CN115481880A - 一种公路施工重大风险源辨识方法 - Google Patents

一种公路施工重大风险源辨识方法 Download PDF

Info

Publication number
CN115481880A
CN115481880A CN202211082593.1A CN202211082593A CN115481880A CN 115481880 A CN115481880 A CN 115481880A CN 202211082593 A CN202211082593 A CN 202211082593A CN 115481880 A CN115481880 A CN 115481880A
Authority
CN
China
Prior art keywords
risk source
identification
category
data
risk
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
Application number
CN202211082593.1A
Other languages
English (en)
Inventor
林俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Road and Bridge Corp
Original Assignee
China Road and Bridge Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Road and Bridge Corp filed Critical China Road and Bridge Corp
Priority to CN202211082593.1A priority Critical patent/CN115481880A/zh
Publication of CN115481880A publication Critical patent/CN115481880A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种公路施工重大风险源辨识方法，包括以下步骤：利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，并采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型；对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别。本发明构建风险源辨识模型，实现对施工风险源的自动化识别，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别，以实现利用关联分析提高风险源辨识效率，无需对所有风险源进行一一判断，保障辨识实时性差。

Description

一种公路施工重大风险源辨识方法
技术领域
本发明涉及公路施工技术领域，具体涉及一种公路施工重大风险源辨识方法。
背景技术
随着经济发展的步伐日益加快，各行各业都得到了突飞猛进的发展，为了更好地推进我国基础设施的建设力度，我国公路建设项目也较之前有了显著的增强，在公路施工建设的各个阶段中公路路基工程是其中最为重要的一项内容，它的好坏直接关系着公路质量的高低，为人们的安全出行提供最可靠的保障。
施工期安全风险以人身安全为中心，凡是对人身安全产生影响的均称为风险源，是造成安全事故的潜在因素，风险辨识是进行风险分析时要首先进行的重要工作，风险识别最少要能解决三个方面的问题，一是有哪些风险应当考虑，二是引起这些风险的主要因素是什么，三是这些风险所引起后果的严重程度是什么。
在公路施工过程中所出现的各大危险事件中风险源是诱发危险事件发生的主要渊源，这也是公路施工安全管理部门所关注的焦点话题，在进行系统分析中我们只有做好风险源的分类与处理工作，才能从根本上提高公路施工中的安全系数，最大限度地减少事故的发生频率，因此，现有对公路施工过程中风险源的辨识具有多种方式，但是这些方式需要对所有风险源进行一一判断，导致辨识实时性差，最终影响风险源辨识效果，提高施工风险。
发明内容
本发明的目的在于提供一种公路施工重大风险源辨识方法，以解决现有技术中需要对所有风险源进行一一判断，导致辨识实时性差的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种公路施工重大风险源辨识方法，包括以下步骤：
步骤S1、利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，并采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型；
步骤S2、对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别；
步骤S3、实时监测目标公路的施工数据，并将施工数据进行主成分分析得到实时主辨识数据，将实时主辨识数据输入至风险源辨识模型得到目标公路的实时主风险源类别，再将实时主风险源类别和实时主风险源类别的关联风险源类别作为目标公路的实时风险源类别，以实现利用关联分析提高风险源辨识效率。
作为本发明的一种优选方案，所述利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，包括：
在公路施工工程抢修日志中提取出抢修时序处的风险源类别，以及抢修时序处的用于风险源辨识的施工数据，并将风险源类别和施工数据依据抢修时序整理为辨识样本；
所述辨识样本的表达式为：{(Yi,Xi)|i∈[1,N]}，式中，Yi表征为第i个风险源类别，Xi表征为辨识第i个风险源类别的施工数据，N为风险源类别总数，i为计量常数。
作为本发明的一种优选方案，所述采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型，包括：
将辨识样本中所述施工数据作为CNN神经网络的输入项，将辨识样本中所述风险源类别作为CNN神经网络的输出项，采用CNN神经网络模型基于所述输入项和所述输出项进行卷积训练得到所述风险源辨识模型；
所述风险源辨识模型的模型表达式为：
Y＝CNN(X)；
式中，Y为风险源类别的模型标识符，X为施工数据的模型标识符，CNN为CNN神经网络模型的模型标识符。
作为本发明的一种优选方案，所述对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，包括：
依次将每个风险源类别的辨识样本中施工数据获取时序由抢修时序前置预设时长得到预设时序，在预设时序至抢修时序间获取每个风险源类别的施工数据序列；
在所述施工数据序列中依次对每项施工数据分量进行数据变化率特征、数据变化趋势特征的提取得到所述风险源关联特征，所述数据变化率特征和数据变化趋势特征通过将施工数据分量以时序绘制为二维曲线进行分析得到。
作为本发明的一种优选方案，所述利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别，包括：
依次以每个风险源类别作为聚类中心，并利用聚类算法基于所述风险源关联特征对各个风险源类别进行聚类得到每个风险源类别的类别集合；
在每个风险源类别的类别集合中依次计算每个非聚类中心的风险源类别与聚类中心的集合内距离，并将所述类别集合内的集合内距离小于预设距离的非聚类中心的风险源类别作为类别集合内风险源类别的关联风险源类别，以得到包含各个风险源类别和风险源类别的关联风险源类别的关联查询表。
作为本发明的一种优选方案，所述将施工数据进行主成分分析得到实时主辨识数据，包括：
将目标公路的施工数据的获取时序由实时时序前置预设时长得到分析时序，在分析时序至实时时序间获取目标公路的施工数据序列；
将目标公路的施工数据序列进行主成分分析得到施工数据中每项施工数据分量的数据贡献值，并将数据贡献值高于数据贡献预设阈值的施工数据分量作为主辨识数据分量，将主辨识数据分量在实时时序处的数据值组合为实时主辨识数据。
作为本发明的一种优选方案，所述将实时主辨识数据输入至风险源辨识模型得到目标公路的实时主风险源类别，包括：
将实时主辨识数据输入至风险源辨识模型，由风险源辨识模型输出目标公路的实时主风险源类别。
作为本发明的一种优选方案，所述实时主风险源类别的关联风险源类别由所述关联查询表查询得到。
作为本发明的一种优选方案，所述施工数据在获取后进行归一化处理，并经过归一化处理后进行数据计算。
作为本发明的一种优选方案，所述集合内距离的计算公式为：
Figure BDA0003833845520000041
式中，Dk为类别集合内第k个风险源类别的集合内距离，Xk为类别集合内非聚类中心处的第k个风险源类别的风险源关联特征，Xcenter为类别集合内聚类中心处的风险源类别的风险源关联特征，k为计量常数。
本发明与现有技术相比较具有如下有益效果：
本发明构建风险源辨识模型，实现对施工风险源的自动化识别，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别，以实现利用关联分析提高风险源辨识效率，无需对所有风险源进行一一判断，保障辨识实时性差。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的公路施工重大风险源辨识方法流程图。
具体实施方式
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。
如图1所示，本发明提供了一种公路施工重大风险源辨识方法，包括以下步骤：
步骤S1、利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，并采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型；
利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，包括：
在公路施工工程抢修日志中提取出抢修时序处的风险源类别，以及抢修时序处的用于风险源辨识的施工数据，并将风险源类别和施工数据依据抢修时序整理为辨识样本；
辨识样本的表达式为：{(Yi,Xi)|i∈[1,N]}，式中，Yi表征为第i个风险源类别，Xi表征为辨识第i个风险源类别的施工数据，N为风险源类别总数，i为计量常数。
采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型，包括：
将辨识样本中施工数据作为CNN神经网络的输入项，将辨识样本中风险源类别作为CNN神经网络的输出项，采用CNN神经网络模型基于输入项和输出项进行卷积训练得到风险源辨识模型；
风险源辨识模型的模型表达式为：
Y＝CNN(X)；
式中，Y为风险源类别的模型标识符，X为施工数据的模型标识符，CNN为CNN神经网络模型的模型标识符。
构建出风险源辨识模型，能够通过施工数据来识别出施工过程中出现的风险源，从而替代人工进行逐项数据对照分析完成风险源辨识，风险源辨识模型能够避免人工辨识的随机性，提高了风险源辨识的效率和精度。
步骤S2、对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别；
对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，包括：
依次将每个风险源类别的辨识样本中施工数据获取时序由抢修时序前置预设时长得到预设时序，在预设时序至抢修时序间获取每个风险源类别的施工数据序列；
在施工数据序列中依次对每项施工数据分量进行数据变化率特征、数据变化趋势特征的提取得到风险源关联特征，风险源关联特征在实际使用过程中可根据需要进行增删或修改，数据变化率特征和数据变化趋势特征通过将施工数据分量以时序绘制为二维曲线进行分析得到。
利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别，包括：
依次以每个风险源类别作为聚类中心，并利用聚类算法基于风险源关联特征对各个风险源类别进行聚类得到每个风险源类别的类别集合，位于同一类别集合中的各个风险源类别在具有相似的风险源关联特征，即具有相同的数据变化率特征、数据变化趋势特征，相似的数据变化率特征、数据变化趋势特征表明风险源类别间具有相似的响应特性，显示了风险源类别间的关联性，比如：风险源类别A和风险源类别B中施工数据由时序1处到时序2处均呈现变化，且变化率状态相似，变化趋势状态相似，则说明风险源类别A和风险源类别B呈现着一定程度的关联性，即风险源类别A的发生会伴随风险源类别B或风险源类别B的发生会伴随风险源类别A，因此此后只要对风险源类别A或B一项进行识别即可，并在识别到风险源类别A或B后，关联得知风险源类别B或A会发生，可将A作为B的关联风险源类别，或B作为A的关联风险源类别。
在每个风险源类别的类别集合中依次计算每个非聚类中心的风险源类别与聚类中心的集合内距离，并将类别集合内的集合内距离小于预设距离的非聚类中心的风险源类别作为类别集合内风险源类别的关联风险源类别，以得到包含各个风险源类别和风险源类别的关联风险源类别的关联查询表。
集合内距离的计算公式为：
Figure BDA0003833845520000061
式中，Dk为类别集合内第k个风险源类别的集合内距离，Xk为类别集合内非聚类中心处的第k个风险源类别的风险源关联特征，Xcenter为类别集合内聚类中心处的风险源类别的风险源关联特征，k为计量常数。
对各个风险源类别进行关联性分析，从而可识别出各个风险源类别的关联风险源类别，进而后续进行风险源辨识时，进行主风险源类别的挖掘，并在关联后实现对更多风险源类别的深度挖掘，提高风险源类别的辨识广度，以单项辨识实现多项辨识，提高辨识效率。
步骤S3、实时监测目标公路的施工数据，并将施工数据进行主成分分析得到实时主辨识数据，将实时主辨识数据输入至风险源辨识模型得到目标公路的实时主风险源类别，再将实时主风险源类别和实时主风险源类别的关联风险源类别作为目标公路的实时风险源类别，以实现利用关联分析提高风险源辨识效率。
将施工数据进行主成分分析得到实时主辨识数据，包括：
将目标公路的施工数据的获取时序由实时时序前置预设时长得到分析时序，在分析时序至实时时序间获取目标公路的施工数据序列；
将目标公路的施工数据序列进行主成分分析得到施工数据中每项施工数据分量的数据贡献值，并将数据贡献值高于数据贡献预设阈值的施工数据分量作为主辨识数据分量，将主辨识数据分量在实时时序处的数据值组合为实时主辨识数据。
将实时主辨识数据输入至风险源辨识模型得到目标公路的实时主风险源类别，包括：
将实时主辨识数据输入至风险源辨识模型，由风险源辨识模型输出目标公路的实时主风险源类别。
实时主风险源类别的关联风险源类别由关联查询表查询得到。
施工数据在获取后进行归一化处理，并经过归一化处理后进行数据计算。
本发明构建风险源辨识模型，实现对施工风险源的自动化识别，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别，以实现利用关联分析提高风险源辨识效率，无需对所有风险源进行一一判断，保障辨识实时性差。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种公路施工重大风险源辨识方法，其特征在于，包括以下步骤：
步骤S1、利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，并采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型；
步骤S2、对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别；
步骤S3、实时监测目标公路的施工数据，并将施工数据进行主成分分析得到实时主辨识数据，将实时主辨识数据输入至风险源辨识模型得到目标公路的实时主风险源类别，再将实时主风险源类别和实时主风险源类别的关联风险源类别作为目标公路的实时风险源类别，以实现利用关联分析提高风险源辨识效率。
2.根据权利要求1所述的一种公路施工重大风险源辨识方法，其特征在于：所述利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，包括：
在公路施工工程抢修日志中提取出抢修时序处的风险源类别，以及抢修时序处的用于风险源辨识的施工数据，并将风险源类别和施工数据依据抢修时序整理为辨识样本；
所述辨识样本的表达式为：{(Yi,Xi)|i∈[1,N]}，式中，Yi表征为第i个风险源类别，Xi表征为辨识第i个风险源类别的施工数据，N为风险源类别总数，i为计量常数。
3.根据权利要求2所述的一种公路施工重大风险源辨识方法，其特征在于：所述采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型，包括：
将辨识样本中所述施工数据作为CNN神经网络的输入项，将辨识样本中所述风险源类别作为CNN神经网络的输出项，采用CNN神经网络模型基于所述输入项和所述输出项进行卷积训练得到所述风险源辨识模型；
所述风险源辨识模型的模型表达式为：
Y＝CNN(X)；
式中，Y为风险源类别的模型标识符，X为施工数据的模型标识符，CNN为CNN神经网络模型的模型标识符。
4.根据权利要求3所述的一种公路施工重大风险源辨识方法，其特征在于：所述对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，包括：
依次将每个风险源类别的辨识样本中施工数据获取时序由抢修时序前置预设时长得到预设时序，在预设时序至抢修时序间获取每个风险源类别的施工数据序列；
在所述施工数据序列中依次对每项施工数据分量进行数据变化率特征、数据变化趋势特征的提取得到所述风险源关联特征，所述数据变化率特征和数据变化趋势特征通过将施工数据分量以时序绘制为二维曲线进行分析得到。
5.根据权利要求4所述的一种公路施工重大风险源辨识方法，其特征在于：所述利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别，包括：
依次以每个风险源类别作为聚类中心，并利用聚类算法基于所述风险源关联特征对各个风险源类别进行聚类得到每个风险源类别的类别集合；
在每个风险源类别的类别集合中依次计算每个非聚类中心的风险源类别与聚类中心的集合内距离，并将所述类别集合内的集合内距离小于预设距离的非聚类中心的风险源类别作为类别集合内风险源类别的关联风险源类别，以得到包含各个风险源类别和风险源类别的关联风险源类别的关联查询表。
6.根据权利要求5所述的一种公路施工重大风险源辨识方法，其特征在于：所述将施工数据进行主成分分析得到实时主辨识数据，包括：
将目标公路的施工数据的获取时序由实时时序前置预设时长得到分析时序，在分析时序至实时时序间获取目标公路的施工数据序列；
将目标公路的施工数据序列进行主成分分析得到施工数据中每项施工数据分量的数据贡献值，并将数据贡献值高于数据贡献预设阈值的施工数据分量作为主辨识数据分量，将主辨识数据分量在实时时序处的数据值组合为实时主辨识数据。
7.根据权利要求6所述的一种公路施工重大风险源辨识方法，其特征在于，所述将实时主辨识数据输入至风险源辨识模型得到目标公路的实时主风险源类别，包括：
将实时主辨识数据输入至风险源辨识模型，由风险源辨识模型输出目标公路的实时主风险源类别。
8.根据权利要求7所述的一种公路施工重大风险源辨识方法，其特征在于，所述实时主风险源类别的关联风险源类别由所述关联查询表查询得到。
9.根据权利要求8所述的一种公路施工重大风险源辨识方法，其特征在于，所述施工数据在获取后进行归一化处理，并经过归一化处理后进行数据计算。
10.根据权利要求5所述的一种公路施工重大风险源辨识方法，其特征在于，所述集合内距离的计算公式为：
Figure FDA0003833845510000031
式中，Dk为类别集合内第k个风险源类别的集合内距离，Xk为类别集合内非聚类中心处的第k个风险源类别的风险源关联特征，Xcenter为类别集合内聚类中心处的风险源类别的风险源关联特征，k为计量常数。
CN202211082593.1A 2022-09-06 2022-09-06 一种公路施工重大风险源辨识方法 Pending CN115481880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211082593.1A CN115481880A (zh) 2022-09-06 2022-09-06 一种公路施工重大风险源辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211082593.1A CN115481880A (zh) 2022-09-06 2022-09-06 一种公路施工重大风险源辨识方法

Publications (1)

Publication Number Publication Date
CN115481880A true CN115481880A (zh) 2022-12-16

Family

ID=84423375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211082593.1A Pending CN115481880A (zh) 2022-09-06 2022-09-06 一种公路施工重大风险源辨识方法

Country Status (1)

Country Link
CN (1) CN115481880A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843184A (zh) * 2023-07-27 2023-10-03 中国公路工程咨询集团有限公司 基于神经网络的公路施工重大风险源识别方法及预警系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843184A (zh) * 2023-07-27 2023-10-03 中国公路工程咨询集团有限公司 基于神经网络的公路施工重大风险源识别方法及预警系统
CN116843184B (zh) * 2023-07-27 2024-02-20 中国公路工程咨询集团有限公司 基于神经网络的公路施工重大风险源识别方法及预警系统

Similar Documents

Publication Publication Date Title
CN109783639B (zh) 一种基于特征提取的调解案件智能分派方法及系统
CN110209660B (zh) 欺诈团伙挖掘方法、装置及电子设备
US10387805B2 (en) System and method for ranking news feeds
CN111798312A (zh) 一种基于孤立森林算法的金融交易系统异常识别方法
Spiliopoulou et al. Higher order mining: Modelling and mining the results of knowledge discovery
CN109240258A (zh) 基于词向量的汽车故障智能辅助诊断方法和系统
CN110555101A (zh) 一种客服知识库更新方法、装置、设备及存储介质
CN112488507B (zh) 一种基于聚类的专家分类画像方法、装置及存储介质
CN115481880A (zh) 一种公路施工重大风险源辨识方法
CN113409555B (zh) 一种基于物联网的实时报警联动方法及系统
CN112651296A (zh) 一种无先验知识数据质量问题自动探查方法及系统
CN107368526A (zh) 一种数据处理方法及装置
CN115794798B (zh) 一种市场监管信息化标准管理与动态维护系统及方法
CN115794803A (zh) 一种基于大数据ai技术的工程审计问题监测方法与系统
CN111914166A (zh) 应用于社区矫正人员的矫正策略个性化推荐系统
CN107944487A (zh) 一种基于混合协同过滤算法的作物育种品种推荐方法
CN114548646A (zh) 一种基于关联规则的疫情风险因子识别方法及系统
CN113674846A (zh) 基于lstm网络的医院智慧服务舆情监控平台
CN110083815B (zh) 一种同义变量识别方法和系统
CN111045920A (zh) 一种工作量感知的多分支软件变更级缺陷预测方法
CN115564276A (zh) 项目统计储备管理系统、方法及存储介质
CN108460119B (zh) 一种使用机器学习提升技术支持效率的系统
CN113569005B (zh) 一种基于数据内容的大规模数据特征智能化提取方法
KR20110026154A (ko) 시맨틱 메타데이터를 통한 인터넷 상의 개인 특성 및 행위 분석 기술
CN111680286A (zh) 物联网设备指纹库的精细化方法

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