CN115187026A - 一种产业风险监控方法、系统和可读存储介质 - Google Patents
一种产业风险监控方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN115187026A CN115187026A CN202210749284.9A CN202210749284A CN115187026A CN 115187026 A CN115187026 A CN 115187026A CN 202210749284 A CN202210749284 A CN 202210749284A CN 115187026 A CN115187026 A CN 115187026A
- Authority
- CN
- China
- Prior art keywords
- industrial
- risk
- economic loss
- monitoring
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012954 risk control Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种产业风险监控方法、系统和可读存储介质，其中方法包括：获取产业历史数据信息，将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型；获取产业监控数据信息，将产业监控数据输入至产业风险监控模型，得到产额风险等级信息；将产业风险等级信息发送至预设终端进行显示。本发明以产业历史数据为基础，结合神经网络模型以及产业监控数据进行分析计算，得到产业风险等级信息，通过大数据对产业风险进行监控，避免人工失误，使得产业风险监控更加精准。
Description
技术领域
本申请涉及数据分析和处理技术领域，更具体的，涉及一种产业风险监控方法、系统和可读存储介质。
背景技术
产业风险监控是指在产业运行过程中，对产业风险的形成以及变化情况进行实时监测，并根据风险等级进行判断以及做出安全防范。其中产业风险因素包括自身因素和外在因素，自身因素又包括：产业技术问题、资金问题等，外在因素包括：政策问题、环境问题等，于产业风险因素众多，因此很难进行综合考虑，而目前阶段，产业风险监控主要由人工根据自身经验进行确认，使得产业风险监控的准确性更低。
因此，现有技术存在缺陷，亟待改进。
发明内容
鉴于上述问题，本发明的目的是提供一种产业风险监控方法、系统和可读存储介质，能够更加精准的判断产业风险状况，并根据产业风险等级进行警示。
本发明第一方面提供了一种产业风险监控方法，包括：
获取产业历史数据信息；
将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型；
获取产业监控数据信息；
将产业监控数据输入至产业风险监控模型，得到产业风险等级信息；
将产业风险等级信息发送至预设终端进行显示。
本方案中，还包括：
将产业监控数据根据不同属性进行分类，得到不同性质的产业数据信息；
提取产业中存在的风险事故或事件信息；
将所述风险事故或事件信息按照不同性质进行分类并发送至服务器进行存储。
本方案中，还包括：
将产业历史数据进行预处理，得到神经网络模型训练样本；
将神经网络模型训练样本发送至预设的经济损失预测模型进行训练，得到经济损失预测值；
判断所述经济损失预测值与实际经济损失值的差值是否小于第一预设阈值，若是，则停止训练，得到所述经济损失预测模型。
本方案中，还包括：
将产业监控数据输入至预设的经济损失预测模型，得到经济损失预测值；
将经济损失预测值按照预设的区间进行划分，得到经济损失预测值对应的分值A信息；
将经济损失预测值对应的分值A发送至服务器进行存储。
本方案中，还包括：
将产业监控数据的符号型数据进行预处理，得到数值型数据，记录数值Bx1；
根据数值型数据Bx1与预设的风险阈值Bx0进行差值计算；
若Bx1-Bx0≥0，则对应产业监控数据的风险概率p＝1；
若Bx1-Bx0<0，则对应产业监控数据的风险概率
其中x表示对应的产业风险种类，n为大于1的系数。
本方案中，还包括：
根据产业监控数据中对产业构成的风险概率p和经济损失预测值对应的分值A，得到产业风险等级数f(x)；
其公式为：f(x)＝A*p，其中x表示产业风险种类；
将产业风险等级数f(x)发送至服务器进行存储。
本发明第二方面提供了一种产业风险监控系统，包括存储器和处理器，所述存储器中存储有产业风险监控方法程序，所述产业风险监控方法程序被所述处理器执行时实现如下步骤：
获取产业历史数据信息；
将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型；
获取产业监控数据信息；
将产业监控数据输入至产业风险监控模型，得到产业风险等级信息；
将产业风险等级信息发送至预设终端进行显示。
本方案中，还包括：
将产业监控数据根据不同属性进行分类，得到不同性质的产业数据信息；
提取产业中存在的风险事故或事件信息；
将所述风险事故或事件信息按照不同性质进行分类并发送至服务器进行存储。
本方案中，还包括：
将产业历史数据进行预处理，得到神经网络模型训练样本；
将神经网络模型训练样本发送至预设的经济损失预测模型进行训练，得到经济损失预测值；
判断所述经济损失预测值与实际经济损失值的差值是否小于第一预设阈值，若是，则停止训练，得到所述经济损失预测模型。
本方案中，还包括：
将产业监控数据输入至预设的经济损失预测模型，得到经济损失预测值；
将经济损失预测值按照预设的区间进行划分，得到经济损失预测值对应的分值A信息；
将经济损失预测值对应的分值A发送至服务器进行存储。
本方案中，还包括：
将产业监控数据的符号型数据进行预处理，得到数值型数据，记录数值Bx1；
根据数值型数据Bx1与预设的风险阈值Bx0进行差值计算；
若Bx1-Bx0≥0，则对应产业监控数据的风险概率p＝1；
若Bx1-Bx0<0，则对应产业监控数据的风险概率
其中x表示对应的产业风险种类，n为大于1的系数。
本方案中，还包括：
根据产业监控数据中对产业构成的风险概率p和经济损失预测值对应的分值A，得到产业风险等级数f(x)；
其公式为：f(x)＝A*p，其中x表示产业风险种类；
将产业风险等级数f(x)发送至服务器进行存储。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有一种产业风险监控方法程序，所述一种产业风险监控方法程序被处理器执行时，实现如上述任一项所述的一种产业风险监控方法的步骤。
本发明公开的一种产业风险监控方法、系统和可读存储介质，本发明以产业历史数据为基础，结合神经网络模型以及产业监控数据进行分析计算，得到产业风险等级信息，通过大数据对产业风险进行监控，避免人工失误，使得产业风险监控更加精准。
附图说明
图1示出了本发明一种产业风险监控方法的流程图；
图2示出了本发明中产业风险监控方法的流程示意图；
图3示出了本发明一种产业风险监控系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种产业风险监控方法的流程图。
如图1所示，本发明公开了一种产业风险监控方法，包括：
S102,获取产业历史数据信息；
S104,将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型；
S106,获取产业监控数据信息；
S108,将产业监控数据输入至产业风险监控模型，得到产业风险等级信息；
S110,将产业风险等级信息发送至预设终端进行显示。
需要说明的是，产业历史数据包括产业监控历史数据、在产业监控历史数据下形成的产业风险以及造成的经济或人员损失，其中产业监控历史数据包括：资源、经济、技术、环境、市场和政策等能够形成产业风险的因素，比如，经济包含对企用工的监测，通过企业员工数量、增员、减员以及用工结构等多个纬度，对企业用工情况及效率进行监控；经济方面还包括对产业中产品的销售状态、企业经营状态等涉及产业经济因素进行监测；资源包含对产业中的生产人员、产品原材料、生产机械等涉及资源方面进行监测。将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型，所述产业风险监控模型包括经济损失预测模型和风险等级计算系统，将产业监控数据发送至经济损失预测型，得到对应监控数据的经济损失预测值，再将经济损失预测值和经过预处理的产业监控数据输入至风险等级计算系统，得到产业风险等级数，其中，产业风险等级数越高，说明产业风险指数越大，对应的可能造成产业经济损失越大，再将产业风险等级数发送至预设终端进行显示。
根据本发明实施例，还包括：
将产业监控数据根据不同属性进行分类，得到不同性质的产业数据信息；
提取产业中存在的风险事故或事件信息；
将所述风险事故或事件信息按照不同性质进行分类并发送至服务器进行存储。
需要说明的是，将产业监控数据根据不同属性进行分类，比如从宏观角度分为：资源、经济、技术、环境、市场和政策等，从种类角度可以分为：人员、材料、机械或机具、管理费用和产业相关税等，具体根据产业内容进行实际划分，保证产业监控数据从属不低于一种划分类别，当产业监控数据同时属于多种类别时，多种类别同时记录该产业监控数据，比如，产业引进的系统m，同时解决了技术和环境问题，则将系统m同时记录在技术和环境领域，当系统m出现问题时，将对产业造成技术风险和对产业周围环境造成影响，将系统m造成的产业风险事故或事件同时进行记录。
根据本发明实施例，还包括：
将产业历史数据进行预处理，得到神经网络模型训练样本；
将神经网络模型训练样本发送至预设的经济损失预测模型进行训练，得到经济损失预测值；
判断所述经济损失预测值与实际经济损失值的差值是否小于第一预设阈值，若是，则停止训练，得到所述经济损失预测模型。
需要说明的是，产业历史数据包括产业监控历史数据、在产业监控历史数据下形成的产业风险以及造成的经济或人员损失。将产业历史数据发送至预设的神经网络模型进行训练，数据越多和越详细，得到的神经网络模型越精确，神经网络能够对输入数据进行自动匹配以及生成函数，通过训练样本进行反复训练，使得经济损失预测模型的精确度在第一预设阈值之内，比如第一预设阈值为1000，说明经济损失预测值与实际损失值差额在1000元之内时，则该神经网络模型为训练成功，将产业历史数据中部分风险事故或事件信息，以及对应风险事故或事件造成的实际经济损失S0数据进行预处理，得到测试样本，将测试样本发送至经济损失预测模型，得的经济损失预测值S1，当历史经济损失实际值和经济损失预测值相差小于1000元时，即：|S0-S1|≤1000,停止训练。
根据本发明实施例，还包括：
将产业监控数据输入至预设的经济损失预测模型，得到经济损失预测值；
将经济损失预测值按照预设的区间进行划分，得到经济损失预测值对应的分值A信息；
将经济损失预测值对应的分值A发送至服务器进行存储。
需要说明的是，以经济损失预测值不方便直接确定风险等级，因此，通过预设经济区间对经济损失预测值进行划分，将经济损失预测值进行差值计算，确定经济损失预测值落入的预设经济区间，得到经济损失预测值对应的分值情况，记录分值A,所述预设经济区间根据产业经济情况进行定制，比如，产业C的经济区间为：1万以及1万以下为1分，1-3万为2分，3-10万为3分，10-30万为4分，30-50万为5分，50万以上为6分，其中区间值包含最大值，即3万为2分，若产业C监测的数据D通过经济损失预测模型得到的经济损失预测值为8万，则对应数据D的分值为3分。
根据本发明实施例，还包括：
将产业监控数据的符号型数据进行预处理，得到数值型数据，记录数值Bx1；
根据数值型数据Bx1与预设的风险阈值Bx0进行差值计算；
若Bx1-Bx0≥0，则对应产业监控数据的风险概率p＝1；
若Bx1-Bx0<0，则对应产业监控数据的风险概率
其中x表示对应的产业风险种类，n为大于1的系数。
需要说明的是，产业监控数据按照不同属性进行分类，将分类好的产业监控数据与对应的预设分值表进行匹配，或发送至预设专家端进行打分，得到产业监控数据对应分值Bx1，通过阈值进行判断该产业监控数据的可能发生风险概率p，比如：产业中机械的温度达到100℃时，会对产品质量造成一定影响，当监测到机械的温度值达到50℃，则其中根据温度监测得到的数据对应形成的产业风险概率
若系数n设为2，则所述产业风险概率p＝0.25，其中系数n根据实际情况进行确认，当监测到机械的温度值大于或等于100℃时，说明该机械已经对产品质量造成了影响，则产业风险以及生产，即概率为1(100％)。
根据本发明实施例，还包括：
根据产业监控数据中对产业构成的风险概率p和经济损失预测值对应的分值A，得到产业风险等级数f(x)；
其公式为：f(x)＝A*p，其中x表示产业风险种类；
将产业风险等级数f(x)发送至服务器进行存储。
需要说明的是，将产业监控数据中对应产业构成的风险概率和经济损失预测值进行结合，综合考虑得到产业风险等级数f(x)，若f(x)值不为整数，则风险等级数加1取整，比如，产业风险种类x1的概率为0.6，对应经济损失预测值对应的分值为4，则f(x1)＝2.4，则记录风险等级数为3，若监控数据中同时出现多种对产业构成风险事故或事件，则将对应经济损失预测值进行叠加，根据最大风险事故或事件的发生概率进行计算，比如，产业风险种类x2的概率为0.6，经济损失预测值为5万，对应分值为3分，产业风险种类x3的概率为0.2，经济损失预测值为6万，对应分值为3分，若产业风险种类x2和x3同时监测到，则将经济损失预测值进行叠加为11万，对应分值为4分，则得到的风险等级数为f(x2，x3)＝0.6*4＝2.4，记录对应风险等级数为3级，将综合风险等级为3以及对应各产业风险种类的风险等级为2发送至终端进行显示。
根据本发明实施例，还包括：
判断产业风险等级数f(x)是否大于第二预设阈值；
若是，则说明产业风险等级数超过企业的可控范围，触发风险警示装置，并将产业风险等级数f(x)发送至终端进行显示；
若否，则在终端显示产业风险等级处于可接受范围。
需要说明的是，产业风险监控费用投入的越多，风险管控效果越明显，因此，需要将产业风险监控费用和风险管控进行平衡考虑，比如第二预设阈值为2，则说明当产业风险等级数小于或等于2时，产业风险在接受范围。
根据本发明实施例，还包括：
将产业监控数据和产业风险等级数发送至人工端进行检测，得到评价分值；
判断评价分值是否大于第三预设阈值，若否，则得到产业监控数据信息和对应产业风险等级不匹配；
将产业监控数据信息和对应产业风险等级不匹配信息发送至预设终端进行显示。
需要说明的是，为了避免系统故障，将产业监控数据和产业风险等级数发送至人工端进行检测，判断产业监控数据与产业风险等级数是否匹配，若不匹配，则说明产业风险监控模型还需要进一步调整，比如第三预设为90分，人工端对产业风险监控模型计算出来的风险等级数打分为92分，说明产业监控数据信息和对应产业风险等级匹配。
图2示出了本发明中产业风险监控方法的流程示意图。
如图2所示，本发明以产业历史数据为基础，得到经济损失预测模型以及风险等级计算系统，将产业监控数据发送至经济损失预测模型，得到经济损失预测值对应的分值，再将产业监控数据进行预处理，得到数值型数据并计算得到产业风险概率，将经济损失预测值对应的分值和产业风险概率发送至风险等级计算系统，得到产业风险等级数，通过第二预设阈值对产业风险等级数进行判断，并将产业风险等级数发送至预设终端进行显示。
图3示出了本发明一种产业风险监控系统的框图。
如图3所示，本发明第二方面提供了一种产业风险监控系统3，包括存储器31和处理器32，所述存储器中存储有产业风险监控方法程序，所述产业风险监控方法程序被所述处理器执行时实现如下步骤：
获取产业历史数据信息；
将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型；
获取产业监控数据信息；
将产业监控数据输入至产业风险监控模型，得到产业风险等级信息；
将产业风险等级信息发送至预设终端进行显示。
需要说明的是，产业历史数据包括产业监控历史数据、在产业监控历史数据下形成的产业风险以及造成的经济或人员损失，其中产业监控历史数据包括：资源、经济、技术、环境、市场和政策等能够形成产业风险的因素，比如，经济包含对企用工的监测，通过企业员工数量、增员、减员以及用工结构等多个纬度，对企业用工情况及效率进行监控；经济方面还包括对产业中产品的销售状态、企业经营状态等涉及产业经济因素进行监测；资源包含对产业中的生产人员、产品原材料、生产机械等涉及资源方面进行监测。将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型，所述产业风险监控模型包括经济损失预测模型和风险等级计算系统，将产业监控数据输入至经济损失预测型，得到对应监控数据的经济损失预测值，再将经济损失预测值和经过预处理的产业监控数据发送至风险等级计算系统，得到产业风险等级数，其中，产业风险等级数越高，说明产业风险指数越大，对应的可能造成产业经济损失越大，再将产业风险等级数发送至预设终端进行显示。
根据本发明实施例，还包括：
将产业监控数据根据不同属性进行分类，得到不同性质的产业数据信息；
提取产业中存在的风险事故或事件信息；
将所述风险事故或事件信息按照不同性质进行分类并发送至服务器进行存储。
需要说明的是，将产业监控数据根据不同属性进行分类，比如从宏观角度分为：资源、经济、技术、环境、市场和政策等，从种类角度可以分为：人员、材料、机械或机具、管理费用和产业相关税等，具体根据产业内容进行实际划分，保证产业监控数据从属不低于一种划分类别，当产业监控数据同时属于多种类别时，多种类别同时记录该产业监控数据，比如，产业引进的系统m，同时解决了技术和环境问题，则将系统m同时记录在技术和环境领域，当系统m出现问题时，将对产业造成技术风险和对产业周围环境造成影响，将系统m造成的产业风险事故或事件同时进行记录。
根据本发明实施例，还包括：
将产业历史数据进行预处理，得到神经网络模型训练样本；
将神经网络模型训练样本发送至预设的经济损失预测模型进行训练，得到经济损失预测值；
判断所述经济损失预测值与实际经济损失值的差值是否小于第一预设阈值，若是，则停止训练，得到所述经济损失预测模型。
需要说明的是，产业历史数据包括产业监控历史数据、在产业监控历史数据下形成的产业风险以及造成的经济或人员损失。将产业历史数据发送至预设的神经网络模型进行训练，数据越多和越详细，得到的神经网络模型越精确，神经网络能够对输入数据进行自动匹配以及生成函数，通过训练样本进行反复训练，使得经济损失预测模型的精确度在第一预设阈值之内，比如第一预设阈值为1000，说明经济损失预测值与实际损失值差额在1000元之内时，则该神经网络模型为训练成功，将产业历史数据中部分风险事故或事件信息，以及对应风险事故或事件造成的实际经济损失S0数据进行预处理，得到测试样本，将测试样本发送至经济损失预测模型，得的经济损失预测值S1，当历史经济损失实际值和经济损失预测值相差小于1000元时，即：|S0-S1|≤1000,停止训练。
根据本发明实施例，还包括：
将产业监控数据输入至预设的经济损失预测模型，得到经济损失预测值；
将经济损失预测值按照预设的区间进行划分，得到经济损失预测值对应的分值A信息；
将经济损失预测值对应的分值A发送至服务器进行存储。
需要说明的是，以经济损失预测值不方便直接确定风险等级，因此，通过预设经济区间对经济损失预测值进行划分，将经济损失预测值进行差值计算，确定经济损失预测值落入的预设经济区间，得到经济损失预测值对应的分值情况，记录分值A,所述预设经济区间根据产业经济情况进行定制，比如，产业C的经济区间为：1万以及1万以下为1分，1-3万为2分，3-10万为3分，10-30万为4分，30-50万为5分，50万以上为6分，其中区间值包含最大值，即3万为2分，若产业C监测的数据D通过经济损失预测模型得到的经济损失预测值为8万，则对应数据D的分值为3分。
根据本发明实施例，还包括：
将产业监控数据的符号型数据进行预处理，得到数值型数据，记录数值Bx1；
根据数值型数据Bx1与预设的风险阈值Bx0进行差值计算；
若Bx1-Bx0≥0，则对应产业监控数据的风险概率p＝1；
若Bx1-Bx0<0，则对应产业监控数据的风险概率
其中x表示对应的产业风险种类，n为大于1的系数。
需要说明的是，产业监控数据按照不同属性进行分类，将分类好的产业监控数据与对应的预设分值表进行匹配，或发送至预设专家端进行打分，得到产业监控数据对应分值Bx1，通过阈值进行判断该产业监控数据的可能发生风险概率p，比如：产业中机械的温度达到100℃时，会对产品质量造成一定影响，当监测到机械的温度值达到50℃，则其中根据温度监测得到的数据对应形成的产业风险概率
若系数n设为2，则所述产业风险概率p＝0.25，其中系数n根据实际情况进行确认，当监测到机械的温度值大于或等于100℃时，说明该机械已经对产品质量造成了影响，则产业风险以及生产，即概率为1(100％)。
根据本发明实施例，还包括：
根据产业监控数据中对产业构成的风险概率p和经济损失预测值对应的分值A，得到产业风险等级数f(x)；
其公式为：f(x)＝A*p，其中x表示产业风险种类；
将产业风险等级数f(x)发送至服务器进行存储。
需要说明的是，将产业监控数据中对应产业构成的风险概率和经济损失预测值进行结合，综合考虑得到产业风险等级数f(x)，若f(x)值不为整数，则风险等级数加1取整，比如，产业风险种类x1的概率为0.6，对应经济损失预测值对应的分值为4，则f(x1)＝2.4，则记录风险等级数为3，若监控数据中同时出现多种对产业构成风险事故或事件，则将对应经济损失预测值进行叠加，根据最大风险事故或事件的发生概率进行计算，比如，产业风险种类x2的概率为0.6，经济损失预测值为5万，对应分值为3分，产业风险种类x3的概率为0.2，经济损失预测值为6万，对应分值为3分，若产业风险种类x2和x3同时监测到，则将经济损失预测值进行叠加为11万，对应分值为4分，则得到的风险等级数为f(x2，x3)＝0.6*4＝2.4，记录对应风险等级数为3级，将综合风险等级为3以及对应各产业风险种类的风险等级为2发送至终端进行显示。
根据本发明实施例，还包括：
判断产业风险等级数f(x)是否大于第二预设阈值；
若是，则说明产业风险等级数超过企业的可控范围，触发风险警示装置，并将产业风险等级数f(x)发送至终端进行显示；
若否，则在终端显示产业风险等级处于可接受范围。
需要说明的是，产业风险监控费用投入的越多，风险管控效果越明显，因此，需要将产业风险监控费用和风险管控进行平衡考虑，比如第二预设阈值为2，则说明当产业风险等级数小于或等于2时，产业风险在接受范围。
根据本发明实施例，还包括：
将产业监控数据和产业风险等级数发送至人工端进行检测，得到评价分值；
判断评价分值是否大于第三预设阈值，若否，则得到产业监控数据信息和对应产业风险等级不匹配；
将产业监控数据信息和对应产业风险等级不匹配信息发送至预设终端进行显示。
需要说明的是，为了避免系统故障，将产业监控数据和产业风险等级数发送至人工端进行检测，判断产业监控数据与产业风险等级数是否匹配，若不匹配，则说明产业风险监控模型还需要进一步调整，比如第三预设为90分，人工端对产业风险监控模型计算出来的风险等级数打分为92分，说明产业监控数据信息和对应产业风险等级匹配。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有一种产业风险监控方法程序，所述一种产业风险监控方法程序被处理器执行时，实现如上述任一项所述的一种产业风险监控方法的步骤。
本发明公开的一种产业风险监控方法、系统和可读存储介质，其中方法包括：获取产业历史数据信息，将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型；获取产业监控数据信息，将产业监控数据输入至产业风险监控模型，得到产额风险等级信息；将产业风险等级信息发送至预设终端进行显示。本发明以产业历史数据为基础，结合神经网络模型以及产业监控数据进行分析计算，得到产业风险等级信息，通过大数据对产业风险进行监控，避免人工失误，使得产业风险监控更加精准。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种产业风险监控方法，其特征在于，包括：
获取产业历史数据信息；
将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型；
获取产业监控数据信息；
将产业监控数据输入至产业风险监控模型，得到产业风险等级信息；
将产业风险等级信息发送至预设终端进行显示。
2.根据权利要求1所述的一种产业风险监控方法，其特征在于，包括：
将产业监控数据根据不同属性进行分类，得到不同性质的产业数据信息；
提取产业中存在的风险事故或事件信息；
将所述风险事故或事件信息按照不同性质进行分类并发送至服务器进行存储。
3.根据权利要求1所述的一种产业风险监控方法，其特征在于，包括：
将产业历史数据进行预处理，得到神经网络模型训练样本；
将神经网络模型训练样本发送至预设的经济损失预测模型进行训练，得到经济损失预测值；
判断所述经济损失预测值与实际经济损失值的差值是否小于第一预设阈值，若是，则停止训练，得到所述经济损失预测模型。
4.根据权利要求3所述的一种产业风险监控方法，其特征在于，包括：
将产业监控数据输入至预设的经济损失预测模型，得到经济损失预测值；
将经济损失预测值按照预设的区间进行划分，得到经济损失预测值对应的分值A信息；
将经济损失预测值对应的分值A发送至服务器进行存储。
5.根据权利要求1所述的一种产业风险监控方法，其特征在于，包括：
将产业监控数据的符号型数据进行预处理，得到数值型数据，记录数值Bx1；
根据数值型数据Bx1与预设的风险阈值Bx0进行差值计算；
若Bx1-Bx0≥0，则对应产业监控数据的风险概率p＝1；
若Bx1-Bx0<0，则对应产业监控数据的风险概率
其中x表示对应的产业风险种类，n为大于1的系数。
6.根据权利要求4或5所述的一种产业风险监控方法，其特征在于，包括：
根据产业监控数据中对产业构成的风险概率p和经济损失预测值对应的分值A，得到产业风险等级数f(x)；
其公式为：f(x)＝A*p，其中x表示产业风险种类；
将产业风险等级数f(x)发送至服务器进行存储。
7.一种产业风险监控系统，其特征在于，包括存储器和处理器，所述存储器中存储有产业风险监控方法程序，所述产业风险监控方法程序被所述处理器执行时实现如下步骤：
获取产业历史数据信息；
将产业历史数据发送至预设的神经网络模型进行训练，得到产业风险监控模型；
获取产业监控数据信息；
将产业监控数据输入至产业风险监控模型，得到产业风险等级信息；
将产业风险等级信息发送至预设终端进行显示。
8.根据权利要求7所述的一种产业风险监控系统，其特征在于，包括：
将产业监控数据根据不同属性进行分类，得到不同性质的产业数据信息；
提取产业中存在的风险事故或事件信息；
将所述风险事故或事件信息按照不同性质进行分类并发送至服务器进行存储。
9.根据权利要求7所述的一种产业风险监控系统，其特征在于，包括：
将产业历史数据进行预处理，得到神经网络模型训练样本；
将神经网络模型训练样本发送至预设的经济损失预测模型进行训练，得到经济损失预测值；
判断所述经济损失预测值与实际经济损失值的差值是否小于第一预设阈值，若是，则停止训练，得到所述经济损失预测模型。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有一种产业风险监控方法程序，所述一种产业风险监控方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种产业风险监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210749284.9A CN115187026A (zh) | 2022-06-28 | 2022-06-28 | 一种产业风险监控方法、系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210749284.9A CN115187026A (zh) | 2022-06-28 | 2022-06-28 | 一种产业风险监控方法、系统和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115187026A true CN115187026A (zh) | 2022-10-14 |
Family
ID=83515348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210749284.9A Pending CN115187026A (zh) | 2022-06-28 | 2022-06-28 | 一种产业风险监控方法、系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187026A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630847A (zh) * | 2022-12-07 | 2023-01-20 | 四川省华盾防务科技股份有限公司 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2781345A1 (en) * | 2012-06-26 | 2013-12-26 | First Porter | Risk assessment system |
| US20170161854A1 (en) * | 2015-12-04 | 2017-06-08 | Newmark & Company Real Estate, Inc. | Real estate bubble prediction based on big data |
| CN111383101A (zh) * | 2020-03-25 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN113283582A (zh) * | 2021-05-18 | 2021-08-20 | 广州致景信息科技有限公司 | 纺织行业金融损失预测方法、装置、存储介质及处理器 |
-
2022
- 2022-06-28 CN CN202210749284.9A patent/CN115187026A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2781345A1 (en) * | 2012-06-26 | 2013-12-26 | First Porter | Risk assessment system |
| US20170161854A1 (en) * | 2015-12-04 | 2017-06-08 | Newmark & Company Real Estate, Inc. | Real estate bubble prediction based on big data |
| CN111383101A (zh) * | 2020-03-25 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN113283582A (zh) * | 2021-05-18 | 2021-08-20 | 广州致景信息科技有限公司 | 纺织行业金融损失预测方法、装置、存储介质及处理器 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630847A (zh) * | 2022-12-07 | 2023-01-20 | 四川省华盾防务科技股份有限公司 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
| CN115630847B (zh) * | 2022-12-07 | 2023-03-28 | 四川省华盾防务科技股份有限公司 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112258303B (zh) | 围串标预警分析方法、装置、电子设备及存储介质 | |
| CN113516313A (zh) | 一种基于用户画像的燃气异常检测方法 | |
| CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
| CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
| CN113689129A (zh) | 一种基于风险分级及分级监察的综合性安全监管信息平台系统 | |
| CN114021971A (zh) | 一种高速公路运维管理综合评价系统、方法及存储介质 | |
| CN111539493A (zh) | 一种告警预测方法、装置、电子设备及存储介质 | |
| CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN113095931A (zh) | 贷后风险监控方法、装置及计算机设备 | |
| CN115187026A (zh) | 一种产业风险监控方法、系统和可读存储介质 | |
| CN115994767A (zh) | 基于电子商务的产品供应链管理系统 | |
| CN117850375B (zh) | 一种生产线的多维度监测系统 | |
| CN115524002A (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN117667570A (zh) | 一种统一监控数字化平台 | |
| CN112488534A (zh) | 一种银行软件上线前的风险预警方法、系统、设备和介质 | |
| CN116739332B (zh) | 一种基于大数据的产业链智能管理方法、系统及介质 | |
| CN111158338A (zh) | 一种基于主成分分析的化工风险监测方法 | |
| CN110910061A (zh) | 一种物料管理方法、系统、存储介质以及电子设备 | |
| CN111242564B (zh) | 一种成品油企业的购销全流程监管处理方法及装置 | |
| CN106528940A (zh) | 基于数理模型对列车车轴性能进行评价和预警的方法 | |
| CN112801788A (zh) | 一种互联网股权融资平台监控系统及监控方法 | |
| CN116596575B (zh) | 一种基于人工智能的生鲜产品收银控制系统 | |
| CN111222893B (zh) | 一种真实数据销售系统以及其工作方法 | |
| CN117540435A (zh) | 基于区块链的重型卡车动力电池信息溯源系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221014 |
|
| RJ01 | Rejection of invention patent application after publication |