CN115512529B - 承包商问题预警方法、预警装置及预警系统 - Google Patents
承包商问题预警方法、预警装置及预警系统 Download PDFInfo
- Publication number
- CN115512529B CN115512529B CN202110696012.2A CN202110696012A CN115512529B CN 115512529 B CN115512529 B CN 115512529B CN 202110696012 A CN202110696012 A CN 202110696012A CN 115512529 B CN115512529 B CN 115512529B
- Authority
- CN
- China
- Prior art keywords
- negative
- contractor
- classification
- early warning
- historical
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims description 50
- 230000014509 gene expression Effects 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 12
- 230000003252 repetitive effect Effects 0.000 claims description 12
- 238000010224 classification analysis Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种承包商问题预警方法、预警装置及预警系统，预警方法包括：持续获取承包商问题，利用承包商问题分类模型确定每一承包商问题的不同问题分类的类别概率，其中，所述问题分类包括负面类别和正面类别；根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题；利用负面问题分类模型对负面问题进行不同负面问题分类；针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警。本发明提供的方法能够实现对承包商问题的高效多层次自动分类分析，从而指导管理人员，明确管控重点。
Description
技术领域
本发明涉及石化安全管理技术领域，具体地，涉及一种承包商问题预警方法、一种承包商问题预警装置及一种承包商问题预警系统。
背景技术
石化行业具有高温、高压、易燃、易爆、有毒有害、高腐蚀、作业的连续性和复杂性等特点，一旦发生事故，往往造成比较严重的后果，对社会和环境造成严重危害，因此，同其石化安全管理工作一直以来都是国家安全生产监督管理的重点。且随着业务范围的不断拓展，生产规模不断扩大，伴随出现油气勘探开发范围扩大化，石化行业生产规模大型化，油气、化工产品贮存、输送分散化，对安全管理提出更高要求和挑战。
承包商安全管理一直都是石化企业安全管理工作的重点工作和薄弱环节。近几年石化企业事故统计分析表明，承包商发生的事故在石化企业事故中所占比例依然较大。分析其事故发生的根本原因是企业仍然停留在以处罚代替管理、被动应对单一问题，未能有效识别承包商问题。
发明内容
针对现有技术中未能有效识别承包商问题的技术问题，本发明提供了一种承包商问题预警方法、一种承包商问题预警装置及一种承包商问题预警系统，采用该方法能够实现对承包商问题的高效多层次自动分类分析，从而指导管理人员，明确管控重点。
为实现上述目的，本发明一方面提供一种承包商问题预警方法，预警方法包括以下步骤：持续获取承包商问题，利用承包商问题分类模型确定每一承包商问题的不同问题分类的类别概率，其中，所述问题分类包括负面类别和正面类别；根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题；利用负面问题分类模型对负面问题进行不同负面问题分类；针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警。
进一步地，所述承包商问题分类模型通过以下方式构建：获取不同历史问题的历史问题表述和问题分类；按照不同历史问题的问题分类对历史问题表述进行顺序数值编码，组成相应的键值对字典，生成问题字典模型；对所述历史问题表述进行分词处理，生成问题描述分词列表；将所述问题描述分词列表转化为问题向量矩阵；利用所述问题字典模型和所述问题向量矩阵构建所述承包商问题分类模型。
进一步地，所述根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题，包括：针对每一承包商问题，确定该承包商问题的问题分类的类别概率的最大值，将类别概率的最大值对应的问题分类作为该承包商问题的问题分类。
进一步地，所述负面问题分类模型根据以下方式构建：获取不同历史负面问题的历史负面问题表述和负面问题分类；按照不同历史负面问题的负面问题分类对历史负面问题表述进行顺序数值编码，组成相应的键值对字典，生成负面字典模型；对所述历史负面问题表述进行分词处理，生成负面描述分词列表；将所述负面描述分词列表转化为负面向量矩阵；利用所述负面字典模型和所述负面向量矩阵构建所述负面问题分类模型。
进一步地，所述利用负面问题分类模型对负面问题进行不同负面问题分类，包括：利用所述负面问题分类模型确定负面问题的不同负面问题分类的类别概率；根据每一负面问题的负面问题分类的类别概率确定该负面问题的负面问题分类。
进一步地，针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警，包括：在负面问题为重复性问题的情况下，若该重复性问题平均出现间隔时间大于第一设定时间，输出预警信息；在负面问题为共性问题的情况下，若该共性问题在检测时间段内的出现次数大于第一设定次数，输出预警信息；在负面问题为个性问题的情况下，若该个性问题在检测时间段内的出现次数大于第二设定次数，输出预警信息。
本发明第二方面提供一种承包商问题预警装置，所述承包商问题预警装置包括：类别概率确定模块，用于持续获取承包商问题，利用承包商问题分类模型确定每一承包商问题的不同问题分类的类别概率，其中，所述问题分类包括负面类别和正面类别；负面问题确定模块，用于根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题；负面问题分类模块，用于利用负面问题分类模型对负面问题进行不同负面问题分类；预警模块，用于针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警。
进一步地，所述承包商问题分类模型通过以下方式构建：获取不同历史问题的历史问题表述和问题分类；按照不同历史问题的问题分类对历史问题表述进行顺序数值编码，组成相应的键值对字典，生成问题字典模型；对所述历史问题表述进行分词处理，生成问题描述分词列表；将所述问题描述分词列表转化为问题向量矩阵；利用所述问题字典模型和所述问题向量矩阵构建所述承包商问题分类模型。
进一步地，所述根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题，包括：针对每一承包商问题，确定该承包商问题的问题分类的类别概率的最大值，将类别概率的最大值对应的问题分类作为该承包商问题的问题分类。
进一步地，所述负面问题分类模型根据以下方式构建：获取不同历史负面问题的历史负面问题表述和负面问题分类；按照不同历史负面问题的负面问题分类对历史负面问题表述进行顺序数值编码，组成相应的键值对字典，生成负面字典模型；对所述历史负面问题表述进行分词处理，生成负面描述分词列表；将所述负面描述分词列表转化为负面向量矩阵；利用所述负面字典模型和所述负面向量矩阵构建所述负面问题分类模型。
进一步地，所述利用负面问题分类模型对负面问题进行不同负面问题分类，包括：利用所述负面问题分类模型确定负面问题的不同负面问题分类的类别概率；根据每一负面问题的负面问题分类的类别概率确定该负面问题的负面问题分类。
进一步地，针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警，包括：在负面问题为重复性问题的情况下，若该重复性问题平均出现间隔时间大于第一设定时间，输出预警信息；在负面问题为共性问题的情况下，若该共性问题在检测时间段内的出现次数大于第一设定次数，输出预警信息；在负面问题为个性问题的情况下，若该个性问题在检测时间段内的出现次数大于第二设定次数，输出预警信息。
本发明第三方面提供一种承包商问题预警系统，包括：上文所述的承包商问题预警装置。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上文所述的承包商问题预警方法。
通过本发明提供的技术方案，本发明至少具有如下技术效果：
本发明的承包商问题预警方法，持续获取承包商问题，利用承包商问题分类模型确定每一承包商问题的负面类别和正面类别的类别概率，从承包商问题中确定出负面问题。然后利用负面问题分类模型对负面问题进行不同负面问题分类，针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警。通过本发明提供的包商问题预警方法，能够实现对承包商问题的高效多层次自动分类分析，从而指导管理人员，明确管控重点。
附图说明
图1为本发明实施例提供的承包商问题预警的流程图；
图2为本发明实施例提供的承包商问题装置的示意图。
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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
下面将参考附图并结合实施例来详细说明本发明。
请参考图1，本发明实施例提供一种化工装置危险预警方法，该方法包括以下步骤：S101：持续获取承包商问题，利用承包商问题分类模型确定每一承包商问题的不同问题分类的类别概率，其中，所述问题分类包括负面类别和正面类别；S102：根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题；S103：利用负面问题分类模型对负面问题进行不同负面问题分类；S104：针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警。
具体地，本发明实施方式中，通过企业安全检查系统持续获取承包商问题数据，每一条承包商问题数据包括企业名称、检查时间、问题描述、整改状态等字段。对于每一个获取的承包商问题的问题描述，利用承包商问题分类模型确定每一承包商问题的负面类别和正面类别的类别概率，根据类别概率从承包商问题中确定出负面问题。然后利用负面问题分类模型对负面问题进行细分类，确定负面问题的负面问题分类，对每一负面问题分类，根据该类负面问题在检测时间段内的出现次数进行预警。
根据本发明提供的承包商问题预警方法，能够实现对承包商问题的高效多层次自动分类分析，从而指导管理人员，明确管控重点。
进一步地，所述承包商问题分类模型通过以下方式构建：获取不同历史问题的历史问题表述和问题分类；按照不同历史问题的问题分类对历史问题表述进行顺序数值编码，组成相应的键值对字典，生成问题字典模型；对所述历史问题表述进行分词处理，生成问题描述分词列表；将所述问题描述分词列表转化为问题向量矩阵；利用所述问题字典模型和所述问题向量矩阵构建所述承包商问题分类模型。
具体地，本发明实施方式中，获取多个历史问题，包括历史问题的历史问题表述和对应的问题分类，按照不同历史问题的问题分类对历史问题表述进行顺序数值编码，组成相应的键值对字典，生成问题字典模型。采用分词工具对历史问题表述进行分词处理，并去除标点符号、停用词，生成问题描述分词列表。本发明实施例中，可以采用jieba分词工具。然后通过词频逆序文档(TF-IDF)公式，计算计算承包商问题列表中每个词对应的TF-IDF值，可以使用TfidfVectorizer等工具获得每个词的TF-IDF对应的权重矩阵，并保存为TF-IDF文本向量模型，并通过该向量模型将问题描述分词列表转化为问题向量矩阵。将问题字典模型和问题向量矩阵按照一定比例拆分为训练集、测试集。采用机器学习方法对包含问题字典模型和问题向量矩阵的训练集合进行训练，得到承包商问题分类模型。
进一步地，所述根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题，包括：针对每一承包商问题，确定该承包商问题的问题分类的类别概率的最大值，将类别概率的最大值对应的问题分类作为该承包商问题的问题分类。
具体地，本发明实施方式中，将每一承包商问题输入承包商问题分类模型，得到该承包商问题的负面类别的概率和正面类别的概率，选择数值最大的问题分类作为该该承包商问题的问题分类。
根据本发明提供的承包商问题预警方法，能够精确判断承包商问题的问题分类，有助于对承包商问题进行细分类，能够精确管控，准确预警。
进一步地，所述负面问题分类模型根据以下方式构建：获取不同历史负面问题的历史负面问题表述和负面问题分类；按照不同历史负面问题的负面问题分类对历史负面问题表述进行顺序数值编码，组成相应的键值对字典，生成负面字典模型；对所述历史负面问题表述进行分词处理，生成负面描述分词列表；将所述负面描述分词列表转化为负面向量矩阵；利用所述负面字典模型和所述负面向量矩阵构建所述负面问题分类模型。
具体地，本发明实施方式中，获取多个历史负面问题，包括历史负面问题的历史负面问题表述和对应的负面问题分类，按照不同历史负面问题的负面问题分类对历史负面问题表述进行顺序数值编码，组成相应的键值对字典，生成负面字典模型。采用分词工具对历史负面问题表述进行分词处理，并去除标点符号、停用词，生成负面描述分词列表。本发明实施例中，可以采用jieba分词工具。然后通过词频逆序文档(TF-IDF)公式，计算计算承包商问题列表中每个词对应的TF-IDF值，可以使用TfidfVectorizer等工具获得每个词的TF-IDF对应的权重矩阵，并保存为TF-IDF文本向量模型，并通过该向量模型将负面描述分词列表转化为负面向量矩阵。将负面字典模型和负面向量矩阵按照一定比例拆分为训练集、测试集。采用机器学习方法对包含负面字典模型和负面向量矩阵的训练集合进行训练，得到负面问题分类模型。
进一步地，所述利用负面问题分类模型对负面问题进行不同负面问题分类，包括：利用所述负面问题分类模型确定负面问题的不同负面问题分类的类别概率；根据每一负面问题的负面问题分类的类别概率确定该负面问题的负面问题分类。
具体地，本发明实施方式中，将每一负面问题输入负面问题分类模型，得到不同负面问题分类的类别概率，选择概率最大值对应的负面问题分类作为该负面问题的负面问题分类。
根据本发明提供的承包商问题预警方法，能够精确对负面问题进行分类，保证准确预警和管控。
进一步地，针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警，包括：在负面问题为重复性问题的情况下，若该重复性问题平均出现间隔时间大于第一设定时间，输出预警信息；在负面问题为共性问题的情况下，若该共性问题在检测时间段内的出现次数大于第一设定次数，输出预警信息；在负面问题为个性问题的情况下，若该个性问题在检测时间段内的出现次数大于第二设定次数，输出预警信息。
具体地，本发明实施方式中，如果该类负面问题为重复性问题，计算该重复性问题的平均出现间隔时间，如果平均出现间隔时间大于第一设定时间，输出预警信息。如果该类负面问题为共性问题，计算该共性问题在检测时间段内的出现次数，如果检测时间段内的出现次数大于第一设定次数，输出预警信息。如果该类负面问题为个性问题，计算该个性问题在检测时间段内的出现次数，如果检测时间段内的出现次数大于第二设定次数，输出预警信息。
实施例一
通过企业安全检查系统持续获取承包商问题数据，每一条承包商问题数据包括企业名称、检查时间、问题描述、整改状态等字段，如下表所示：
表1
获取多个历史问题，其来源可以是人工手动标注或者人员录入检查系统自带的标注数据，每一条数据包括历史问题的历史问题表述和对应的问题分类。
表2
按照不同历史问题的问题分类对历史问题表述进行顺序数值编码，组成相应的键值对字典，生成问题字典模型，{0：“安全行为”，1：“负面行为”}。采用jieba分词工具对历史问题表述进行分词处理，并去除标点符号、停用词，生成问题描述分词列表。然后通过词频逆序文档(TF-IDF)公式，计算计算承包商问题列表中每个词对应的TF-IDF值，可以使用TfidfVectorizer等工具获得每个词的TF-IDF对应的权重矩阵，并保存为TF-IDF文本向量模型，并通过该向量模型将问题描述分词列表转化为问题向量矩阵。将问题字典模型和问题向量矩阵采用sklearn中的train_test_split按照一定比例(20％-30％)拆分为训练集、测试集。采用随机森林、朴素贝叶斯等机器学习方法对测试集合进行训练，得到承包商问题分类模型。
对于每一个获取的承包商问题的问题描述，利用承包商问题分类模型确定每一承包商问题的负面类别和正面类别的类别概率(请参考表3)，根据类别概率从承包商问题中确定出负面问题(请参考表4)。
表3
表4
然后利用负面问题分类模型对负面问题进行不同负面问题分类，针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警。
请参考表5，重复性问题预警通过选择某一企业，筛选不同类型负面问题，按照日期顺序分别计算该类负面问题每次出现的日期，剔除其中重复出现的日期，计算所有相邻两个日期之间间隔的天数，而后求间隔天数的平均值，最终可以计算获得每类负面问题出现的平均间隔天数，对于间隔天数较短的进行预警。
表5
请参考表6，共性问题预警通过筛选设定时间范围内的问题，计算每类负面问题在各个企业中出现的次数，若该次数超过第一设定次数，这里设置为1，且超过设定次数阈值的企业数量占比大于设定的比例阈值80％，则对满足条件的负面问题进行共性问题预警。
表6
请参考表7，个性问题预警通过筛选设定时间范围内的问题，计算每类负面问题在各个企业中出现的次数，若面问题分类出现的次数超过第二设定次数100次，则对满足条件的负面问题分类进行个性问题预警。
表7
请参考图2，本发明第二方面提供一种承包商问题预警装置，所述承包商问题预警装置包括：类别概率确定模块，用于持续获取承包商问题，利用承包商问题分类模型确定每一承包商问题的不同问题分类的类别概率，其中，所述问题分类包括负面类别和正面类别；负面问题确定模块，用于根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题；负面问题分类模块，用于利用负面问题分类模型对负面问题进行不同负面问题分类；预警模块，用于针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警。
进一步地，所述承包商问题分类模型通过以下方式构建：获取不同历史问题的历史问题表述和问题分类；按照不同历史问题的问题分类对历史问题表述进行顺序数值编码，组成相应的键值对字典，生成问题字典模型；对所述历史问题表述进行分词处理，生成问题描述分词列表；将所述问题描述分词列表转化为问题向量矩阵；利用所述问题字典模型和所述问题向量矩阵构建所述承包商问题分类模型。
进一步地，所述根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题，包括：针对每一承包商问题，确定该承包商问题的问题分类的类别概率的最大值，将类别概率的最大值对应的问题分类作为该承包商问题的问题分类。
进一步地，所述负面问题分类模型根据以下方式构建：获取不同历史负面问题的历史负面问题表述和负面问题分类；按照不同历史负面问题的负面问题分类对历史负面问题表述进行顺序数值编码，组成相应的键值对字典，生成负面字典模型；对所述历史负面问题表述进行分词处理，生成负面描述分词列表；将所述负面描述分词列表转化为负面向量矩阵；利用所述负面字典模型和所述负面向量矩阵构建所述负面问题分类模型。
进一步地，所述利用负面问题分类模型对负面问题进行不同负面问题分类，包括：利用所述负面问题分类模型确定负面问题的不同负面问题分类的类别概率；根据每一负面问题的负面问题分类的类别概率确定该负面问题的负面问题分类。
进一步地，针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警，包括：在负面问题为重复性问题的情况下，若该重复性问题平均出现间隔时间大于第一设定时间，输出预警信息；在负面问题为共性问题的情况下，若该共性问题在检测时间段内的出现次数大于第一设定次数，输出预警信息；在负面问题为个性问题的情况下，若该个性问题在检测时间段内的出现次数大于第二设定次数，输出预警信息。
本发明第三方面提供一种承包商问题预警系统，包括：上文所述的承包商问题预警装置。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上文所述的承包商问题预警方法。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。
Claims (12)
1.一种承包商问题预警方法，其特征在于，所述承包商问题预警方法包括：
持续获取承包商问题，利用承包商问题分类模型确定每一承包商问题的不同问题分类的类别概率，其中，所述问题分类包括负面类别和正面类别；所述承包商问题分类模型通过以下方式构建：获取不同历史问题的历史问题表述和问题分类；按照不同历史问题的问题分类对历史问题表述进行顺序数值编码，组成相应的键值对字典，生成问题字典模型；对所述历史问题表述进行分词处理，生成问题描述分词列表；将所述问题描述分词列表转化为问题向量矩阵；利用所述问题字典模型和所述问题向量矩阵构建所述承包商问题分类模型；
根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题；
利用负面问题分类模型对负面问题进行不同负面问题分类；
针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警。
2.根据权利要求1所述的承包商问题预警方法，其特征在于，所述根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题，包括：
针对每一承包商问题，确定该承包商问题的问题分类的类别概率的最大值，将类别概率的最大值对应的问题分类作为该承包商问题的问题分类。
3.根据权利要求1所述的承包商问题预警方法，其特征在于，所述负面问题分类模型根据以下方式构建：
获取不同历史负面问题的历史负面问题表述和负面问题分类；
按照不同历史负面问题的负面问题分类对历史负面问题表述进行顺序数值编码，组成相应的键值对字典，生成负面字典模型；
对所述历史负面问题表述进行分词处理，生成负面描述分词列表；
将所述负面描述分词列表转化为负面向量矩阵；
利用所述负面字典模型和所述负面向量矩阵构建所述负面问题分类模型。
4.根据权利要求1所述的承包商问题预警方法，其特征在于，所述利用负面问题分类模型对负面问题进行不同负面问题分类，包括：
利用所述负面问题分类模型确定负面问题的不同负面问题分类的类别概率；
根据每一负面问题的负面问题分类的类别概率确定该负面问题的负面问题分类。
5.根据权利要求4所述的承包商问题预警方法，其特征在于，针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警，包括：
在负面问题为重复性问题的情况下，若该重复性问题平均出现间隔时间大于第一设定时间，输出预警信息；
在负面问题为共性问题的情况下，若该共性问题在检测时间段内的出现次数大于第一设定次数，输出预警信息；
在负面问题为个性问题的情况下，若该个性问题在检测时间段内的出现次数大于第二设定次数，输出预警信息。
6.一种承包商问题预警装置，其特征在于，所述承包商问题预警装置包括：
类别概率确定模块，用于持续获取承包商问题，利用承包商问题分类模型确定每一承包商问题的不同问题分类的类别概率，其中，所述问题分类包括负面类别和正面类别；所述承包商问题分类模型通过以下方式构建：获取不同历史问题的历史问题表述和问题分类；按照不同历史问题的问题分类对历史问题表述进行顺序数值编码，组成相应的键值对字典，生成问题字典模型；对所述历史问题表述进行分词处理，生成问题描述分词列表；将所述问题描述分词列表转化为问题向量矩阵；利用所述问题字典模型和所述问题向量矩阵构建所述承包商问题分类模型；
负面问题确定模块，用于根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题；
负面问题分类模块，用于利用负面问题分类模型对负面问题进行不同负面问题分类；
预警模块，用于针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警。
7.根据权利要求6所述的承包商问题预警装置，其特征在于，所述根据每一承包商问题的问题分类的类别概率，从承包商问题中确定出负面问题，包括：
针对每一承包商问题，确定该承包商问题的问题分类的类别概率的最大值，将类别概率的最大值对应的问题分类作为该承包商问题的问题分类。
8.根据权利要求6所述的承包商问题预警装置，其特征在于，所述负面问题分类模型根据以下方式构建：
获取不同历史负面问题的历史负面问题表述和负面问题分类；
按照不同历史负面问题的负面问题分类对历史负面问题表述进行顺序数值编码，组成相应的键值对字典，生成负面字典模型；
对所述历史负面问题表述进行分词处理，生成负面描述分词列表；
将所述负面描述分词列表转化为负面向量矩阵；
利用所述负面字典模型和所述负面向量矩阵构建所述负面问题分类模型。
9.根据权利要求6所述的承包商问题预警装置，其特征在于，所述利用负面问题分类模型对负面问题进行不同负面问题分类，包括：
利用所述负面问题分类模型确定负面问题的不同负面问题分类的类别概率；
根据每一负面问题的负面问题分类的类别概率确定该负面问题的负面问题分类。
10.根据权利要求9所述的承包商问题预警装置，其特征在于，针对每一负面问题分类，根据该类负面问题的平均出现间隔时间或在检测时间段内的出现次数进行预警，包括：
在负面问题为重复性问题的情况下，若该重复性问题平均出现间隔时间大于第一设定时间，输出预警信息；
在负面问题为共性问题的情况下，若该共性问题在检测时间段内的出现次数大于第一设定次数，输出预警信息；
在负面问题为个性问题的情况下，若该个性问题在检测时间段内的出现次数大于第二设定次数，输出预警信息。
11.一种承包商问题预警系统，其特征在于，包括：
权利要求6-10中任一项权利要求所述的承包商问题预警装置。
12.一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上存储有指令，当其在计算机上运行时，使得计算机执行权利要求1-5中任一项权利要求所述的承包商问题预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110696012.2A CN115512529B (zh) | 2021-06-23 | 2021-06-23 | 承包商问题预警方法、预警装置及预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110696012.2A CN115512529B (zh) | 2021-06-23 | 2021-06-23 | 承包商问题预警方法、预警装置及预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115512529A CN115512529A (zh) | 2022-12-23 |
| CN115512529B true CN115512529B (zh) | 2024-03-05 |
Family
ID=84500505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110696012.2A Active CN115512529B (zh) | 2021-06-23 | 2021-06-23 | 承包商问题预警方法、预警装置及预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115512529B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05181972A (ja) * | 1991-12-27 | 1993-07-23 | Nec Corp | パタン分類方法及び装置 |
| CN104636883A (zh) * | 2015-03-05 | 2015-05-20 | 中国石油化工股份有限公司 | 移动式承包商安全技能测评的方法 |
| CN105955955A (zh) * | 2016-05-05 | 2016-09-21 | 东南大学 | 一种基于纠错输出编码的无需消歧的无监督词性标注方法 |
| CN109145301A (zh) * | 2018-08-29 | 2019-01-04 | 上海汽车集团股份有限公司 | 信息分类方法及装置、计算机可读存储介质 |
| CN109426978A (zh) * | 2017-08-29 | 2019-03-05 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
| CN109684460A (zh) * | 2018-12-28 | 2019-04-26 | 四川新网银行股份有限公司 | 一种基于深度学习的负面网络舆情指数的计算方法及系统 |
| CN111444404A (zh) * | 2020-03-19 | 2020-07-24 | 杭州叙简科技股份有限公司 | 一种基于微博的社会舆情监测系统及其监测方法 |
| CN111695033A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技（深圳）有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
| CN111858903A (zh) * | 2020-06-11 | 2020-10-30 | 创新工场(北京)企业管理股份有限公司 | 一种用于负面新闻预警的方法和装置 |
| CN111914096A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于舆情知识图谱的公共交通乘客满意度评价方法及系统 |
| CN112000801A (zh) * | 2020-07-09 | 2020-11-27 | 山东师范大学 | 基于机器学习的政务文本分类、热点问题挖掘方法及系统 |
-
2021
- 2021-06-23 CN CN202110696012.2A patent/CN115512529B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05181972A (ja) * | 1991-12-27 | 1993-07-23 | Nec Corp | パタン分類方法及び装置 |
| CN104636883A (zh) * | 2015-03-05 | 2015-05-20 | 中国石油化工股份有限公司 | 移动式承包商安全技能测评的方法 |
| CN105955955A (zh) * | 2016-05-05 | 2016-09-21 | 东南大学 | 一种基于纠错输出编码的无需消歧的无监督词性标注方法 |
| CN109426978A (zh) * | 2017-08-29 | 2019-03-05 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
| CN109145301A (zh) * | 2018-08-29 | 2019-01-04 | 上海汽车集团股份有限公司 | 信息分类方法及装置、计算机可读存储介质 |
| CN109684460A (zh) * | 2018-12-28 | 2019-04-26 | 四川新网银行股份有限公司 | 一种基于深度学习的负面网络舆情指数的计算方法及系统 |
| CN111444404A (zh) * | 2020-03-19 | 2020-07-24 | 杭州叙简科技股份有限公司 | 一种基于微博的社会舆情监测系统及其监测方法 |
| CN111695033A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技（深圳）有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
| CN111858903A (zh) * | 2020-06-11 | 2020-10-30 | 创新工场(北京)企业管理股份有限公司 | 一种用于负面新闻预警的方法和装置 |
| CN111914096A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于舆情知识图谱的公共交通乘客满意度评价方法及系统 |
| CN112000801A (zh) * | 2020-07-09 | 2020-11-27 | 山东师范大学 | 基于机器学习的政务文本分类、热点问题挖掘方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115512529A (zh) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Narrative texts-based anomaly detection using accident report documents: The case of chemical process safety | |
| Zhu et al. | Dynamic alarm prediction for critical alarms using a probabilistic model | |
| CN112966100B (zh) | 一种数据分类分级模型的训练方法、装置及电子设备 | |
| KR20190110084A (ko) | Esg 기반의 기업 평가 수행 장치 및 이의 작동 방법 | |
| Ling | Optimal design of simple step-stress accelerated life tests for one-shot devices under exponential distributions | |
| CN107577738A (zh) | 一种通过svm文本挖掘处理数据的fmeca方法 | |
| CN115512529B (zh) | 承包商问题预警方法、预警装置及预警系统 | |
| Mullis et al. | Deep Neural Networks in Natural Language Processing for Classifying Requirements by Origin and Functionality: An Application of BERT in System Requirements | |
| CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN114969334B (zh) | 异常日志检测方法、装置、电子设备及可读存储介质 | |
| Krus | The risk mitigation strategy taxonomy and generated risk event effect neutralization method | |
| Biegel et al. | Combining process monitoring with text mining for anomaly detection in discrete manufacturing | |
| CN116542513A (zh) | 一种承压类特种设备安全风险分析方法及终端 | |
| Illiashenko et al. | Choosing FMECA-based techniques and tools for safety analysis of critical systems | |
| CN109460868A (zh) | 一种采用灰度预测的企业安全生产预警系统的构建方法 | |
| CN103530523A (zh) | 儿童语言能力发展评估建模方法 | |
| CN113779256A (zh) | 一种文件审核方法及系统 | |
| Gabdrakhmanova et al. | The modeling of forecasting new situations in the dynamics of the economic system on the example of several financial indicators | |
| CN112905796A (zh) | 基于再注意力机制的文本情绪分类方法及系统 | |
| Shi et al. | Risk factors analysis modeling for ship collision accident in inland river based on text mining | |
| CN112487211B (zh) | 一种轨道交通知识库构建方法及系统 | |
| Buddarapu et al. | Data Shift in Legal AI Systems. | |
| Vinson et al. | Decision contamination in the wild: Sequential dependencies in Yelp review ratings. | |
| CN117540894B (zh) | 生成检验计划的方法、设备及存储介质 | |
| CN112862241A (zh) | 基于应急安全生产的隐患识别方法、设备及介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240126 Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Applicant after: CHINA PETROLEUM & CHEMICAL Corp. Country or region after: China Applicant after: Sinopec Safety Engineering Research Institute Co.,Ltd. Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Applicant before: CHINA PETROLEUM & CHEMICAL Corp. Country or region before: China Applicant before: SINOPEC Research Institute OF SAFETY ENGINEERING |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |