为了阐明本发明的技术方案和工作原理,下面将对本公开实施方式做进一步的详细描述。上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
本申请的说明书和权利要求书中的术语“步骤1”、“步骤2”、“步骤3”等类似描述是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里描述的那些以外的顺序实施。
第一方面:本公开实施例提供了一种基于大数据的人员风险防控方法,该方法包括如下步骤:
步骤1,采集城市事件数据,所述事件数据包括信访系统登记记录,人民调解平台调解事件,大联动社会治理平台汇报事件等,构建人员防控等级分类模型,基于事件数据训练得到人员防控等级分类模型,对风险人员进行分类。
通过采集的事件数据,将给定比例的风险人员名单作为正例,基于LR模型得到每个人员的风险概率,按照概率值将风险人员分为高风险人员、中风险人员、低风险人员、无风险人员。通过决策树算法训练人员防控等级分类模型,从训练好的模型中得到人员防控等级分类规则,利用人员防控等级分类规则,将所有风险人员分为高风险人员、中风险人员、低风险人员和无风险人员四类。
优选的,步骤1得到人员防控等级分类规则之后还包括:对得到的分类规则进行审核调整,得到最终的分类规则。
步骤2,基于高风险人员的出行数据,分析每个高风险人员的出行规律,标记出每个高风险人员的异动行为。
针对每个高风险人员,通过多个点位的摄像头采集该人员的出行数据。通过人脸识别模型,分析该人员出行数据,得到该人员在一天内各个时间段的出行规律,设定该人员在一天各个时间段的常规外出时长阈值,当高风险人员出门后未在摄像头中出现的时长超过设定的常规外出时长阈值,则判定为久出未归的异动行为;优选的,考虑到风险人员故意躲避监控的可能性,将常规居家时长纳入判断标准,设定各个时间段的常规居家时长阈值。当高风险人员归来后未在摄像头中出现的时长超过设定的常规居家时长阈值,则判定为长时隐匿的异动行为。
优选的,步骤2所述多个点位的摄像头,是指对应高风险人员生活区域每个关键出口设置的两个摄像头,其中一个摄像头对准出口,另一摄像头对准入口。
步骤3,基于风险人员的事件数据,构建人员风险防控模型。
通过采集每个风险人员的事件数据,将该事件数据特征用向量x=(x1,x2,…,xn)表示,称为风险特征向量,利用LR模型训练出人员风险防控模型。训练得到特征的权重向量w=(w1,w2,…,wn)。根据模型分析目的,给权重向量w的各个分量乘以一定的倍数,得到调整后的权重向量w’,所述倍数可以人为设定,也可以通过模型自动生成,不同分析目的可以给相应侧重的特征增加权重,给不相关的特征减少权重,根据权重向量w’,输出每个风险人员的做出风险事件的风险概率值,即风险得分score:
其中x指某个风险人员在最近一段时间内的风险特征向量,p(y=1|x)指特征向量是x的条件下,风险人员做出风险事件的概率。
根据风险事件的类型,按照上述方法,得到不同风险事件模型,按照设定好的权重比例,得到初步人员风险防控模型;模型输入为风险人员最近一段时间的风险特征向量,模型输出为风险人员的风险得分。优选的,所述不同风险事件模型包括过激风险事件模型和极端风险事件模型。
步骤4,基于步骤2高风险人员的出行数据和异动行为,对步骤3得到的初步人员风险防控模型进行优化。
针对高风险人员,基于该人员在做出风险事件之前一段时间内摄像头采集到的异动行为数据,通过训练得到近期异动行为对人员做出风险事件的影响模型。
模型输入:高风险人员最近一段时间内异动行为数据。
模型输出:风险人员的异动行为风险得分。
同时,考虑到风险人员突发奇想的行为可能性,将最近一次出行数据纳入人员风险防控标准
针对每件风险事件发生前风险人员最近的一次出行数据,通过训练得到风险事件发生前风险人员的行为特征模型。
模型输入:风险人员最近一次出行数据;
模型输出:风险人员的最近出行特征风险得分;
基于初步人员风险防控模型,分别对近期异动行为对人员做出风险事件的影响模型和风险事件发生前风险人员的行为特征模型赋予权重,得到最终的人员风险防控模型。
根据最终的人员风险防控模型,定期对所有风险人员进行预测,当输出的风险人员得分超过设定的风险阈值时进行预警;对于高风险人员,当监测到异动行为时,即刻调用最终的人员风险防控模型进行预测,当输出的风险人员得分超过风险阈值时进行预警。
优选的,所述风险阈值根据社会环境需求进行调整。
优选的,还包括步骤5,模型迭代优化,设定固定模型训练时间,将每天更新新的事件数据和出行数据加入模型重新训练,提高模型的准确率。
第二方面,本公开实施例提供了一种基于大数据的人员风险防控装置,基于相同的技术构思,该装置可以实现所有可能的实现方式中任一项所述的一种基于大数据的人员风险防控方法。
以上对本发明进行了示例性描述,显然,本发明具体实现并不受上述方式的限制,凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进;或者未经改进、等同替换,将本发明的上述构思和技术方案直接应用于其他场合的,均在本发明的保护范围之内。
Claims (8)
1.一种基于大数据的人员风险防控方法,其特征在于,该方法包括如下步骤:
步骤1,采集城市事件数据,所述事件数据包括信访系统登记记录,调解平台调解事件,大联动社会治理平台汇报事件,构建人员防控等级分类模型,基于事件数据训练得到人员防控等级分类模型,对风险人员进行分类;
通过采集的事件数据,将给定比例的风险人员名单作为正例,基于LR模型得到每个人员的风险概率,按照概率值将风险人员分为高风险人员、中风险人员、低风险人员、无风险人员;通过决策树算法训练人员防控等级分类模型,从训练好的模型中得到人员防控等级分类规则,利用人员防控等级分类规则,将所有风险人员分为高风险人员、中风险人员、低风险人员和无风险人员四类;
步骤2,基于高风险人员的出行数据,分析每个高风险人员的出行规律,标记出每个高风险人员的异动行为;
针对每个高风险人员,通过多个点位的摄像头采集该人员的出行数据,通过人脸识别模型,分析该人员出行数据,得到该人员在一天内各个时间段的出行规律,设定该人员在一天各个时间段的常规外出时长阈值,当高风险人员出门后未在摄像头中出现的时长超过设定的常规外出时长阈值,则判定为久出未归的异动行为;
步骤3,基于风险人员的事件数据,构建人员风险防控模型;
通过采集每个风险人员的事件数据,将该事件数据特征用向量x=(x1,x2,…,xn)表示,称为风险特征向量,利用LR模型训练出人员风险防控模型,训练得到特征的权重向量w=(w1,w2,…,wn);根据模型分析目的,给权重向量w的各个分量乘以一定的倍数,得到调整后的权重向量w’,所述倍数可以人为设定,也可以通过模型自动生成,根据权重向量w’,输出每个风险人员的做出风险事件的风险概率值,即风险得分score:
其中x指某个风险人员在最近一段时间内的风险特征向量,p(y=1|x)指特征向量是x的条件下,风险人员做出风险事件的概率;
根据风险事件的类型,按照上述方法,得到不同风险事件模型,按照设定好的权重比例,得到初步人员风险防控模型;
步骤4,基于步骤2高风险人员的出行数据和异动行为,对步骤3得到的初步人员风险防控模型进行优化;
针对高风险人员,基于该人员在做出风险事件之前一段时间内摄像头采集到的异动行为数据,通过训练得到近期异动行为对人员做出风险事件的影响模型;
模型输入:高风险人员最近一段时间内异动行为数据;
模型输出:风险人员的异动行为风险得分;
针对每件风险事件发生前风险人员最近的一次出行数据,通过训练得到风险事件发生前风险人员的行为特征模型;
模型输入:风险人员最近一次出行数据;
模型输出:风险人员的最近出行特征风险得分;
基于初步人员风险防控模型,分别对近期异动行为对人员做出风险事件的影响模型和风险事件发生前风险人员的行为特征模型赋予权重,得到最终的人员风险防控模型;
根据最终的人员风险防控模型,定期对所有风险人员进行预测,当输出的风险人员得分超过设定的风险阈值时进行预警;对于高风险人员,当监测到异动行为时,即刻调用最终的人员风险防控模型进行预测,当输出的风险人员得分超过风险阈值时进行预警。
2.根据权利要求1所述的一种基于大数据的人员风险防控方法,其特征在于,步骤1得到人员防控等级分类规则之后还包括:对得到的分类规则进行审核调整,得到最终的分类规则。
3.根据权利要求1所述的一种基于大数据的人员风险防控方法,其特征在于,步骤2还包括:将常规居家时长纳入判断标准,设定各个时间段的常规居家时长阈值,当高风险人员归来后未在摄像头中出现的时长超过设定的常规居家时长阈值,则判定为长时隐匿的异动行为。
4.根据权利要求1所述的一种基于大数据的人员风险防控方法,其特征在于,步骤2所述多个点位的摄像头,是指对应高风险人员生活区域每个关键出口设置的两个摄像头,其中一个摄像头对准出口,另一摄像头对准入口。
5.根据权利要求1所述的一种基于大数据的人员风险防控方法,其特征在于,步骤3所述不同风险事件模型包括过激风险事件模型和极端风险事件模型。
6.根据权利要求1所述的一种基于大数据的人员风险防控方法,其特征在于,所述风险阈值根据社会环境需求进行调整。
7.根据权利要求1-6任一项所述的一种基于大数据的人员风险防控方法,其特征在于,还包括步骤5,模型迭代优化,设定固定模型训练时间,将每天更新新的事件数据和出行数据加入模型重新训练,提高模型的准确率。
8.一种基于大数据的人员风险防控装置,其特征在于,该装置可以实现权利要求1-7任一项所述的一种基于大数据的人员风险防控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111195722.3A CN113919704A (zh) | 2021-10-14 | 2021-10-14 | 一种基于大数据的人员风险防控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111195722.3A CN113919704A (zh) | 2021-10-14 | 2021-10-14 | 一种基于大数据的人员风险防控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919704A true CN113919704A (zh) | 2022-01-11 |
Family
ID=79240250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111195722.3A Pending CN113919704A (zh) | 2021-10-14 | 2021-10-14 | 一种基于大数据的人员风险防控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919704A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734555A (zh) * | 2020-12-31 | 2021-04-30 | 南京视察者智能科技有限公司 | 一种基于大数据的个人信用风险评估模型的设计方法 |
CN115274133A (zh) * | 2022-07-15 | 2022-11-01 | 宝鸡市交通信息工程研究所 | 一种基于流调大数据的行踪识别方法 |
-
2021
- 2021-10-14 CN CN202111195722.3A patent/CN113919704A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734555A (zh) * | 2020-12-31 | 2021-04-30 | 南京视察者智能科技有限公司 | 一种基于大数据的个人信用风险评估模型的设计方法 |
CN115274133A (zh) * | 2022-07-15 | 2022-11-01 | 宝鸡市交通信息工程研究所 | 一种基于流调大数据的行踪识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
CN113919704A (zh) | 一种基于大数据的人员风险防控方法及装置 | |
CN105035902B (zh) | 一种电梯安全状况评估方法 | |
CN114331000A (zh) | 一种基于人工智能的智慧园区能耗管理系统 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
CN111523699A (zh) | 一种基于综合状态健康度的架空线路故障概率预测方法 | |
CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
CN112580995A (zh) | 施工安全大数据监督系统与安全风险动态评估方法 | |
CN110807550A (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN110751338A (zh) | 一种配变台区重过载特征模型的构建和预警的方法 | |
CN102521672A (zh) | 一种基于配网生产作业计划的安全风险自动识别方法 | |
CN116187701B (zh) | 一种基于多维数据和数据分析的智能建筑监测管理系统 | |
CN116797404A (zh) | 基于大数据和数据处理的智能建筑运维监管系统 | |
CN110162555A (zh) | 一种火电机组启停和降出力监督方法 | |
CN108154256A (zh) | 预测风险值的确定方法及装置、存储介质 | |
CN112819306A (zh) | 基于计算机视觉的工作效率评价方法、系统、设备及介质 | |
CN113989086A (zh) | 一种基于植物绿化的荒漠生态修复方法及管理分析系统 | |
CN116664348A (zh) | 一种智慧办公楼宇运营系统 | |
CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
CN115528686B (zh) | 基于边缘计算的分布式配电故障处理系统及方法 | |
CN116050788A (zh) | 一种工业智能排产管理系统 | |
CN116644929A (zh) | 一种基于物联感知的配电网设备运维工单智能管理方法 | |
CN116304636A (zh) | 一种基于故障树的电梯冲顶事故动态预测方法及系统 | |
CN116384704A (zh) | 一种工程进度及造价管理系统的管理方法 | |
CN114021969B (zh) | 一种涉农企业安全生产风险指数分析系统 |
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 |