CN115859132B - 一种基于神经网络模型的大数据风险管控方法及系统 - Google Patents
一种基于神经网络模型的大数据风险管控方法及系统 Download PDFInfo
- Publication number
- CN115859132B CN115859132B CN202310165442.0A CN202310165442A CN115859132B CN 115859132 B CN115859132 B CN 115859132B CN 202310165442 A CN202310165442 A CN 202310165442A CN 115859132 B CN115859132 B CN 115859132B
- Authority
- CN
- China
- Prior art keywords
- event
- risk
- state
- event trigger
- state sequence
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于神经网络模型的大数据风险管控方法及系统,涉及数据处理领域,其中,所述方法包括:对风险事件类型和事件触发状态序列进行聚类分析,获取第一聚类结果;获取第二聚类结果;遍历第二聚类结果进行关键词向量化,生成事件触发矢量空间;基于长短时记忆神经网络,训练风险事件触发概率预测模型;采集预设管控项目实时状态信息,输入风险事件触发概率预测模型,获取预测风险事件类型,并根据其对预设管控项目实时状态信息进行管控。解决了现有技术中针对项目的风险管控准确性不高,进而造成项目风险管控效果不佳的技术问题。达到了提高项目风险管控的及时性、准确性,提升项目风险管控的质量等技术效果。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种基于神经网络模型的大数据风险管控方法及系统。
背景技术
风险事件不可避免地存在于项目的全过程。风险管控对于项目的顺利完成具有重要影响。传统的项目风险管控方法存在着风险管控不及时、风险管控精度低等诸多问题。神经网络模型已广泛应用于许多领域,发挥着重要作用。将神经网络模型与项目风险管控相结合,研究设计一种对项目风险管控进行优化的方法,具有十分重要的现实意义。
现有技术中,存在针对项目的风险管控准确性不高,进而造成项目风险管控效果不佳的技术问题。
发明内容
本申请提供了一种基于神经网络模型的大数据风险管控方法及系统。解决了现有技术中针对项目的风险管控准确性不高,进而造成项目风险管控效果不佳的技术问题。达到了通过风险事件触发概率预测模型实现准确而高效地项目风险预测分析,提高项目风险管控的及时性、准确性,提升项目风险管控的质量,为项目的顺利完成提供有力保障的技术效果。
鉴于上述问题,本申请提供了一种基于神经网络模型的大数据风险管控方法及系统。
第一方面,本申请提供了一种基于神经网络模型的大数据风险管控方法,其中,所述方法应用于一种基于神经网络模型的大数据风险管控系统,所述方法包括:根据项目类型信息基于大数据进行风险事件挖掘,获取风险事件集,其中,所述风险事件集包括风险事件类型和事件触发状态序列;对所述风险事件类型和所述事件触发状态序列按照项目进度进行聚类分析,获取第一聚类结果;对所述第一聚类结果按照项目部分进行聚类分析,获取第二聚类结果;遍历所述第二聚类结果,对任意一个所述风险事件类型的所述事件触发状态序列进行关键词向量化,生成事件触发矢量空间;根据所述事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型;遍历所述第二聚类结果,采集预设管控项目实时状态信息,输入所述风险事件触发概率预测模型,获取预测风险事件类型,其中,所述预测风险事件类型的触发概率大于或等于触发概率阈值;根据所述预测风险事件类型对所述预设管控项目实时状态信息进行管控。
第二方面,本申请还提供了一种基于神经网络模型的大数据风险管控系统,其中,所述系统包括:风险事件挖掘模块,所述风险事件挖掘模块用于根据项目类型信息基于大数据进行风险事件挖掘,获取风险事件集,其中,所述风险事件集包括风险事件类型和事件触发状态序列;第一聚类分析模块,所述第一聚类分析模块用于对所述风险事件类型和所述事件触发状态序列按照项目进度进行聚类分析,获取第一聚类结果;第二聚类分析模块,所述第二聚类分析模块用于对所述第一聚类结果按照项目部分进行聚类分析,获取第二聚类结果;关键词向量化模块,所述关键词向量化模块用于遍历所述第二聚类结果,对任意一个所述风险事件类型的所述事件触发状态序列进行关键词向量化,生成事件触发矢量空间;训练模块,所述训练模块用于根据所述事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型;风险事件类型获取模块,所述风险事件类型获取模块用于遍历所述第二聚类结果,采集预设管控项目实时状态信息,输入所述风险事件触发概率预测模型,获取预测风险事件类型,其中,所述预测风险事件类型的触发概率大于或等于触发概率阈值;管控模块,所述管控模块用于根据所述预测风险事件类型对所述预设管控项目实时状态信息进行管控。
第三方面,本申请还提供了一种电子设备,包括:存储器,用于存储可执行指令;处理器,用于执行所述存储器中存储的可执行指令时,实现本申请提供的一种基于神经网络模型的大数据风险管控方法。
第四方面,本申请还提供了一种计算机可读存储介质,存储有计算机程序,该程序被处理器执行时,实现本申请提供的一种基于神经网络模型的大数据风险管控方法。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过项目类型信息进行风险事件挖掘,获取风险事件类型和事件触发状态序列;按照项目进度,对风险事件类型、事件触发状态序列进行聚类分析,获取第一聚类结果;按照项目部分,对第一聚类结果进行聚类分析,获取第二聚类结果;遍历第二聚类结果,对任意一个风险事件类型的事件触发状态序列进行关键词向量化,生成事件触发矢量空间;根据事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型;将预设管控项目实时状态信息输入风险事件触发概率预测模型,获取预测风险事件类型,并根据预测风险事件类型对预设管控项目实时状态信息进行管控。达到了通过风险事件触发概率预测模型实现准确而高效地项目风险预测分析,提高项目风险管控的及时性、准确性,提升项目风险管控的质量,为项目的顺利完成提供有力保障的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种基于神经网络模型的大数据风险管控方法的流程示意图;
图2为本申请一种基于神经网络模型的大数据风险管控方法中获取事件触发状态序列矢量化数据集的流程示意图;
图3为本申请一种基于神经网络模型的大数据风险管控系统的结构示意图;
图4为本申请示例性电子设备的结构示意图。
附图标记说明:风险事件挖掘模块11,第一聚类分析模块12,第二聚类分析模块13,关键词向量化模块14,训练模块15,风险事件类型获取模块16,管控模块17,处理器31,存储器32,输入装置33,输出装置34。
具体实施方式
本申请通过提供一种基于神经网络模型的大数据风险管控方法及系统。解决了现有技术中针对项目的风险管控准确性不高,进而造成项目风险管控效果不佳的技术问题。达到了通过风险事件触发概率预测模型实现准确而高效地项目风险预测分析,提高项目风险管控的及时性、准确性,提升项目风险管控的质量,为项目的顺利完成提供有力保障的技术效果。
实施例一。
请参阅附图1,本申请提供一种基于神经网络模型的大数据风险管控方法,其中,所述方法应用于一种基于神经网络模型的大数据风险管控系统,所述方法具体包括如下步骤:
步骤S100:根据项目类型信息基于大数据进行风险事件挖掘,获取风险事件集,其中,所述风险事件集包括风险事件类型和事件触发状态序列;
进一步的,本申请步骤S100还包括:
步骤S110:根据所述项目类型信息,基于大数据,采集风险事件记录数据,其中,所述风险事件记录数据包括风险事件类型记录数据和事件触发状态序列记录数据;
具体而言,基于项目类型信息,通过大数据采集风险事件记录信息,获得风险事件记录数据。其中,所述项目类型信息包括建筑项目、投资项目、宣传项目等多个项目类型参数。所述风险事件记录数据包括风险事件类型记录数据和事件触发状态序列记录数据。所述风险事件类型记录数据包括多个项目类型参数对应的多组风险事件类型记录信息。每组风险事件类型记录信息包括每个项目类型参数对应的多个历史风险事件类型参数。所述事件触发状态序列记录数据包括多个项目类型参数对应的多组事件触发状态序列。每组事件触发状态序列包括每个项目类型参数对应的多条事件触发状态序列。每条事件触发状态序列包括每个项目类型参数对应的历史项目,从开始到历史风险事件类型之间的按照事件时间进行排列的多个历史事件。例如,项目类型参数包括建筑项目。某个历史建筑项目的历史风险事件类型为工程施工。则,该历史建筑项目对应的事件触发状态序列包括立项、土地审批、工程设计、竞标管理、施工规划、人员招聘、材料采购等工程施工之前的多个历史事件。达到了通过大数据,采集风险事件记录数据,为后续对风险事件记录数据进行频繁序列挖掘奠定基础的技术效果。
步骤S120:遍历所述风险事件类型记录数据对所述事件触发状态序列记录数据进行频繁序列挖掘,生成所述风险事件类型和所述事件触发状态序列,其中,所述风险事件类型和所述事件触发状态序列一一对应;
进一步的,本申请步骤S120还包括:
步骤S121:根据所述风险事件类型记录数据,获取第i事件触发状态序列记录数据;
步骤S122:遍历所述第i事件触发状态序列记录数据进行必然状态剪枝,获取第i事件触发状态离散序列;
步骤S123:获取一项非频繁项支持度阈值,其中,所述一项非频繁项支持度阈值表征单项非频繁状态的最高触发频率阈值;
步骤S124:根据所述一项非频繁项支持度阈值,遍历所述第i事件触发状态离散序列进行剪枝,获取第i事件触发状态剪枝结果;
具体而言,根据风险事件类型记录数据对事件触发状态序列记录数据进行匹配,获得第i事件触发状态序列记录数据。第i事件触发状态序列记录数据依次为每个项目类型参数对应的多条事件触发状态序列。进而,遍历第i事件触发状态序列记录数据进行必然状态剪枝,即,从第i事件触发状态序列记录数据中删除必然状态事件,获得第i事件触发状态离散序列。必然状态事件包括每个项目类型参数对应的多个必然发生事件。必然状态事件可自适应设置确定。例如,建筑项目对应的必然状态事件包括立项、土地审批等。所述第i事件触发状态离散序列包括第i事件触发状态序列记录数据对应的多个离散序列数据。多个离散序列数据包括删除必然状态事件后的多条事件触发状态序列。
进一步,对第i事件触发状态离散序列内多个历史事件出现的次数进行统计,获得多个事件触发频率。多个事件触发频率包括第i事件触发状态离散序列中多个历史事件出现的次数。对多个事件触发频率是否满足一项非频繁项支持度阈值进行判断,如果事件触发频率不满足一项非频繁项支持度阈值,将该事件触发频率对应的多个历史事件进行删除,获得第i事件触发状态剪枝结果。所述一项非频繁项支持度阈值包括预先设置确定的单项非频繁状态的最高触发频率阈值。所述第i事件触发状态剪枝结果包括第i事件触发状态离散序列对应的多条离散事件触发状态序列。多条离散事件触发状态序列包括删除不满足一项非频繁项支持度阈值的事件触发频率对应的多个历史事件后的多个离散序列数据。达到了通过对第i事件触发状态序列记录数据进行多次剪枝,获得第i事件触发状态剪枝结果,从而提高后续对第i事件触发状态剪枝结果进行频繁状态分析的效率的技术效果。
步骤S125:对所述第i事件触发状态剪枝结果频繁状态分析,获取第i事件触发状态序列,添加进所述事件触发状态序列。
步骤S1251:获取k项频繁项支持度阈值,其中,所述k项频繁项支持度阈值表征k项频繁状态的最低触发频率阈值,k∈[1,N],且k为整数,N为最大离散状态序列的状态数;
步骤S1252:根据所述k项频繁项支持度阈值,遍历所述第i事件触发状态剪枝结果进行k项频繁状态提取,获取一项频繁状态集、二项频繁状态集直到N项频繁状态集;
步骤S1253:根据所述第i事件触发状态序列记录数据,遍历所述一项频繁状态集、所述二项频繁状态集直到所述N项频繁状态集,匹配状态发生时序信息;
步骤S1254:根据所述状态发生时序信息对所述一项频繁状态集、所述二项频繁状态集直到所述N项频繁状态集进行序列化调整,获取所述第i事件触发状态序列,添加进所述事件触发状态序列。
步骤S130:将所述风险事件类型和所述事件触发状态序列添加进所述风险事件集。
具体而言,k项频繁状态为k个连续事件。遍历第i事件触发状态剪枝结果进行k项频繁状态分析,获得多个k项事件触发频率。多个k项事件触发频率包括第i事件触发状态剪枝结果中k个连续事件出现的次数。进而,分别对多个k项事件触发频率是否满足k项频繁项支持度阈值进行判断,将满足k项频繁项支持度阈值的多个k项事件触发频率对应的第i事件触发状态剪枝结果进行k项频繁状态提取,获得一项频繁状态集、二项频繁状态集……N项频繁状态集。继而,基于第i事件触发状态序列记录数据,对一项频繁状态集、二项频繁状态集……N项频繁状态集进行时序参数匹配,获得状态发生时序信息。进一步,按照状态发生时序信息对一项频繁状态集、二项频繁状态集……N项频繁状态集进行排列,获得第i事件触发状态序列,并将第i事件触发状态序列添加至事件触发状态序列。按照事件触发状态序列对风险事件类型记录数据进行匹配,获得风险事件类型,并将风险事件类型、事件触发状态序列添加至风险事件集。
其中,k项频繁项支持度阈值包括预先设置确定的k项频繁状态的最低触发频率阈值。k∈[1,N],且,k为整数,k值可自适应设置确定。N为最大离散状态序列的状态数,即,N为第i事件触发状态剪枝结果中数据量最大的离散事件触发状态序列对应的历史事件的数量。一项频繁状态集、二项频繁状态集……N项频繁状态集包括满足k项频繁项支持度阈值的多个k项事件触发频率对应的第i事件触发状态剪枝结果内的多个k项频繁状态。即,一项频繁状态集、二项频繁状态集……N项频繁状态集包括满足k项频繁项支持度阈值的多个k项事件触发频率对应的第i事件触发状态剪枝结果内的多组k个连续事件。所述状态发生时序信息包括第一状态发生时序信息、第二状态发生时序信息……第N状态发生时序信息。第一状态发生时序信息、第二状态发生时序信息……第N状态发生时序信息包括一项频繁状态集、二项频繁状态集……N项频繁状态集对应的多个历史时间。所述第i事件触发状态序列包括按照状态发生时序信息进行排列的一项频繁状态集、二项频繁状态集……N项频繁状态集。所述事件触发状态序列包括风险事件记录数据对应的多个第i事件触发状态序列。所述风险事件类型包括事件触发状态序列对应的风险事件类型记录数据。所述风险事件集包括风险事件类型、事件触发状态序列。达到了通过项目类型信息进行多维度风险事件挖掘,获取可靠的风险事件集,从而提高项目风险管控的适配度的技术效果。
步骤S200:对所述风险事件类型和所述事件触发状态序列按照项目进度进行聚类分析,获取第一聚类结果;
步骤S300:对所述第一聚类结果按照项目部分进行聚类分析,获取第二聚类结果;
具体而言,按照项目进度对风险事件类型、事件触发状态序列进行聚类分析,获取第一聚类结果。聚类分析是指将同一项目进度对应的风险事件类型、事件触发状态序列归为一类。第一聚类结果包括多组第一聚类数据。每组第一聚类数据包括同一项目进度对应的风险事件类型、事件触发状态序列。多组第一聚类数据之间的项目进度不同。进而,按照项目部分,对第一聚类结果进行聚类分析,获取第二聚类结果。即,将同一项目部分对应的第一聚类结果归为一类。所述第二聚类结果包括多组第二聚类数据。每组第二聚类数据包括同一项目部分对应的第一聚类结果。即,每组第二聚类数据包括项目进度、项目部分均相同的风险事件类型、事件触发状态序列。达到了通过项目进度及项目部分对风险事件类型、事件触发状态序列进行多次聚类分析,获得第二聚类结果,为后续生成事件触发矢量空间夯实基础的技术效果。
步骤S400:遍历所述第二聚类结果,对任意一个所述风险事件类型的所述事件触发状态序列进行关键词向量化,生成事件触发矢量空间;
进一步的,本申请步骤S400还包括:
步骤S410:对所述事件触发状态序列进行关键词提取,获取事件触发状态关键词;
步骤S420:对所述事件触发状态关键词进行分类,获取正向诱发关键词和负向诱发关键词;
步骤S430:遍历所述正向诱发关键词和所述负向诱发关键词进行权重分布,获取关键词权重分布结果;
步骤S440:为所述正向诱发关键词设定第一矢量方向,为所述负向诱发关键词设定第二矢量方向,其中,所述第一矢量方向和所述第二矢量方向相反;
步骤S450:将所述关键词权重分布结果设为所述正向诱发关键词和所述负向诱发关键词的矢量大小参数;
步骤S460:根据所述第一矢量方向、所述第二矢量方向和所述矢量大小参数生成所述事件触发矢量空间。
具体而言,遍历第二聚类结果内的事件触发状态序列进行关键词提取,获取事件触发状态关键词,并对事件触发状态关键词进行分类,获取正向诱发关键词、负向诱发关键词。进而,遍历正向诱发关键词、负向诱发关键词进行权重设置,获得关键词权重分布结果。继而,基于正向诱发关键词、负向诱发关键词进行矢量方向设置,获得第一矢量方向、第二矢量方向。将关键词权重分布结果设置为正向诱发关键词、负向诱发关键词对应的矢量大小参数。基于第一矢量方向、第二矢量方向、矢量大小参数,获得事件触发矢量空间。
其中,所述事件触发状态关键词包括第二聚类结果内的事件触发状态序列对应的多个事件关键词。所述正向诱发关键词包括事件触发状态关键词内的多个事件正向关键词。所述负向诱发关键词包括事件触发状态关键词内的多个事件负向关键词。示例性地,在获得正向诱发关键词、负向诱发关键词时,对事件触发状态关键词内的多个事件关键词进行事件诱发概率评估,获得多个关键词诱发概率评估结果。如果关键词诱发概率评估结果表明事件关键词导致事件发生的概率增大,则,将该关键词诱发概率评估结果对应的事件关键词添加至正向诱发关键词。如果关键词诱发概率评估结果表明事件关键词导致事件发生的概率减小,则,将该关键词诱发概率评估结果对应的事件关键词添加至负向诱发关键词。所述关键词权重分布结果包括多个事件正向关键词权重参数、多个事件负向关键词权重参数。例如,对第二聚类结果内多个事件正向关键词、多个事件负向关键词出现的频率进行统计,获得多个事件正向关键词频率、多个事件负向关键词频率。将多个事件正向关键词频率、多个事件负向关键词频率设置为关键词权重分布结果。所述第一矢量方向为正向诱发关键词对应的矢量方向。所述第二矢量方向为负向诱发关键词对应的矢量方向。且,所述第一矢量方向和所述第二矢量方向相反。第一矢量方向、第二矢量方向可自适应设置确定。所述矢量大小参数包括关键词权重分布结果。所述事件触发矢量空间包括第一矢量方向、第二矢量方向、矢量大小参数。达到了通过对第二聚类结果进行关键词向量化,生成可靠的事件触发矢量空间,从而提高构建的风险事件触发概率预测模型的准确性的技术效果。
步骤S500:根据所述事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型;
进一步的,本申请步骤S500还包括:
步骤S510:遍历所述风险事件类型和所述事件触发状态序列,基于大数据,采集风险事件类型数据集和事件触发状态序列数据集;
步骤S520:根据所述事件触发矢量空间对所述事件触发状态序列数据集进行矢量化处理,获取事件触发状态序列矢量化数据集;
进一步的,如附图2所示,本申请步骤S520还包括:
步骤S521:根据所述事件触发矢量空间对所述事件触发状态序列数据集进行矢量化处理,获取多组事件触发状态序列矢量集;
步骤S522:遍历所述多组事件触发状态序列矢量集进行矢量加和,生成所述事件触发状态序列矢量化数据集。
具体而言,基于风险事件类型、事件触发状态序列进行大数据采集,获得风险事件类型数据集和事件触发状态序列数据集。进而,将事件触发状态序列数据集作为输入信息,输入事件触发矢量空间,通过事件触发矢量空间内的第一矢量方向、第二矢量方向、矢量大小参数对事件触发状态序列数据集进行矢量转化,获得多组事件触发状态序列矢量集,并对多组事件触发状态序列矢量集进行矢量加和,获得事件触发状态序列矢量化数据集。其中,所述风险事件类型数据集包括多个历史风险事件类型。所述事件触发状态序列数据集包括多个历史事件触发状态序列。所述多组事件触发状态序列矢量集包括事件触发状态序列数据集对应的多组矢量数据。所述事件触发状态序列矢量化数据集包括矢量加和后的多组事件触发状态序列矢量集。达到了通过事件触发矢量空间对事件触发状态序列数据集进行矢量化处理,获得数据结构简单、直观、冗余度低的事件触发状态序列矢量化数据集,从而提高构建风险事件触发概率预测模型的效率的技术效果。
步骤S530:遍历所述事件触发状态序列矢量化数据集进行事件触发概率标定,获取风险事件触发概率标定数据集;
步骤S540:根据所述风险事件类型数据集、所述事件触发状态序列矢量化数据集和所述风险事件触发概率标定数据集,基于长短时记忆神经网络,训练风险事件触发概率预测层;
步骤S550:将所述事件触发矢量空间设为矢量化预处理层;
步骤S560:将所述矢量化预处理层和所述风险事件触发概率预测层合并,生成所述风险事件触发概率预测模型,其中,所述矢量化预处理层的输出层和所述风险事件触发概率预测层的输入层合并。
具体而言,对事件触发状态序列矢量化数据集进行事件触发概率标记,获得风险事件触发概率标定数据集。进而,基于长短时记忆神经网络,将风险事件类型数据集、事件触发状态序列矢量化数据集、风险事件触发概率标定数据集进行不断的自我训练学习至收敛状态,即可获得风险事件触发概率预测层。将事件触发矢量空间添加至矢量化预处理层。将矢量化预处理层、风险事件触发概率预测层进行合并,获得风险事件触发概率预测模型。其中,所述风险事件触发概率标定数据集包括事件触发状态序列矢量化数据集对应的多个事件触发概率。多个事件触发概率包括事件触发状态序列矢量化数据集对应的多个历史事件发生的概率。风险事件触发概率标定数据集可通过历史数据查询的方式获得。所述长短时记忆神经网络为现有技术中能够捕捉长时依赖的一种特殊循环神经网络。所述矢量化预处理层包括事件触发矢量空间。所述风险事件触发概率预测模型包括输入层、矢量化预处理层、风险事件触发概率预测层、输出层。矢量化预处理层的输出层和风险事件触发概率预测层的输入层合并。达到了通过长短时记忆神经网络,构建准确度、泛化能力强的风险事件触发概率预测模型,从而提高项目风险管控的准确性的技术效果。
步骤S600:遍历所述第二聚类结果,采集预设管控项目实时状态信息,输入所述风险事件触发概率预测模型,获取预测风险事件类型,其中,所述预测风险事件类型的触发概率大于或等于触发概率阈值;
步骤S700:根据所述预测风险事件类型对所述预设管控项目实时状态信息进行管控。
具体而言,将预设管控项目实时状态信息作为输入信息,输入风险事件触发概率预测模型,获得预测风险事件类型,并根据预测风险事件类型对预设管控项目实时状态信息进行管控。其中,所述预设管控项目实时状态信息包括使用所述一种基于神经网络模型的大数据风险管控系统进行智能化风险管控的任意预设管控项目对应的实时进度参数、实时周期参数、实施情况等实时状态数据。所述风险事件触发概率预测模型包括输入层、矢量化预处理层、风险事件触发概率预测层、输出层。将预设管控项目实时状态信息作为输入信息,输入矢量化预处理层,通过矢量化预处理层对预设管控项目实时状态信息进行矢量化处理,获得预设管控项目实时状态信息对应的预设管控项目实时状态矢量数据。将预设管控项目实时状态矢量数据作为输入信息,输入风险事件触发概率预测层,获得多个预测风险事件类型参数、多个预测触发概率。多个预测触发概率包括多个预测风险事件类型参数对应的风险事件发生的概率。风险事件触发概率预测层包括预先设置确定的触发概率阈值。分别判断多个预测触发概率是否大于或等于触发概率阈值。通过输出层对大于或等于触发概率阈值的多个预测触发概率对应的多个预测风险事件类型参数进行输出,获得预测风险事件类型。所述预测风险事件类型包括大于或等于触发概率阈值的多个预测触发概率对应的多个预测风险事件类型参数。达到了通过风险事件触发概率预测模型对预设管控项目实时状态信息进行准确而高效地预测分析,获得可靠的预测风险事件类型,从而提高项目风险管控的质量的技术效果。
综上所述,本申请所提供的一种基于神经网络模型的大数据风险管控方法具有如下技术效果:
1.通过项目类型信息进行风险事件挖掘,获取风险事件类型和事件触发状态序列;按照项目进度,对风险事件类型、事件触发状态序列进行聚类分析,获取第一聚类结果;按照项目部分,对第一聚类结果进行聚类分析,获取第二聚类结果;遍历第二聚类结果,对任意一个风险事件类型的事件触发状态序列进行关键词向量化,生成事件触发矢量空间;根据事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型;将预设管控项目实时状态信息输入风险事件触发概率预测模型,获取预测风险事件类型,并根据预测风险事件类型对预设管控项目实时状态信息进行管控。达到了通过风险事件触发概率预测模型实现准确而高效地项目风险预测分析,提高项目风险管控的及时性、准确性,提升项目风险管控的质量,为项目的顺利完成提供有力保障的技术效果。
2.通过对第二聚类结果进行关键词向量化,生成可靠的事件触发矢量空间,从而提高构建的风险事件触发概率预测模型的准确性。
3.通过长短时记忆神经网络,构建准确度、泛化能力强的风险事件触发概率预测模型,从而提高项目风险管控的准确性。
实施例二。
基于与前述实施例中一种基于神经网络模型的大数据风险管控方法,同样发明构思,本发明还提供了一种基于神经网络模型的大数据风险管控系统,请参阅附图3,所述系统包括:
风险事件挖掘模块11,所述风险事件挖掘模块11用于根据项目类型信息基于大数据进行风险事件挖掘,获取风险事件集,其中,所述风险事件集包括风险事件类型和事件触发状态序列;
第一聚类分析模块12,所述第一聚类分析模块12用于对所述风险事件类型和所述事件触发状态序列按照项目进度进行聚类分析,获取第一聚类结果;
第二聚类分析模块13,所述第二聚类分析模块13用于对所述第一聚类结果按照项目部分进行聚类分析,获取第二聚类结果;
关键词向量化模块14,所述关键词向量化模块14用于遍历所述第二聚类结果,对任意一个所述风险事件类型的所述事件触发状态序列进行关键词向量化,生成事件触发矢量空间;
训练模块15,所述训练模块15用于根据所述事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型;
风险事件类型获取模块16,所述风险事件类型获取模块16用于遍历所述第二聚类结果,采集预设管控项目实时状态信息,输入所述风险事件触发概率预测模型,获取预测风险事件类型,其中,所述预测风险事件类型的触发概率大于或等于触发概率阈值;
管控模块17,所述管控模块17用于根据所述预测风险事件类型对所述预设管控项目实时状态信息进行管控。
进一步的,所述系统还包括:
风险事件记录数据获得模块,所述风险事件记录数据获得模块用于根据所述项目类型信息,基于大数据,采集风险事件记录数据,其中,所述风险事件记录数据包括风险事件类型记录数据和事件触发状态序列记录数据;
频繁序列挖掘模块,所述频繁序列挖掘模块用于遍历所述风险事件类型记录数据对所述事件触发状态序列记录数据进行频繁序列挖掘,生成所述风险事件类型和所述事件触发状态序列,其中,所述风险事件类型和所述事件触发状态序列一一对应;
第一执行模块,所述第一执行模块用于将所述风险事件类型和所述事件触发状态序列添加进所述风险事件集。
进一步的,所述系统还包括:
第二执行模块,所述第二执行模块用于根据所述风险事件类型记录数据,获取第i事件触发状态序列记录数据;
事件触发状态离散序列获取模块,所述事件触发状态离散序列获取模块用于遍历所述第i事件触发状态序列记录数据进行必然状态剪枝,获取第i事件触发状态离散序列;
非频繁项支持度阈值获取模块,所述非频繁项支持度阈值获取模块用于获取一项非频繁项支持度阈值,其中,所述一项非频繁项支持度阈值表征单项非频繁状态的最高触发频率阈值;
第三执行模块,所述第三执行模块用于根据所述一项非频繁项支持度阈值,遍历所述第i事件触发状态离散序列进行剪枝,获取第i事件触发状态剪枝结果;
第四执行模块,所述第四执行模块用于对所述第i事件触发状态剪枝结果频繁状态分析,获取第i事件触发状态序列,添加进所述事件触发状态序列。
进一步的,所述系统还包括:
频繁项支持度阈值获取模块,所述频繁项支持度阈值获取模块用于获取k项频繁项支持度阈值,其中,所述k项频繁项支持度阈值表征k项频繁状态的最低触发频率阈值,k∈[1,N],且k为整数,N为最大离散状态序列的状态数;
频繁状态集获取模块,所述频繁状态集获取模块用于根据所述k项频繁项支持度阈值,遍历所述第i事件触发状态剪枝结果进行k项频繁状态提取,获取一项频繁状态集、二项频繁状态集直到N项频繁状态集;
状态发生时序信息获取模块,所述状态发生时序信息获取模块用于根据所述第i事件触发状态序列记录数据,遍历所述一项频繁状态集、所述二项频繁状态集直到所述N项频繁状态集,匹配状态发生时序信息;
序列化调整模块,所述序列化调整模块用于根据所述状态发生时序信息对所述一项频繁状态集、所述二项频繁状态集直到所述N项频繁状态集进行序列化调整,获取所述第i事件触发状态序列,添加进所述事件触发状态序列。
进一步的,所述系统还包括:
关键词提取模块,所述关键词提取模块用于对所述事件触发状态序列进行关键词提取,获取事件触发状态关键词;
关键词分类模块,所述关键词分类模块用于对所述事件触发状态关键词进行分类,获取正向诱发关键词和负向诱发关键词;
权重分布模块,所述权重分布模块用于遍历所述正向诱发关键词和所述负向诱发关键词进行权重分布,获取关键词权重分布结果;
矢量方向设定模块,所述矢量方向设定模块用于为所述正向诱发关键词设定第一矢量方向,为所述负向诱发关键词设定第二矢量方向,其中,所述第一矢量方向和所述第二矢量方向相反;
第五执行模块,所述第五执行模块用于将所述关键词权重分布结果设为所述正向诱发关键词和所述负向诱发关键词的矢量大小参数;
第六执行模块,所述第六执行模块用于根据所述第一矢量方向、所述第二矢量方向和所述矢量大小参数生成所述事件触发矢量空间。
进一步的,所述系统还包括:
数据集获取模块,所述数据集获取模块用于遍历所述风险事件类型和所述事件触发状态序列,基于大数据,采集风险事件类型数据集和事件触发状态序列数据集;
矢量化处理模块,所述矢量化处理模块用于根据所述事件触发矢量空间对所述事件触发状态序列数据集进行矢量化处理,获取事件触发状态序列矢量化数据集;
概率标定模块,所述概率标定模块用于遍历所述事件触发状态序列矢量化数据集进行事件触发概率标定,获取风险事件触发概率标定数据集;
第七执行模块,所述第七执行模块用于根据所述风险事件类型数据集、所述事件触发状态序列矢量化数据集和所述风险事件触发概率标定数据集,基于长短时记忆神经网络,训练风险事件触发概率预测层;
第八执行模块,所述第八执行模块用于将所述事件触发矢量空间设为矢量化预处理层;
合并模块,所述合并模块用于将所述矢量化预处理层和所述风险事件触发概率预测层合并,生成所述风险事件触发概率预测模型,其中,所述矢量化预处理层的输出层和所述风险事件触发概率预测层的输入层合并。
进一步的,所述系统还包括:
第九执行模块,所述第九执行模块用于根据所述事件触发矢量空间对所述事件触发状态序列数据集进行矢量化处理,获取多组事件触发状态序列矢量集;
矢量加和模块,所述矢量加和模块用于遍历所述多组事件触发状态序列矢量集进行矢量加和,生成所述事件触发状态序列矢量化数据集。
本发明实施例所提供的一种基于神经网络模型的大数据风险管控系统可执行本发明任意实施例所提供的一种基于神经网络模型的大数据风险管控方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三。
图4为本发明实施例三提供的电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备的框图。图4显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图4所示,该电子设备包括处理器31、存储器32、输入装置33及输出装置34;电子设备中处理器31的数量可以是一个或多个,图4中以一个处理器31为例,电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种基于神经网络模型的大数据风险管控方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述一种基于神经网络模型的大数据风险管控方法。
本申请提供了一种基于神经网络模型的大数据风险管控方法,其中,所述方法应用于一种基于神经网络模型的大数据风险管控系统,所述方法包括:通过项目类型信息进行风险事件挖掘,获取风险事件类型和事件触发状态序列;按照项目进度,对风险事件类型、事件触发状态序列进行聚类分析,获取第一聚类结果;按照项目部分,对第一聚类结果进行聚类分析,获取第二聚类结果;遍历第二聚类结果,对任意一个风险事件类型的事件触发状态序列进行关键词向量化,生成事件触发矢量空间;根据事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型;将预设管控项目实时状态信息输入风险事件触发概率预测模型,获取预测风险事件类型,并根据预测风险事件类型对预设管控项目实时状态信息进行管控。解决了现有技术中针对项目的风险管控准确性不高,进而造成项目风险管控效果不佳的技术问题。达到了通过风险事件触发概率预测模型实现准确而高效地项目风险预测分析,提高项目风险管控的及时性、准确性,提升项目风险管控的质量,为项目的顺利完成提供有力保障的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种基于神经网络模型的大数据风险管控方法,其特征在于, 包括:
根据项目类型信息基于大数据进行风险事件挖掘,获取风险事件集,其中,所述风险事件集包括风险事件类型和事件触发状态序列;
对所述风险事件类型和所述事件触发状态序列按照项目进度进行聚类分析,获取第一聚类结果;
对所述第一聚类结果按照项目部分进行聚类分析,获取第二聚类结果;
遍历所述第二聚类结果,对任意一个所述风险事件类型的所述事件触发状态序列进行关键词向量化,生成事件触发矢量空间;
根据所述事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型;
遍历所述第二聚类结果,采集预设管控项目实时状态信息,输入所述风险事件触发概率预测模型,获取预测风险事件类型,其中,所述预测风险事件类型的触发概率大于或等于触发概率阈值;
根据所述预测风险事件类型对所述预设管控项目实时状态信息进行管控;
其中,所述遍历所述第二聚类结果,对任意一个所述风险事件类型的所述事件触发状态序列进行关键词向量化,生成事件触发矢量空间,包括:
对所述事件触发状态序列进行关键词提取,获取事件触发状态关键词;
对所述事件触发状态关键词进行分类,获取正向诱发关键词和负向诱发关键词;
遍历所述正向诱发关键词和所述负向诱发关键词进行权重分布, 获取关键词权重分布结果;
为所述正向诱发关键词设定第一矢量方向,为所述负向诱发关键词设定第二矢量方向,其中,所述第一矢量方向和所述第二矢量方向相反;
将所述关键词权重分布结果设为所述正向诱发关键词和所述负向诱发关键词的矢量大小参数;
根据所述第一矢量方向、所述第二矢量方向和所述矢量大小参数生成所述事件触发矢量空间。
2.如权利要求 1 所述的方法,其特征在于,所述根据项目类型信息基于大数据进行风险事件挖掘,获取风险事件集,其中,所述风险事件集包括风险事件类型和事件触发状态序列,包括:
根据所述项目类型信息,基于大数据,采集风险事件记录数据, 其中,所述风险事件记录数据包括风险事件类型记录数据和事件触发状态序列记录数据;
遍历所述风险事件类型记录数据对所述事件触发状态序列记录数据进行频繁序列挖掘,生成所述风险事件类型和所述事件触发状态序列,其中,所述风险事件类型和所述事件触发状态序列一一对应;
将所述风险事件类型和所述事件触发状态序列添加进所述风险事件集。
3.如权利要求 2 所述的方法,其特征在于,所述遍历所述风险事件类型记录数据对所述事件触发状态序列记录数据进行频繁序列挖掘,生成所述风险事件类型和所述事件触发状态序列,其中,所述风险事件类型和所述事件触发状态序列一一对应,包括:
根据所述风险事件类型记录数据,获取第 i 事件触发状态序列记录数据;
遍历所述第i 事件触发状态序列记录数据进行必然状态剪枝,获取第i 事件触发状态离散序列;
获取一项非频繁项支持度阈值,其中,所述一项非频繁项支持度阈值表征单项非频繁状态的最高触发频率阈值;
根据所述一项非频繁项支持度阈值,遍历所述第 i 事件触发状态离散序列进行剪枝,获取第i 事件触发状态剪枝结果;
对所述第 i 事件触发状态剪枝结果频繁状态分析,获取第 i 事件触发状态序列,添加进所述事件触发状态序列。
4.如权利要求 3 所述的方法,其特征在于,所述对所述第 i 事件触发状态剪枝结果频繁状态分析,获取第 i 事件触发状态序列,添加进所述事件触发状态序列,包括:
获取k 项频繁项支持度阈值,其中,所述 k 项频繁项支持度阈值表征 k 项频繁状态的最低触发频率阈值,k∈[1,N],且 k 为整数,N 为最大离散状态序列的状态数;
根据所述k 项频繁项支持度阈值,遍历所述第 i 事件触发状态剪枝结果进行k 项频繁状态提取,获取一项频繁状态集、二项频繁状态集直到N 项频繁状态集;
根据所述第i 事件触发状态序列记录数据,遍历所述一项频繁状态集、所述二项频繁状态集直到所述 N 项频繁状态集,匹配状态发生时序信息;
根据所述状态发生时序信息对所述一项频繁状态集、所述二项频繁状态集直到所述N项频繁状态集进行序列化调整,获取所述第 i 事件触发状态序列,添加进所述事件触发状态序列。
5.如权利要求 1 所述的方法,其特征在于,所述根据所述事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型,包括:
遍历所述风险事件类型和所述事件触发状态序列,基于大数据, 采集风险事件类型数据集和事件触发状态序列数据集;
根据所述事件触发矢量空间对所述事件触发状态序列数据集进行矢量化处理,获取事件触发状态序列矢量化数据集;
遍历所述事件触发状态序列矢量化数据集进行事件触发概率标定,获取风险事件触发概率标定数据集;
根据所述风险事件类型数据集、所述事件触发状态序列矢量化数据集和所述风险事件触发概率标定数据集,基于长短时记忆神经网络, 训练风险事件触发概率预测层;
将所述事件触发矢量空间设为矢量化预处理层;
将所述矢量化预处理层和所述风险事件触发概率预测层合并,生成所述风险事件触发概率预测模型,其中,所述矢量化预处理层的输出层和所述风险事件触发概率预测层的输入层合并。
6.如权利要求 5 所述的方法,其特征在于,所述根据所述事件触发矢量空间对所述事件触发状态序列数据集进行矢量化处理,获取事件触发状态序列矢量化数据集,包括:
根据所述事件触发矢量空间对所述事件触发状态序列数据集进行矢量化处理,获取多组事件触发状态序列矢量集;
遍历所述多组事件触发状态序列矢量集进行矢量加和,生成所述事件触发状态序列矢量化数据集。
7.一种基于神经网络模型的大数据风险管控系统,其特征在于, 包括:
风险事件挖掘模块,所述风险事件挖掘模块用于根据项目类型信息基于大数据进行风险事件挖掘,获取风险事件集,其中,所述风险事件集包括风险事件类型和事件触发状态序列;
第一聚类分析模块,所述第一聚类分析模块用于对所述风险事件类型和所述事件触发状态序列按照项目进度进行聚类分析,获取第一聚类结果;
第二聚类分析模块,所述第二聚类分析模块用于对所述第一聚类结果按照项目部分进行聚类分析,获取第二聚类结果;
关键词向量化模块,所述关键词向量化模块用于遍历所述第二聚类结果,对任意一个所述风险事件类型的所述事件触发状态序列进行关键词向量化,生成事件触发矢量空间;
训练模块,所述训练模块用于根据所述事件触发矢量空间,基于长短时记忆神经网络,训练风险事件触发概率预测模型;
风险事件类型获取模块,所述风险事件类型获取模块用于遍历所述第二聚类结果,采集预设管控项目实时状态信息,输入所述风险事件触发概率预测模型,获取预测风险事件类型,其中,所述预测风险事件类型的触发概率大于或等于触发概率阈值;
管控模块,所述管控模块用于根据所述预测风险事件类型对所述预设管控项目实时状态信息进行管控;
所述关键词向量化模块,包括:
关键词提取模块,所述关键词提取模块用于对所述事件触发状态序列进行关键词提取,获取事件触发状态关键词;
关键词分类模块,所述关键词分类模块用于对所述事件触发状态关键词进行分类,获取正向诱发关键词和负向诱发关键词;
权重分布模块,所述权重分布模块用于遍历所述正向诱发关键词和所述负向诱发关键词进行权重分布,获取关键词权重分布结果;
矢量方向设定模块,所述矢量方向设定模块用于为所述正向诱发 关键词设定第一矢量方向,为所述负向诱发关键词设定第二矢量方向, 其中,所述第一矢量方向和所述第二矢量方向相反;
第五执行模块,所述第五执行模块用于将所述关键词权重分布结果设为所述正向诱发关键词和所述负向诱发关键词的矢量大小参数;
第六执行模块,所述第六执行模块用于根据所述第一矢量方向、所述第二矢量方向和所述矢量大小参数生成所述事件触发矢量空间。
8.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求 1 至 6 任一项所述的一种基于神经网络模型的大数据风险管控方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于, 该程序被处理器执行时实现如权利要求 1 至 6 中任一所述的一种基于神经网络模型的大数据风险管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310165442.0A CN115859132B (zh) | 2023-02-27 | 2023-02-27 | 一种基于神经网络模型的大数据风险管控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310165442.0A CN115859132B (zh) | 2023-02-27 | 2023-02-27 | 一种基于神经网络模型的大数据风险管控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859132A CN115859132A (zh) | 2023-03-28 |
CN115859132B true CN115859132B (zh) | 2023-05-09 |
Family
ID=85658913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310165442.0A Active CN115859132B (zh) | 2023-02-27 | 2023-02-27 | 一种基于神经网络模型的大数据风险管控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859132B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882202A (zh) * | 2020-07-24 | 2020-11-03 | 武汉建工集团股份有限公司 | 一种基于bp神经网络的群体建筑同步建造风险管理系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008185A (zh) * | 2014-06-11 | 2014-08-27 | 西北工业大学 | 基于相同结点表和频繁情节树的频繁闭情节挖掘方法 |
CN104537025B (zh) * | 2014-12-19 | 2017-10-10 | 北京邮电大学 | 频繁序列挖掘方法 |
US10762563B2 (en) * | 2017-03-10 | 2020-09-01 | Cerebri AI Inc. | Monitoring and controlling continuous stochastic processes based on events in time series data |
CN107886243A (zh) * | 2017-11-10 | 2018-04-06 | 阿里巴巴集团控股有限公司 | 风险识别模型构建和风险识别方法、装置及设备 |
CN111680897A (zh) * | 2020-05-27 | 2020-09-18 | 公安部道路交通安全研究中心 | 一种勤务管控方法、装置、系统及计算机可读存储介质 |
-
2023
- 2023-02-27 CN CN202310165442.0A patent/CN115859132B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882202A (zh) * | 2020-07-24 | 2020-11-03 | 武汉建工集团股份有限公司 | 一种基于bp神经网络的群体建筑同步建造风险管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115859132A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022047658A1 (zh) | 日志异常检测系统 | |
CN105320764A (zh) | 一种基于增量慢特征的3d模型检索方法及其检索装置 | |
WO2016184159A1 (zh) | 大数据计算的方法及系统 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN113484837A (zh) | 一种面向电磁大数据的未知雷达辐射源智能识别方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN103678513A (zh) | 一种交互式的检索式生成方法及系统 | |
CN116307059A (zh) | 配电网区域故障预测模型构建方法及装置、电子设备 | |
CN115859132B (zh) | 一种基于神经网络模型的大数据风险管控方法及系统 | |
CN111026741A (zh) | 基于时间序列相似性的数据清洗方法及装置 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN115795368A (zh) | 一种基于人工智能的企业内训数据处理方法及系统 | |
CN115619449A (zh) | 基于深度学习模型的化肥价格预测方法、设备及存储介质 | |
Dong et al. | Novel method for hurricane trajectory prediction based on data mining | |
CN115617790A (zh) | 数据仓库创建方法、电子设备及存储介质 | |
Chen et al. | A Pruning Optimized Fast Learn++ NSE Algorithm | |
Luo et al. | Survey on real-time anomaly detection technology for big data streams | |
Yu et al. | An incremental learning based convolutional neural network model for large-scale and short-term traffic flow | |
Jiang et al. | An improved association rules algorithm based on frequent item sets | |
CN112650770B (zh) | 基于query workload分析的MySQL参数推荐方法 | |
Sun | Incomplete Big Data Filling Algorithm based on Machine Learning | |
CN115618250B (zh) | 一种雷达目标障碍模拟识别方法 | |
CN113570135B (zh) | 基于并行混合网络的石窟寺岩体裂隙发育控制方法及装置 | |
CN109995756B (zh) | 用于信息系统入侵检测的在线单分类主动机器学习方法 | |
Zhang | Reliability Optimization Analysis of Financial Management System Based on Decision Tree Algorithm |
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 |