CN114936614A - 一种基于神经网络的作业风险识别方法及系统 - Google Patents
一种基于神经网络的作业风险识别方法及系统 Download PDFInfo
- Publication number
- CN114936614A CN114936614A CN202210874632.5A CN202210874632A CN114936614A CN 114936614 A CN114936614 A CN 114936614A CN 202210874632 A CN202210874632 A CN 202210874632A CN 114936614 A CN114936614 A CN 114936614A
- Authority
- CN
- China
- Prior art keywords
- risk
- historical data
- neural network
- risk identification
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 45
- 238000004140 cleaning Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及大数据处理技术领域,公开了一种基于神经网络的作业风险识别方法及系统,其方法通过获取作业风险发生时对应的历史数据以及对应的风险类型,对所有历史数据进行分类,并利用欧式距离计算历史数据与其风险类型的相关度,取相关度大于预设相关度阈值的历史数据以及风险类型构建训练样本集,基于深度神经网络对训练样本集进行训练,构建作业风险识别模型,从而对风险数据进行识别风险类型,提高了作业风险识别效率和准确性。
Description
技术领域
本发明涉及大数据处理技术领域,尤其涉及一种基于神经网络的作业风险识别方法及系统。
背景技术
安全督查是防范化解现场作业风险的重要措施之一。传统的督查方法主要基于人工的经验,结合数据对风险进行识别,识别的效率低。传统的数据形式多,无法准确甄别数据和风险之间的关联性,无法满足自动化识别的要求。
现阶段,安全督查主要采取现场督查和视频督查的方法对员工在作业过程中的风险进行督查,但这种方法存在效率低下,风险发现不够准确,这就难以有效揭示人身安全管控薄弱环节等问题。
发明内容
本发明提供了一种基于神经网络的作业风险识别方法及系统,解决了作业风险识别效率低下且准确性较低的技术问题。
有鉴于此,本发明第一方面提供了一种基于神经网络的作业风险识别方法,包括以下步骤:
获取作业风险发生时对应的历史数据以及对应的风险类型;
提取所有历史数据的特征向量,按照风险类型对所有特征向量进行归类,得到若干个特征集合;
获取每个特征集合的平均特征向量矩阵,利用欧式距离计算每个特征向量与其相应的特征集合的平均特征向量矩阵的相关度,获取相关度大于预设相关度阈值的历史数据;
将相关度大于所述预设相关度阈值的历史数据及其对应的风险类型构建训练样本集;
基于深度神经网络对所述训练样本集进行训练,构建作业风险识别模型。
优选地,所述获取作业风险发生时对应的历史数据以及对应的风险类型的步骤之后包括:
对所述历史数据进行数据清洗,所述数据清洗的方式包括插值处理、异常值清理和标准化处理。
优选地,提取所有历史数据的特征向量的步骤具体包括:
通过空间向量模型对所述历史数据进行向量化,得到相应的特征向量。
优选地,基于深度神经网络对所述训练样本集进行训练,构建作业风险识别模型的步骤具体包括:
基于两个不同的深度神经网络对所述训练样本集进行训练,构建两个作业风险识别模型。
优选地,所述基于两个不同的深度神经网络对所述训练样本集进行训练,构建两个作业风险识别模型的步骤之后包括:
获取作业风险发生时对应的实时数据;
将所述实时数据分别输入至两个作业风险识别模型中,分别得到相应的风险类型标签识别结果;
将两个风险类型标签识别结果进行加权计算,得到最终的风险类型。
第二方面,本发明还提供了一种基于神经网络的作业风险识别系统,包括:
历史数据获取模块,用于获取作业风险发生时对应的历史数据以及对应的风险类型;
分类模块,用于提取所有历史数据的特征向量,按照风险类型对所有特征向量进行归类,得到若干个特征集合;
相关计算模块,用于获取每个特征集合的平均特征向量矩阵,利用欧式距离计算每个特征向量与其相应的特征集合的平均特征向量矩阵的相关度,获取相关度大于预设相关度阈值的历史数据;
样本集构建模块,用于将相关度大于所述预设相关度阈值的历史数据及其对应的风险类型构建训练样本集;
模型训练模块,用于基于深度神经网络对所述训练样本集进行训练,构建作业风险识别模型。
优选地,本系统还包括:
数据清洗模块,用于对所述历史数据进行数据清洗,所述数据清洗的方式包括插值处理、异常值清理和标准化处理。
优选地,所述分类模块包括:
向量化模块,用于通过空间向量模型对所述历史数据进行向量化,得到相应的特征向量。
优选地,所述模型训练模块具体用于基于两个不同的深度神经网络对所述训练样本集进行训练,构建两个作业风险识别模型。
优选地,本系统还包括:
实时数据获取模块,用于获取作业风险发生时对应的实时数据;
识别模块,用于将所述实时数据分别输入至两个作业风险识别模型中,分别得到相应的风险类型标签识别结果;
加权计算模块,用于将两个风险类型标签识别结果进行加权计算,得到最终的风险类型。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获取作业风险发生时对应的历史数据以及对应的风险类型,对所有历史数据进行分类,并利用欧式距离计算历史数据与其风险类型的相关度,取相关度大于预设相关度阈值的历史数据以及风险类型构建训练样本集,基于深度神经网络对训练样本集进行训练,构建作业风险识别模型,从而对风险数据进行识别风险类型,提高了作业风险识别效率和准确性。
附图说明
图1为本发明实施例提供的一种基于神经网络的作业风险识别方法的流程图;
图2为本发明实施例提供的一种基于神经网络的作业风险识别系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于理解,请参阅图1,本发明提供的一种基于神经网络的作业风险识别方法,包括以下步骤:
S1、获取作业风险发生时对应的历史数据以及对应的风险类型。
可以理解的是,可以从电力业务系统中获取到与各类风险相关的历史数据,如历史事故事件违章数据、视频督查发现违章数据、现场督查发现违章数据,其对应的风险类型分别为历史事故事件违章风险、视频督查发现违章风险和现场督查发现违章风险。
S2、提取所有历史数据的特征向量,按照风险类型对所有特征向量进行归类,得到若干个特征集合。
其中可以通过空间向量模型对历史数据进行向量化,得到相应的特征向量。并按照前述步骤S1得到的风险类型对所有特征向量进行分类,得到若干个特征集合。
S3、获取每个特征集合的平均特征向量矩阵,利用欧式距离计算每个特征向量与其相应的特征集合的平均特征向量矩阵的相关度,获取相关度大于预设相关度阈值的历史数据。
其中,可以将每个特征集合的所有特征向量映射到预设维度的空间向量后,得到相应的特征向量矩阵,将所有特征向量矩阵进行加和进行平均,得到平均特征向量矩阵。
其中,计算欧式距离也即计算特征向量与平均特征向量矩阵之间的余弦值,欧式距离可以判断每个历史数据与风险类型的相关程度,其程度越高,相关度越高,使其构建的训练样本更加准确。同时,根据人工经验预先设定相关度阈值。
S4、将相关度大于预设相关度阈值的历史数据及其对应的风险类型构建训练样本集。
其中,训练样本集包括历史数据及其对应的风险类型之间的映射关系,并以存在映射关系的历史数据及其对应的风险类型为一组样本。
S5、基于深度神经网络对训练样本集进行训练,构建作业风险识别模型。
本实施例提供的一种基于神经网络的作业风险识别方法,通过获取作业风险发生时对应的历史数据以及对应的风险类型,对所有历史数据进行分类,并利用欧式距离计算历史数据与其风险类型的相关度,取相关度大于预设相关度阈值的历史数据以及风险类型构建训练样本集,基于深度神经网络对训练样本集进行训练,构建作业风险识别模型,从而对风险数据进行识别风险类型,提高了作业风险识别效率和准确性。
在一个具体实施例中,步骤S1之后包括:
对历史数据进行数据清洗,数据清洗的方式包括插值处理、异常值清理和标准化处理。
可以理解的是,插值处理即将历史数据中缺失的数据利用近似数据进行补齐;异常值清理即对历史数据进行异常值检测,并清理异常值;标准化处理即对历史数据进行标准化处理,统一单位。
在一个示例中,若历史数据量不足,可以模拟生成数据样本来扩充样本量,在本实施例中,我们设置一个噪声函数去处理样本数据,噪声函按照数据的平均值生成一个±5%平均值的噪声附加在采集得到样本中,以扩充样本集合。
在一个具体实施例中,步骤S5具体包括:
S501、基于两个不同的深度神经网络对训练样本集进行训练,构建两个作业风险识别模型。
可以理解的是,为了增加预测的准确程度,本实施例选择两个不同种类的深度神经网络,深度神经网络包括但不限于VGG-16、Inception-V4、ResNet、WRN (wide residualnetwork)、SqueezeNet等。
在具体的训练过程中,首先将样本数据输入到模型中,让模型进行预测,在预测完毕后,根据输出结果和样本数据的标签进行损失函数的计算。损失函数采用平方损失函数,然后设置一个BP神经网络进行参数调整。最终,通过参数调整,直到模型在验证集上收敛为止。
在一个具体实施例中,步骤S501之后包括:
S502、获取作业风险发生时对应的实时数据;
S503、将实时数据分别输入至两个作业风险识别模型中,分别得到相应的风险类型标签识别结果;
S504、将两个风险类型标签识别结果进行加权计算,得到最终的风险类型。
可以理解的是,采用两种不同类型的模型来进行预测,可以弥补个别模型的缺陷,从而提升精准度。
以上为本发明提供的一种基于神经网络的作业风险识别方法的实施例的详细描述,以下为本发明提供的一种基于神经网络的作业风险识别系统的实施例的详细描述。
为了方便理解,请参阅图2,本发明提供的一种基于神经网络的作业风险识别系统,包括:
历史数据获取模块100,用于获取作业风险发生时对应的历史数据以及对应的风险类型;
分类模块200,用于提取所有历史数据的特征向量,按照风险类型对所有特征向量进行归类,得到若干个特征集合;
相关计算模块300,用于获取每个特征集合的平均特征向量矩阵,利用欧式距离计算每个特征向量与其相应的特征集合的平均特征向量矩阵的相关度,获取相关度大于预设相关度阈值的历史数据;
样本集构建模块400,用于将相关度大于预设相关度阈值的历史数据及其对应的风险类型构建训练样本集;
模型训练模块500,用于基于深度神经网络对训练样本集进行训练,构建作业风险识别模型。
在一个具体实施例中,本系统还包括:
数据清洗模块,用于对历史数据进行数据清洗,数据清洗的方式包括插值处理、异常值清理和标准化处理。
在一个具体实施例中,分类模块包括:
向量化模块,用于通过空间向量模型对历史数据进行向量化,得到相应的特征向量。
在一个具体实施例中,模型训练模块具体用于基于两个不同的深度神经网络对训练样本集进行训练,构建两个作业风险识别模型。
在一个具体实施例中,本系统还包括:
实时数据获取模块,用于获取作业风险发生时对应的实时数据;
识别模块,用于将实时数据分别输入至两个作业风险识别模型中,分别得到相应的风险类型标签识别结果;
加权计算模块,用于将两个风险类型标签识别结果进行加权计算,得到最终的风险类型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的作业风险识别方法,其特征在于,包括以下步骤:
获取作业风险发生时对应的历史数据以及对应的风险类型;
提取所有历史数据的特征向量,按照风险类型对所有特征向量进行归类,得到若干个特征集合;
获取每个特征集合的平均特征向量矩阵,利用欧式距离计算每个特征向量与其相应的特征集合的平均特征向量矩阵的相关度,获取相关度大于预设相关度阈值的历史数据;
将相关度大于所述预设相关度阈值的历史数据及其对应的风险类型构建训练样本集;
基于深度神经网络对所述训练样本集进行训练,构建作业风险识别模型。
2.根据权利要求1所述的基于神经网络的作业风险识别方法,其特征在于,所述获取作业风险发生时对应的历史数据以及对应的风险类型的步骤之后包括:
对所述历史数据进行数据清洗,所述数据清洗的方式包括插值处理、异常值清理和标准化处理。
3.根据权利要求1所述的基于神经网络的作业风险识别方法,其特征在于,提取所有历史数据的特征向量的步骤具体包括:
通过空间向量模型对所述历史数据进行向量化,得到相应的特征向量。
4.根据权利要求1所述的基于神经网络的作业风险识别方法,其特征在于,基于深度神经网络对所述训练样本集进行训练,构建作业风险识别模型的步骤具体包括:
基于两个不同的深度神经网络对所述训练样本集进行训练,构建两个作业风险识别模型。
5.根据权利要求4所述的基于神经网络的作业风险识别方法,其特征在于,所述基于两个不同的深度神经网络对所述训练样本集进行训练,构建两个作业风险识别模型的步骤之后包括:
获取作业风险发生时对应的实时数据;
将所述实时数据分别输入至两个作业风险识别模型中,分别得到相应的风险类型标签识别结果;
将两个风险类型标签识别结果进行加权计算,得到最终的风险类型。
6.一种基于神经网络的作业风险识别系统,其特征在于,包括:
历史数据获取模块,用于获取作业风险发生时对应的历史数据以及对应的风险类型;
分类模块,用于提取所有历史数据的特征向量,按照风险类型对所有特征向量进行归类,得到若干个特征集合;
相关计算模块,用于获取每个特征集合的平均特征向量矩阵,利用欧式距离计算每个特征向量与其相应的特征集合的平均特征向量矩阵的相关度,获取相关度大于预设相关度阈值的历史数据;
样本集构建模块,用于将相关度大于所述预设相关度阈值的历史数据及其对应的风险类型构建训练样本集;
模型训练模块,用于基于深度神经网络对所述训练样本集进行训练,构建作业风险识别模型。
7.根据权利要求6所述的基于神经网络的作业风险识别系统,其特征在于,还包括:
数据清洗模块,用于对所述历史数据进行数据清洗,所述数据清洗的方式包括插值处理、异常值清理和标准化处理。
8.根据权利要求6所述的基于神经网络的作业风险识别系统,其特征在于,所述分类模块包括:
向量化模块,用于通过空间向量模型对所述历史数据进行向量化,得到相应的特征向量。
9.根据权利要求6所述的基于神经网络的作业风险识别系统,其特征在于,所述模型训练模块具体用于基于两个不同的深度神经网络对所述训练样本集进行训练,构建两个作业风险识别模型。
10.根据权利要求9所述的基于神经网络的作业风险识别系统,其特征在于,还包括:
实时数据获取模块,用于获取作业风险发生时对应的实时数据;
识别模块,用于将所述实时数据分别输入至两个作业风险识别模型中,分别得到相应的风险类型标签识别结果;
加权计算模块,用于将两个风险类型标签识别结果进行加权计算,得到最终的风险类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210874632.5A CN114936614B (zh) | 2022-07-25 | 2022-07-25 | 一种基于神经网络的作业风险识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210874632.5A CN114936614B (zh) | 2022-07-25 | 2022-07-25 | 一种基于神经网络的作业风险识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114936614A true CN114936614A (zh) | 2022-08-23 |
CN114936614B CN114936614B (zh) | 2023-01-03 |
Family
ID=82869325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210874632.5A Active CN114936614B (zh) | 2022-07-25 | 2022-07-25 | 一种基于神经网络的作业风险识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936614B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935265A (zh) * | 2023-03-03 | 2023-04-07 | 支付宝(杭州)信息技术有限公司 | 训练风险识别模型的方法、风险识别方法及对应装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
CN111723970A (zh) * | 2020-05-06 | 2020-09-29 | 国网浙江省电力有限公司衢州供电公司 | 一种电力作业隐患预测方法 |
CN112884204A (zh) * | 2021-01-22 | 2021-06-01 | 中国科学院信息工程研究所 | 网络安全风险事件预测方法及装置 |
CN113743726A (zh) * | 2021-08-04 | 2021-12-03 | 国网福建省电力有限公司信息通信分公司 | 基于边缘计算的输电线路电缆沟作业安全管控方法及系统 |
-
2022
- 2022-07-25 CN CN202210874632.5A patent/CN114936614B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
CN111723970A (zh) * | 2020-05-06 | 2020-09-29 | 国网浙江省电力有限公司衢州供电公司 | 一种电力作业隐患预测方法 |
CN112884204A (zh) * | 2021-01-22 | 2021-06-01 | 中国科学院信息工程研究所 | 网络安全风险事件预测方法及装置 |
CN113743726A (zh) * | 2021-08-04 | 2021-12-03 | 国网福建省电力有限公司信息通信分公司 | 基于边缘计算的输电线路电缆沟作业安全管控方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935265A (zh) * | 2023-03-03 | 2023-04-07 | 支付宝(杭州)信息技术有限公司 | 训练风险识别模型的方法、风险识别方法及对应装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114936614B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021109578A1 (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN111652496B (zh) | 基于网络安全态势感知系统的运行风险评估方法及装置 | |
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 | |
CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
CN111309565B (zh) | 告警处理方法、装置、电子设备以及计算机可读存储介质 | |
CN110781914A (zh) | 一种设备故障的监控处理方法、装置、设备和存储介质 | |
CN114511112A (zh) | 一种基于物联网的智慧运维方法、系统和可读存储介质 | |
CN111800430A (zh) | 一种攻击团伙识别方法、装置、设备及介质 | |
CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
CN113612650A (zh) | 一种对边缘计算设备的监测方法 | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN111953531B (zh) | 网络故障分析方法及装置 | |
TWI662809B (zh) | 影像串流服務的障礙定位系統及維運方法 | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
CN117354171A (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 |
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 |