CN114091888A - 基于神经网络模型的安全管理员配比确定方法及装置 - Google Patents

Abstract

本发明涉及数据处理技术领域，其实施方式提供了一种基于神经网络模型的安全管理员配比确定方法及装置。其中基于神经网络模型的安全管理员配比确定方法包括：从包括企业基础数据的数据库中获取企业的基础数据，根据预设的企业安全生产风险评估指标从所述基础数据提取对应的数据；将提取的数据输入训练好的安全生产风险预警模型进行识别，得到所述企业对应的风险预警等级；所述安全生产风险预警模型为神经网络模型；根据所述企业行业信息在企业类型字典中匹配得到企业安全生产类型；根据所述风险预警等级和企业安全生产类型得到所述企业对应的安全管理员配置比例。本发明提供的实施方式能够提升批量数据中安全管理员配置是否合格的核查效率。

Description

基于神经网络模型的安全管理员配比确定方法及装置

技术领域

本发明涉及数据处理技术领域，具体地涉及一种基于神经网络模型的安 全管理员配比确定方法、一种基于神经网络模型的安全管理员配比确定装置、 一种基于神经网络模型的安全管理员配比确定设备以及对应的存储介质。

背景技术

安全生产是保护劳动者的安全健康、维护国家财产、促进社会生产力发 展的基本保证。在企业安全生产工作中主要以预防为主，通过有效的管理和 技术手段，减少和防止人的不安全行为和物品的不安全状态，降低生产安全 事故发生的可能性。因此，企业安全管理工作的是否到位，与安全管理者关 系重大，与企业相应的安全管理员配备资源情况有着密不可分的内在联系。 然而，现有的安全管理员管理往往只涉及相应的人员信息登记以及证书获取 的情况，无法通过企业规模、企业经营范围等内容自动的为企业计算生成相应的人员配备情况和要求，也难以做到预警提醒等功能。

另一方面，随着我国近年来互联网和数字化技术的快速发展，网络数据 也在飞速增长，各行业各领域每天都在产生庞大的业务数据，这一现象说明 我国已经进入了大数据时代。在大数据时代背景下,需要对海量数据的隐藏价 值进行充分地挖掘，加强对业务数据的分析和利用。对于企业安全管理而言， 同样存在来源多样、结构复杂的相关数据，可以利用这些数据来加强企业安 全管理，为企业安全生产监管提供技术支持。然而，传统的数据处理技术无 法有效满足这一应用需求，以安全管理员配比问题为例，更多的还是依靠人工介入的方式，没有充分发挥数据和算法在业务管理中的作用。

发明内容

本发明实施例的目的是提供一种基于神经网络模型的安全管理员配比 确定方法及装置，利用人工智能和数据分析技术自动化配置生成企业安管人 员配比方法，通过对大量企业数据进行处理和分析，为企业人员配备提供决 策依据，为政府监管部门提供指标参数和预警提醒。

为了实现上述目的，本发明第一方面提供一种基于神经网络模型的安全 管理员配比确定方法，所述方法包括：

从包括企业基础数据的数据库中获取企业的基础数据，所述基础数据包 括企业员工信息、企业行业信息、企业安全生产信息和安全管理员资质信息； 根据预设的企业安全生产风险评估指标从所述基础数据提取对应的数据；将 提取的数据输入训练好的安全生产风险预警模型进行识别，得到所述企业对 应的风险预警等级；所述安全生产风险预警模型为神经网络模型；根据所述 企业行业信息在企业类型字典中匹配得到企业安全生产类型；根据所述风险 预警等级和企业安全生产类型得到所述企业对应的安全管理员配置比例。

优选的，在根据预设的企业安全生产风险评估指标从所述基础数据提取 对应的数据之前，所述方法还包括：对所述基础数据进行预处理，所述预处 理包括：数据清洗、数据集成和数据变换；所述数据清洗包括填补缺失值、 光滑噪声数据、平滑离群点或删除离群点；所述数据集成包括在包括企业基 础数据的数据库为多个时，将从多个数据库获取的基础数据进行整合并进行 一致的数据存储；所述数据变换包括规范化处理、离散化处理和稀疏化处理。

优选的，所述训练好的安全生产风险预警模型通过以下步骤得到：构建 包括输入层、隐含层和输出层的神经网络模型；所述输入层的神经元个数与 所述预设的企业安全生产风险评估指标的指标数目相等，输出层的神经元个 数为1；采集一定数量的已认证安全生产型企业和存在安全生产风险企业的 基础数据作为训练样本，训练所述神经网络模型；

通过对所述神经网络模型进行反复迭代训练，将训练后的神经网络模型 作为所述训练好的安全生产风险预警模型。

优选的，所述隐含层的神经元个数根据以下的方式确定：

其中，k为隐含层的神经元个数，n为输入层的神经元个数，m为输出层 的神经元个数，α为[1，10]之间的常数。

优选的，所述方法还包括：根据所述企业员工信息所确定的员工人数和 所述安全管理员配置比例得到安全管理员的理论配置人数；根据所述企业员 工信息中的安全管理员的人员信息和所述安全管理员资质信息得到安全管 理员的实际配置人数；对实际配置人数小于理论配置人数的企业进行标注。

优选的，根据所述企业员工信息中的安全管理员的人员信息和所述安全 管理员资质信息得到安全管理员的实际配置人数，包括：

根据所述安全管理员资质信息的资质类型过滤出安全管理员的人员信 息；将过滤出的人员信息与企业员工信息中进行比对后去重处理；统计去重 处理后的安全管理员得到安全管理员的实际配置人数。

优选的，对实际配置人数小于理论配置人数的企业进行标注之后，所述 方法还包括：将被标注后的企业输出至预设的数据存储位置，所述预设的数 据存储位置用于集中存储实际配置人数小于理论配置人数的企业的企业信 息，所述企业信息为所述企业的基础数据的子集；和/或向被标注后的企业的 企业责任人和片区监管人员推送安全风险提示信息。

在本发明的第二方面，还提供了一种基于神经网络模型的安全管理员配 比确定装置，包括：基础数据获取模块，用于从包括企业基础数据的数据库 中获取企业的基础数据，所述基础数据包括企业员工信息、企业行业信息、 企业安全生产信息和安全管理员资质信息；评价数据提取模块，用于根据预 设的企业安全生产风险评估指标从所述基础数据提取对应的数据；风险识别 模块，用于将提取的数据输入训练好的安全生产风险预警模型进行识别，得 到所述企业对应的风险预警等级；所述安全生产风险预警模型为神经网络模型；生产类型识别模块，用于根据所述企业行业信息在企业类型字典中匹配 得到企业安全生产类型；以及配置比例确定模块，用于根据所述风险预警等 级和企业安全生产类型得到所述企业对应的安全管理员配置比例。

在本发明的第三方面，还提供了一种基于神经网络模型的安全管理员配 比确定设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理 器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的基于 神经网络模型的安全管理员配比确定方法。

在本发明的第四方面，还提供了一种计算机可读存储介质，所述存储介 质中存储有指令，当其在计算机上运行时，使得计算机执行前述的基于神经 网络模型的安全管理员配比确定方法。

本发明第五方面提供一种计算机程序产品，包括计算机程序，该计算机 程序在被处理器执行时实现前述的基于神经网络模型的安全管理员配比确 定方法。

上述技术方案具有以下有益效果：

(1)本发明提出的方法融合了多种类型、多种来源的异构数据，从而避 免了因为单一数据来源导致的监测或预警结果不准确。

(2)本发明基于人工神经网络构建了安全生产风险监测模型，基于大量 数据对企业安全生产风险进行分析和预警，并将预警结果直接用于支持安全 管理员配比处理，从而改进配比效果。

(3)本发明提出了一种数据化的企业安全管理员配比方法，能够更加 量化地进行安全管理员配置，解决了单纯人工配置的局限和不足。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详 细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部 分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发 明实施例的限制。在附图中：

图1示意性示出了根据本发明实施方式的基于神经网络模型的安全管理 员配比确定方法的实施示意图；

图2示意性示出了根据本发明实施方式的安全生产风险预警模型的构建 和应用步骤示意图；

图3示意性示出了根据本发明实施方式的基于神经网络模型的安全管理 员配比确定方法的另一实施示意图；

图4示意性示出了根据本发明实施方式的基于神经网络模型的安全管理 员配比确定装置的结构示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解 的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用 于限制本发明实施例。

图1示意性示出了根据本发明实施方式的基于神经网络模型的安全管理 员配比确定方法的实施示意图。如图1所示，本实施方式提供一种基于神经 网络模型的安全管理员配比确定方法，包括：

S01、从包括企业基础数据的数据库中获取企业的基础数据，所述基础 数据包括企业员工信息、企业行业信息、企业安全生产信息和安全管理员资 质信息；

获取原始的企业基础数据，获取途径包括：来自工商管理机构的数据库， 或者来自社会机构的商业数据库，或者来自区域内的行业数据库、或者来自 企业的自建数据库。基础数据包括：人社参保数据的参保起始时间、参保人 员、缴纳社保公司名称、缴纳社保公司统一社会信用代码、缴纳社保公司经 营状态；考核培训管理系统的安全管理员培训时间、培训类型、资质证书获 取情况；企业主题库的企业名称、统一社会信用代码、企业从业人员数量、 企业所属行业、重大危险源信息、危化品台账信息；特殊人员库的企业负责 人姓名、负责人身份证、负责人联系方式、安全管理员姓名、安全管理员身 份证、安全管理员联系方式等等。

S02、根据预设的企业安全生产风险评估指标从所述基础数据提取对应 的数据；

为了更好地得到风险预警等级，需要选择具有典型代表意义的重要性评 价指标作为评价因子，设置对应的企业安全生产风险评估指标。例如：企业 证件情况、信用情况、人员情况、设施情况、保险情况、日常工作情况、企 业经营情况、事故情况、重大隐患情况、企业社会影响情况等。从基础数据 提取以上评估指标的量化数据，为下一步的识别提供数据基础。

S03、将提取的数据输入训练好的安全生产风险预警模型进行识别，得 到所述企业对应的风险预警等级；所述安全生产风险预警模型为神经网络模 型；

在建立指标体系的基础之上，可以进一步采用人工神经网络进行企业安 全生产风险评估和预警。按照输入层、隐含层和输出层来构建神经网络模型， 并采用数据样本对神经网络模型进行训练，得到训练好的安全生产风险预警 模型，其功能在于根据上一步骤中提取的数据识别出当前企业的风险预警等 级。

S04、根据所述企业行业信息在企业类型字典中匹配得到企业安全生产 类型；

由于不同类型的企业对应的企业安全生产各不相同，因此需要在此步骤 中获取企业安全生产类型，以实现更为准确的配置比例。企业安全生产类型 根据实际需要进行划分。此处以企业安全生产类型为两类进行举例如下：通 过企业类型字典过滤企业安全生产类型，将企业标注为A类企业或者一般经 营企业。其中A类企业包含：矿山、金属冶炼、建筑施工、船舶修造或者拆 解、道路运输单位，危险物品的生产、经营、储存单位，使用危险化学品数 量构成重大危险源的生产单位。

S05、根据所述风险预警等级和企业安全生产类型得到所述企业对应的 安全管理员配置比例。

步骤S03中的得到的风险预警等级体现了企业的生产风险，步骤S04中 的企业安全生产类型体现了企业对于安全管理的行业差异，通过以上两项指 标和相关的安全管理员的配置规定，得到对应的安全管理员配置比例。此处 的配置规定包括根据国家或地方法规的强制规定或者预设的企业安全管理 规范的规定。

通过以上实施方式，针对企业安全生产和安全管理的现实需要以及企业 的实际情况，可以利用更加有效的数据处理技术和智能化模型来实现数据化 的管理。对矿山、金属冶炼、建筑施工、船舶修造或者拆解、道路运输单位， 危险物品的生产、经营、储存单位，使用危险化学品数量构成重大危险源的 生产单位，以及一般生产经营单位，建立对应的安全生产风险评估模型指标， 并通过计算机建模进行企业内部安全管理员优化配置的自动化处理和批量 处理。

在本申请一实施方式中，在根据预设的企业安全生产风险评估指标从所 述基础数据提取对应的数据之前，所述方法还包括：对所述基础数据进行预 处理，所述预处理包括：数据清洗、数据集成和数据变换。

其中，数据清洗包括：通过填补缺失值、光滑噪声数据，平滑或删除离 群点，并解决数据的不一致性来“清理”数据。如果用户认为数据是脏乱的， 他们不太会相信基于这些数据的挖掘结果，即输出的结果是不可靠的。

数据集成包括：数据集成将多个数据源中的基础数据进行结合后，存放 在一个一致的数据存储位置，如数据仓库中。这些数据源可能包括多个数据 库、多个数据方或多个一般文件，因此需要考虑实体识别问题。例如，数据 分析者或计算处理者如何才能确信一个数据库中的customer_id和另一个数 据库中的cust_number指的是同一实体，通常数据库和数据仓库有元数据， 这种元数据可以帮助避免模式集成中的错误。同时还需要进行数据值的冲突 解决，以及不同数据源在统一合并时的规范化处理和去重处理。本步骤能够避免因单一数据来源导致结果不准确。

数据变换包括：数据变换包括对数据进行规范化、离散化、稀疏化处理， 达到适用于挖掘的目的。

图2示意性示出了根据本发明实施方式的安全生产风险预警模型的构建 和应用步骤示意图，如图2所示。在本实施方式中，所述训练好的安全生产 风险预警模型通过以下步骤得到：构建包括输入层、隐含层和输出层的神经 网络模型；所述输入层的神经元个数与所述预设的企业安全生产风险评估指 标的指标数目相等，输出层的神经元个数为1；采集一定数量的已认证安全 生产型企业和存在安全生产风险企业的基础数据作为训练样本，训练所述神 经网络模型；通过对所述神经网络模型进行反复迭代训练，将训练后的神经 网络模型作为所述训练好的安全生产风险预警模型。训练好的安全生产风险 预警模型的期望输出值为一个布尔值序列，序列的长度根据设定的风险预警 等级的数量进行确定。例如：当预设的风险预警等级为五个等级时，训练好 的安全生产风险预警模型的期望输出值分别为[1，0，0，0，0]，[0，1，0， 0，0]，[0，0，1，0，0]，[0，0，0，1，0]或者[0，0，0，0，1]，其分别对 应为低风险、较低风险、中风险、较高风险和高风险，并对应有相应的系数：si(i＝1,2,3,4,5)。

在本申请一实施方式中，所述隐含层的神经元个数根据以下的方式确定：

其中，k为隐含层的神经元个数，n为输入层的神经元个数，m为输出层 的神经元个数，α为[1，10]之间的常数。通过以上方式所确定的隐含层的神 经元个数，能够在模型识别率和模型复杂度之间达到较好的平衡。

在本申请一实施方式中，在企业证件情况、信用情况、人员情况、设施 情况、保险情况、日常工作情况、企业经营情况、事故情况、重大隐患情况、 企业社会影响情况等评估指标下进一步分解和细化，得到更为具体的评价指 标，例如：企业证件情况包括标准化、ISO体系认证；信用情况包括安全生 产信用等级、公共信用等级、安管人员失信情况；人员情况包括人员年流动 率、主要负责人持证、安管人员持证率、社保人员教育程度(本科及以上学 历所占比例)；设施情况包括智慧用电、微型消防站；保险情况包括安责险、 火灾意外险、工伤保险覆盖率；日常工作情况包括风险辨识管控、应急预案 备案、应急演练、隐患排查自查自报、重大危险源管控；企业经营情况包括 用电异常、用水异常、用气异常、纳税异常；事故情况包括生产安全事故死 亡人数、工伤人数、火灾火警、网格事件；重大隐患情况包括挂牌督办、重 大隐患治理。

在本申请一实施方式中，所述方法还包括：根据所述企业员工信息所确 定的员工人数和所述安全管理员配置比例得到安全管理员的理论配置人数； 根据所述企业员工信息中的安全管理员的人员信息和所述安全管理员资质 信息得到安全管理员的实际配置人数；对实际配置人数小于理论配置人数的 企业进行标注。对上述的实施过程举例如下：假设企业从业人员数标注为a1, 安全管理员的理论配置人数标注为a2。

其中，A类企业的理论配置人数的配比方法：

1)当a1≥300时，应满足a2＝a1*1％，如果a2<a1*1％，将被归类 为不合格企业；

2)当100≤a1<300时，应满足a2＝3，如果a2<3，将被归类为不 合格企业；

3)当50≤a1<100时，应满足a2＝2，如果a2<2，将被归类为不合 格企业；

4)当a1<50时，应满足a2＝1，如果a2<1，将被归类为不合格企业。

最终得到理论配置人数a2还要乘上风险预警等级对应的系数，即 a2′＝a2*si(i＝1,2,3,4,5)。

其中，一般经营企业的理论配置人数的配比方法：

1)当a1≥300时，应满足a2＝2，如果a2<2，将被归类为不合格企 业；

2)当100≤a1<300时，应满足a2＝1，如果a2<1，将被归类为不 合格企业；

3)当a1<100时，应满足a2＝1，如果a2<1，将被归类为不合格企 业。

最终得到理论配置人数a2也要乘上风险预警等级对应的系数，即 a2′＝a2*si(i＝1,2,3,4,5)。

在本申请一实施方式中，根据所述企业员工信息中的安全管理员的人员 信息和所述安全管理员资质信息得到安全管理员的实际配置人数，包括：根 据所述安全管理员资质信息的资质类型过滤出安全管理员的人员信息；将过 滤出的人员信息与企业员工信息中进行比对后去重处理；统计去重处理后的 安全管理员得到安全管理员的实际配置人数。本实施方式提供根据安全管理 员资质信息得到实际配置人数的方法，通过以上实施方式得到实际配置人数， 用于与前文中的理论配置人数进行比较，以确定企业的安全管理员是否配置 合格。

在本申请一实施方式中，对实际配置人数小于理论配置人数的企业进行 标注之后，所述方法还包括：将被标注后的企业输出至预设的数据存储位置， 所述预设的数据存储位置用于集中存储实际配置人数小于理论配置人数的 企业的企业信息，所述企业信息为所述企业的基础数据的子集。在确定企业 属于安全不合格企业之后，将不合格企业记录至数据台账并输出。数据台账 可以包含企业名称、统一社会信用代码、法人姓名、法人联系方式、责任片 区、预警方式、处置意见等信息。

在本申请一实施方式中，对实际配置人数小于理论配置人数的企业进行 标注之后，所述方法还包括：向被标注后的企业的企业责任人和片区监管人 员推送安全风险提示信息。例如：导出风险结果生成企业监测要素元素，并 及时提交给监管部门，作为监管部门监督管理依据，生成检查清单预警以及 企业监管要素预警信息，作为企业风险评估指数辅助区域精准督导工作。

图3示意性示出了根据本发明实施方式的基于神经网络模型的安全管理 员配比确定方法的另一实施示意图。如图3所示，包括以下步骤：

(1)获取安全生产企业库数据、特殊人员库数据、社保数据、考培数据， 对其人员信息、社保信息、考培信息进行比对；

(2)若筛选出带有安全管理员资质的企业人员信息核实其社保缴纳时间 范围，判断企业当前在职的安全管理员数量；

(3)根据安全生产行业法律法规、标准规范，结合企业特点和现有业务 系统信息资源，以重要客观危险因素辨识为核心，选择具有典型代表意义的 重要性评价指标作为评价因子，建立反映企业安全生产风险的评估指标体系；

(4)在建立指标体系的基础之上，可以进一步采用人工神经网络进行企 业安全生产风险评估和预警。基于人工神经网络的安全生产风险预警模型， 对大量的企业数据进行处理与分析，得到企业安全生产风险评估结果；

(5)根据企业安全生产风险评估结果，进一步建立安全管理员配比模型， 根据企业的实际情况优化配置安全管理员。在获取安全管理员数量后比对企 业参保人数确认其从业人数情况后，根据安全管理员配置要求计算其安全管 理员最低配置数量，判断拥有安全管理员资质人数和计算得出企业最低安全 管理员配置数量，如果查询的拥有安全管理员资质的人数大于等于企业最低 安全管理员配置数量，则标注为合格企业，反之标注为不合格企业；

(6)所述的企业安全管理员合理的人员配比方法用于在获取不合格企业 清单后，分别向相应的企业责任人以及片区监管人发送安全风险因素信息以 及相应的法律条例以及整改方式；

(7)所述的企业安全管理员合理的人员配比方法用于在企业获取预警提 醒后，根据配比安全管理员依据对企业隐患进行整改，及时的完善人员力量， 提高企业的监管力量和监管水平。

图4示意性示出了根据本发明实施方式的基于神经网络模型的安全管理 员配比确定装置的结构示意图，如图4所示。在本实施方式中，还提供了一 种基于神经网络模型的安全管理员配比确定装置，包括：

基础数据获取模块，用于从包括企业基础数据的数据库中获取企业的基 础数据，所述基础数据包括企业员工信息、企业行业信息、企业安全生产信 息和安全管理员资质信息；评价数据提取模块，用于根据预设的企业安全生 产风险评估指标从所述基础数据提取对应的数据；风险识别模块，用于将提 取的数据输入训练好的安全生产风险预警模型进行识别，得到所述企业对应 的风险预警等级；生产类型识别模块，用于根据所述企业行业信息在企业类 型字典中匹配得到企业安全生产类型；以及配置比例确定模块，用于根据所述风险预警等级和企业安全生产类型得到所述企业对应的安全管理员配置 比例。

上述的基于神经网络模型的安全管理员配比确定装置中的各个功能模 块的具体限定可以参见上文中对于基于神经网络模型的安全管理员配比确 定方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软 件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机 设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以 便于处理器调用执行以上各个模块对应的操作。

在本发明提供的一些实施方式中，还提供了一种基于神经网络模型的安 全管理员配比确定设备，包括存储器、处理器以及存储在所述存储器中并可 在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现 前述的基于神经网络模型的安全管理员配比确定方法的步骤。此处的处理器 具有数值计算和逻辑运算的功能，其至少具有数据处理能力的中央处理器 CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断系统等。处 理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一 个或以上，通过调整内核参数来实现前述的方法。存储器可能包括计算机可 读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形 式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

在本发明提供的一些实施方式中，还提供了一种计算机可读存储介质， 所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述 的基于神经网络模型的安全管理员配比确定方法。

在本发明提供的一种实施方式中，提供了一种计算机程序产品，包括计 算机程序，该计算机程序在被处理器执行时实现上述的基于神经网络模型的 安全管理员配比确定方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或 计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、 或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个 其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘 存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序 产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图 和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌 入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过 计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流 程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理 设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储 器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程 或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上， 使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现 的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程 图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步 骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/ 输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。 存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由 任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、 程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、 其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程 只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带 磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被 计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑 可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非 排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅 包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种 过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语 句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或 者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术 人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所 作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于神经网络模型的安全管理员配比确定方法，其特征在于，所述方法包括：

从包括企业基础数据的数据库中获取企业的基础数据，所述基础数据包括企业员工信息、企业行业信息、企业安全生产信息和安全管理员资质信息；

根据预设的企业安全生产风险评估指标从所述基础数据提取对应的数据；

将提取的数据输入训练好的安全生产风险预警模型进行识别，得到所述企业对应的风险预警等级；所述安全生产风险预警模型为神经网络模型；

根据所述企业的企业行业信息，在企业类型字典中匹配得到所述企业的企业安全生产类型；

根据所述企业对应的风险预警等级和企业安全生产类型，得到所述企业对应的安全管理员配置比例。

2.根据权利要求1所述的方法，其特征在于，在根据预设的企业安全生产风险评估指标从所述基础数据中提取对应的数据之前，所述方法还包括：对所述基础数据进行预处理，所述预处理包括：数据清洗、数据集成和数据变换；

所述数据清洗包括：填补缺失值、光滑噪声数据、平滑离群点或删除离群点；

所述数据集成包括：在包括企业基础数据的数据库为多个时，将从多个数据库获取的基础数据进行整合并进行一致的数据存储；

所述数据变换包括：规范化处理、离散化处理和稀疏化处理。

3.根据权利要求1所述的方法，其特征在于，所述训练好的安全生产风险预警模型通过以下步骤得到：

构建包括输入层、隐含层和输出层的神经网络模型；所述输入层的神经元个数与所述预设的企业安全生产风险评估指标的指标数目相等，输出层的神经元个数为1；

采集一定数量的已认证安全生产型企业和存在安全生产风险企业的基础数据作为训练样本，训练所述神经网络模型；

通过对所述神经网络模型进行反复迭代训练，将训练后的神经网络模型作为所述训练好的安全生产风险预警模型。

4.根据权利要求3所述的方法，其特征在于，所述隐含层的神经元个数根据以下的方式确定：

其中，k为隐含层的神经元个数，n为输入层的神经元个数，m为输出层的神经元个数，α为[1，10]之间的常数。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述企业员工信息所确定的员工人数和所述安全管理员配置比例得到安全管理员的理论配置人数；

根据所述企业员工信息中的安全管理员的人员信息和所述安全管理员资质信息得到安全管理员的实际配置人数；

对实际配置人数小于理论配置人数的企业进行标注。

6.根据权利要求5所述的方法，其特征在于，根据所述企业员工信息中的安全管理员的人员信息和所述安全管理员资质信息得到安全管理员的实际配置人数，包括：

根据所述安全管理员资质信息的资质类型过滤出安全管理员的人员信息；

将过滤出的人员信息与企业员工信息比对后进行去重处理；

统计去重处理后的安全管理员的人员信息，得到安全管理员的实际配置人数。

7.根据权利要求5所述的方法，其特征在于，对实际配置人数小于理论配置人数的企业进行标注之后，所述方法还包括：

将被标注后的企业输出至预设的数据存储位置，所述预设的数据存储位置用于集中存储实际配置人数小于理论配置人数的企业的企业信息，所述企业信息为所述企业的基础数据的子集；和/或

向被标注后的企业的企业责任人和片区监管人员推送安全风险提示信息。

8.一种基于神经网络模型的安全管理员配比确定装置，其特征在于，包括：

基础数据获取模块，用于从包括企业基础数据的数据库中获取企业的基础数据，所述基础数据包括企业员工信息、企业行业信息、企业安全生产信息和安全管理员资质信息；

评价数据提取模块，用于根据预设的企业安全生产风险评估指标从所述基础数据中提取对应的数据；

风险识别模块，用于将提取的数据输入训练好的安全生产风险预警模型进行识别，得到所述企业对应的风险预警等级；所述安全生产风险预警模型为神经网络模型；

生产类型识别模块，用于根据所述企业的企业行业信息，在企业类型字典中匹配得到所述企业的企业安全生产类型；以及

配置比例确定模块，用于根据所述企业对应的风险预警等级和企业安全生产类型，得到所述企业对应的安全管理员配置比例。

9.一种基于神经网络模型的安全管理员配比确定设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于神经网络模型的安全管理员配比确定方法。

10.一种计算机可读存储介质，所述存储介质中存储有指令，其特征在于，当其在计算机上运行时，使得计算机执行权利要求1至7中任一项所述的基于神经网络模型的安全管理员配比确定方法。

Images