CN116307745B - 一种工程项目智能风险监管预警方法及系统 - Google Patents
一种工程项目智能风险监管预警方法及系统 Download PDFInfo
- Publication number
- CN116307745B CN116307745B CN202310594502.0A CN202310594502A CN116307745B CN 116307745 B CN116307745 B CN 116307745B CN 202310594502 A CN202310594502 A CN 202310594502A CN 116307745 B CN116307745 B CN 116307745B
- Authority
- CN
- China
- Prior art keywords
- risk
- engineering
- supervision
- factors
- natural environment
- 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 32
- 238000012502 risk assessment Methods 0.000 claims abstract description 62
- 238000007418 data mining Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000013461 design Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 102000003712 Complement factor B Human genes 0.000 claims description 2
- 108090000056 Complement factor B Proteins 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project 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
- G06Q50/08—Construction
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种工程项目智能风险监管预警方法及系统,涉及工程预警领域,其中,所述方法包括:基于多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型;基于工程风险分布模型,构建工程风险监管模型;获得目标工程项目的实时状态数据;基于工程风险监管模型对实时状态数据进行风险分析,获得目标风险分析结果;当目标风险分析结果满足工程风险约束条件时,获得工程预警信号;基于工程预警信号对目标工程项目进行风险预警。解决了现有技术中针对工程项目的风险监管预警精准性不足,无法实现及时、有效地工程项目风险监管预警的技术问题。
Description
技术领域
本发明涉及工程预警领域,具体地,涉及一种工程项目智能风险监管预警方法及系统。
背景技术
随着建筑行业的快速发展,建筑工程项目的风险监管预警受到人们的广泛关注。与企业项目相比,建筑工程项目具有资金密集度高、周转时间长、项目风险种类多、项目风险关联性强等特点。现有技术中,存在针对工程项目的风险监管预警精准性不足,无法实现及时、有效地工程项目风险监管预警的技术问题。
发明内容
本申请提供了一种工程项目智能风险监管预警方法及系统。解决了现有技术中针对工程项目的风险监管预警精准性不足,无法实现及时、有效地工程项目风险监管预警的技术问题。达到了提高工程项目的风险监管预警精准性,提升工程项目的风险监管预警质量,从而实现及时、有效地工程项目风险监管预警的技术效果。
鉴于上述问题,本申请提供了一种工程项目智能风险监管预警方法及系统。
第一方面,本申请提供了一种工程项目智能风险监管预警方法,其中,所述方法应用于一种工程项目智能风险监管预警系统,所述方法包括:获得多级预设工程风险监管因素,其中,所述多级预设工程风险监管因素包括自然环境因素、社会环境因素、工程设计因素、甲方因素、乙方因素和监理因素;基于所述多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型,其中,所述工程风险分布模型包括多个工程风险分布单元;基于所述工程风险分布模型,构建工程风险监管模型,其中,所述工程风险监管模型包括输入层、工程风险识别层、工程风险评估层和输出层;获得目标工程项目的实时状态数据;基于所述工程风险监管模型对所述实时状态数据进行风险分析,获得目标风险分析结果;当所述目标风险分析结果满足工程风险约束条件时,获得工程预警信号;基于所述工程预警信号对所述目标工程项目进行风险预警。
第二方面,本申请还提供了一种工程项目智能风险监管预警系统,其中,所述系统包括:监管因素获得模块,所述监管因素获得模块用于获得多级预设工程风险监管因素,其中,所述多级预设工程风险监管因素包括自然环境因素、社会环境因素、工程设计因素、甲方因素、乙方因素和监理因素;数据挖掘模块,所述数据挖掘模块用于基于所述多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型,其中,所述工程风险分布模型包括多个工程风险分布单元;构建模块,所述构建模块用于基于所述工程风险分布模型,构建工程风险监管模型,其中,所述工程风险监管模型包括输入层、工程风险识别层、工程风险评估层和输出层;实时状态数据获得模块,所述实时状态数据获得模块用于获得目标工程项目的实时状态数据;风险分析模块,所述风险分析模块用于基于所述工程风险监管模型对所述实时状态数据进行风险分析,获得目标风险分析结果;工程预警信号获得模块,所述工程预警信号获得模块用于当所述目标风险分析结果满足工程风险约束条件时,获得工程预警信号;风险预警模块,所述风险预警模块用于基于所述工程预警信号对所述目标工程项目进行风险预警。
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:
通过对多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型;基于工程风险分布模型,构建工程风险监管模型;通过工程风险监管模型对目标工程项目的实时状态数据进行风险分析,获得目标风险分析结果;当目标风险分析结果满足工程风险约束条件时,获得工程预警信号,按照工程预警信号对目标工程项目进行风险预警。达到了提高工程项目的风险监管预警精准性,提升工程项目的风险监管预警质量,从而实现及时、有效地工程项目风险监管预警的技术效果。
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为本申请一种工程项目智能风险监管预警方法的流程示意图;
图2为本申请一种工程项目智能风险监管预警方法中获得自然环境风险分布单元的流程示意图;
图3为本申请一种工程项目智能风险监管预警系统的结构示意图。
附图标记说明:监管因素获得模块11,数据挖掘模块12,构建模块13,实时状态数据获得模块14,风险分析模块15,工程预警信号获得模块16,风险预警模块17。
具体实施方式
本申请通过提供一种工程项目智能风险监管预警方法及系统。解决了现有技术中针对工程项目的风险监管预警精准性不足,无法实现及时、有效地工程项目风险监管预警的技术问题。达到了提高工程项目的风险监管预警精准性,提升工程项目的风险监管预警质量,从而实现及时、有效地工程项目风险监管预警的技术效果。
实施例一
请参阅附图1,本申请提供一种工程项目智能风险监管预警方法,其中,所述方法应用于一种工程项目智能风险监管预警系统,所述方法具体包括如下步骤:
步骤S100:获得多级预设工程风险监管因素,其中,所述多级预设工程风险监管因素包括自然环境因素、社会环境因素、工程设计因素、甲方因素、乙方因素和监理因素;
具体而言,连接所述一种工程项目智能风险监管预警系统,对所述一种工程项目智能风险监管预警系统进行监管因素查询,获得由所述一种工程项目智能风险监管预警系统预先设置确定的多级预设工程风险监管因素。多级预设工程风险监管因素包括自然环境因素、社会环境因素、工程设计因素、甲方因素、乙方因素和监理因素。
步骤S200:基于所述多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型,其中,所述工程风险分布模型包括多个工程风险分布单元;
进一步的,本申请步骤S200还包括:
步骤S210:基于所述自然环境因素进行数据挖掘,获得自然环境风险分布单元;
进一步的,如附图2所示,本申请步骤S210还包括:
步骤S211:基于所述自然环境因素,获得自然环境工程风险记录;
步骤S212:基于所述自然环境工程风险记录进行因子提取,获得多个自然环境工程风险因子;
具体而言,根据自然环境因素进行大数据查询,获得自然环境工程风险记录,并对自然环境工程风险记录进行因子提取,获得多个自然环境工程风险因子。其中,所述自然环境工程风险记录包括多个自然环境工程风险事件。每个自然环境工程风险事件包括由自然环境工程风险指标造成的建筑工程项目风险事件。且,每个自然环境工程风险事件都具有对应的历史工程风险标识系数。历史工程风险标识系数是用于表征自然环境工程风险事件的风险影响的数据信息。自然环境工程风险事件对应的风险影响越大,对应的历史工程风险标识系数越高。多个自然环境工程风险因子包括自然环境工程风险记录对应的多个自然环境工程风险指标。多个自然环境工程风险指标包括施工环境气候恶劣、施工基础设施不健全等。达到了通过自然环境工程风险记录确定多个自然环境工程风险因子,为后续构建自然环境风险分布单元提供数据支持的技术效果。
步骤S213:遍历所述多个自然环境工程风险因子进行权重解析,获得权重解析结果;
进一步的,本申请步骤S213还包括:
步骤S2131:遍历所述多个自然环境工程风险因子,获得第一自然环境工程风险因子;
步骤S2132:基于预设历史时区和所述第一自然环境工程风险因子,获得第一因子触发概率;
步骤S2133:基于所述自然环境工程风险记录和所述第一自然环境工程风险因子,获得第一因子工程风险记录;
步骤S2134:基于所述第一因子工程风险记录进行风险影响分析,获得第一因子风险影响系数;
步骤S2135:基于加权融合约束特征对所述第一因子触发概率和所述第一因子风险影响系数进行加权计算,获得第一因子权重解析指数,并将所述第一因子权重解析指数添加至所述权重解析结果。
具体而言,依次将多个自然环境工程风险因子中的每个自然环境工程风险因子设置为第一自然环境工程风险因子。基于预设历史时区对第一自然环境工程风险因子出现的频率参数进行采集,获得第一因子触发概率。继而,基于第一自然环境工程风险因子对自然环境工程风险记录进行数据提取,获得第一因子工程风险记录,并对第一因子工程风险记录进行风险影响分析,获得第一因子风险影响系数。进而,根据加权融合约束特征对第一因子触发概率和第一因子风险影响系数进行加权计算,获得第一因子权重解析指数,并将第一因子权重解析指数添加至权重解析结果。
其中,所述预设历史时区包括预先设置确定的历史时间范围信息。所述第一因子触发概率包括在预设历史时区内,第一自然环境工程风险因子出现的频率参数。所述第一因子工程风险记录包括多个第一因子工程风险事件。多个第一因子工程风险事件包括自然环境工程风险记录中,第一自然环境工程风险因子对应的多个自然环境工程风险事件。所述第一因子风险影响系数包括第一因子工程风险记录对应的多个历史工程风险标识系数的平均值。所述加权融合约束特征包括预先设置确定的触发概率权重值、风险影响系数权重值。示例性地,将第一因子触发概率和第一因子风险影响系数输入加权计算公式,获得第一因子权重解析指数。加权计算公式包括,/>为输出的第一因子权重解析指数,/>为输入的第一因子触发概率,/>为输入的第一因子风险影响系数,为预先设置确定的加权融合约束特征中的触发概率权重值、风险影响系数权重值。所述权重解析结果包括多个自然环境工程风险因子对应的多个因子风险影响系数。达到了通过对多个自然环境工程风险因子进行权重分析,获得准确的权重解析结果,从而提高构建的自然环境工程风险链的精确度的技术效果。
步骤S214:基于所述权重解析结果对所述多个自然环境工程风险因子进行链式存储,获得自然环境工程风险链;
进一步的,本申请步骤S214还包括:
步骤S2141:基于链式储存,获得基础储存链条,其中,所述基础储存链条包括多个储存节点,每个储存节点包括节点指针和节点数据空间;
步骤S2142:基于所述基础储存链条,根据所述权重解析结果对所述多个自然环境工程风险因子进行储存节点分配,获得因子储存节点分配结果;
步骤S2143:基于所述因子储存节点分配结果,根据所述基础储存链条对所述多个自然环境工程风险因子进行存储,获得所述自然环境工程风险链。
步骤S215:基于所述自然环境工程风险链,生成所述自然环境风险分布单元。
具体而言,链式储存是指利用指示数据元素存储地址的指针表示数据元素之间的逻辑关系,在计算机中用一组任意的存储单元保存数据元素的方法。利用链式储存,可以构建多个储存节点,将这多个储存节点进行连接,即可获得基础储存链条。所述基础储存链条包括多个储存节点。且,每个储存节点包括节点指针和节点数据空间。节点数据空间用于保存数据信息。节点指针用于存放节点数据空间中数据信息对应的数据存储地址。利用节点指针可以快速查找节点数据空间中的数据信息。链式储存具有方法简单、可行性较高、存储空间利用率高、灵活等优点。
进一步,根据权重解析结果对多个自然环境工程风险因子进行标识。同时,基于基础储存链条,根据权重解析结果对多个自然环境工程风险因子进行储存节点分配,获得因子储存节点分配结果。继而,基于因子储存节点分配结果,根据基础储存链条对多个自然环境工程风险因子进行存储,获得自然环境工程风险链,并将自然环境工程风险链添加至自然环境风险分布单元。其中,所述因子储存节点分配结果包括多个自然环境工程风险因子对应的多个分配储存节点。示例性地,权重解析结果中的因子风险影响系数越大,则,将基础储存链条中越靠前的储存节点设置为该因子风险影响系数对应的自然环境工程风险因子的分配储存节点。所述自然环境风险分布单元包括自然环境工程风险链。自然环境工程风险链包括按照因子储存节点分配结果存储着多个自然环境工程风险因子的基础储存链条。达到了通过链式存储,构建全面、灵活的自然环境风险分布单元,从而提高工程项目的风险监管预警的全面性的技术效果。
步骤S220:基于所述社会环境因素进行数据挖掘,获得社会环境风险分布单元;
步骤S230:基于所述工程设计因素进行数据挖掘,获得设计风险分布单元;
步骤S240:基于所述甲方因素进行数据挖掘,获得甲方风险分布单元;
步骤S250:基于所述乙方因素进行数据挖掘,获得乙方风险分布单元;
步骤S260:基于所述监理因素进行数据挖掘,获得监理风险分布单元;
步骤S270:基于所述自然环境风险分布单元、所述社会环境风险分布单元、所述设计风险分布单元、所述甲方风险分布单元、所述乙方风险分布单元和所述监理风险分布单元,获得所述工程风险分布模型。
具体而言,分别对社会环境因素、工程设计因素、甲方因素、乙方因素和监理因素进行数据挖掘,获得社会环境风险分布单元、设计风险分布单元、甲方风险分布单元、乙方风险分布单元、监理风险分布单元,结合自然环境风险分布单元,生成工程风险分布模型。其中,所述工程风险分布模型包括多个工程风险分布单元。多个工程风险分布单元包括自然环境风险分布单元、社会环境风险分布单元、设计风险分布单元、甲方风险分布单元、乙方风险分布单元和监理风险分布单元。社会环境风险分布单元、设计风险分布单元、甲方风险分布单元、乙方风险分布单元、监理风险分布单元与自然环境风险分布单元的构建方式相同,为了说明书的简洁,在此不再赘述。达到了通过对多级预设工程风险监管因素进行数据挖掘,构建全面、可靠的工程风险分布模型,从而提高工程项目的风险监管预警质量的技术效果。
步骤S300:基于所述工程风险分布模型,构建工程风险监管模型,其中,所述工程风险监管模型包括输入层、工程风险识别层、工程风险评估层和输出层;
进一步的,本申请步骤S300还包括:
步骤S310:基于卷积神经网络,获得所述工程风险监管模型的基础网络架构,其中,所述基础网络架构包括输入层、多个隐含层和输出层;
具体而言,卷积神经网络是一类包含卷积计算,且具有深度结构的前馈神经网络。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。卷积神经网络的网络结构包括输入层、多个隐含层和输出层。将卷积神经网络的网络结构设置为工程风险监管模型的基础网络架构。
步骤S320:基于所述工程风险分布模型,构建所述工程风险识别层;
进一步的,本申请步骤S320还包括:
步骤S321:遍历所述工程风险分布模型,获得第一工程风险分布单元;
步骤S322:基于所述第一工程风险分布单元,获得第一检索特征条件,其中,所述第一检索特征条件包括检索约束目标和检索约束算力;
步骤S323:基于所述第一检索特征条件进行大数据检索,获得第一工程风险识别记录;
步骤S324:基于卷积神经网络对第一工程风险识别记录进行交叉监督训练,获得第一工程风险识别单元,并将所述第一工程风险识别单元添加至所述工程风险识别层。
具体而言,依次将工程风险分布模型中的每个工程风险分布单元设置为第一工程风险分布单元。基于第一工程风险分布单元设置第一检索特征条件。第一检索特征条件包括检索约束目标和检索约束算力。检索约束目标包括第一工程风险分布单元。检索约束算力包括第一工程风险分布单元对应的多个检索算力值。示例性地,当第一工程风险分布单元为自然环境风险分布单元时,自然环境风险分布单元中的自然环境工程风险因子对应的因子风险影响系数越大。则,该自然环境工程风险因子对应的检索算力值越高,该自然环境工程风险因子对应的工程风险识别记录的数据量越多。即,该自然环境工程风险因子对应的历史工程项目风险识别结果的数据量越多。
进一步,基于第一检索特征条件进行大数据检索,获得第一工程风险识别记录。根据卷积神经网络对第一工程风险识别记录进行交叉监督训练,获得第一工程风险识别单元,并将第一工程风险识别单元添加至工程风险识别层。其中,所述第一工程风险识别记录包括第一工程风险分布单元对应的多组工程风险识别记录。每组工程风险识别记录包括历史工程项目状态数据、历史工程项目风险识别结果。历史工程项目风险识别结果包括历史工程项目状态数据对应的历史工程项目风险指标,以及该历史工程项目风险指标对应的历史工程项目风险信息。所述工程风险识别层包括工程风险分布模型中的每个工程风险分布单元对应的工程风险识别单元。
步骤S330:基于所述工程风险分布模型,构建所述工程风险评估层;
步骤S340:将所述工程风险识别层和所述工程风险评估层标识为所述多个隐含层;
步骤S350:将所述输入层、所述多个隐含层和所述输出层进行连接,获得所述工程风险监管模型。
具体而言,基于工程风险分布模型,构建工程风险评估层。将工程风险识别层和工程风险评估层标识为多个隐含层,并将输入层、多个隐含层和输出层进行连接,获得工程风险监管模型。其中,所述工程风险评估层包括工程风险分布模型中的每个工程风险分布单元对应的工程风险评估单元。工程风险评估层与工程风险识别层的构建方式相同,为了说明书的简洁,在此不再赘述。所述工程风险监管模型包括输入层、多个隐含层和输出层。多个隐含层包括工程风险识别层和工程风险评估层。达到了通过对工程风险分布模型进行数据挖掘,构建多维、全面的工程风险监管模型,提高工程项目的风险监管预警的精确度的技术效果。
步骤S400:获得目标工程项目的实时状态数据;
步骤S500:基于所述工程风险监管模型对所述实时状态数据进行风险分析,获得目标风险分析结果;
步骤S600:当所述目标风险分析结果满足工程风险约束条件时,获得工程预警信号;
步骤S700:基于所述工程预警信号对所述目标工程项目进行风险预警。
具体而言,对目标工程项目进行实时信息采集,获得实时状态数据。工程风险监管模型包括输入层、工程风险识别层、工程风险评估层、输出层。将实时状态数据输入工程风险识别层,通过工程风险识别层对工程风险识别层进行风险识别,获得实时工程项目风险识别结果。将实时工程项目风险识别结果输入工程风险评估层,通过工程风险评估层对实时工程项目风险识别结果进行风险指数匹配,获得实时工程项目风险指数。将实时工程项目风险识别结果和实时工程项目风险指数输出为目标风险分析结果。进一步,对目标风险分析结果中的实时工程项目风险指数是否满足工程风险约束条件进行判断,如果实时工程项目风险指数满足工程风险约束条件,基于目标风险分析结果,生成工程预警信号,并根据工程预警信号对目标工程项目进行风险预警。
其中,所述目标工程项目包括使用所述一种工程项目智能风险监管预警系统进行智能化风险监管预警的任意建筑工程项目。所述实时状态数据包括目标工程项目对应的实时进度参数、实时节点参数、实时周期参数、实施情况等实时状态参数。所述目标风险分析结果包括实时工程项目风险识别结果和实时工程项目风险指数。实时工程项目风险识别结果包括实时状态数据对应的工程项目风险指标,以及该工程项目风险指标对应的工程项目风险信息。实时工程项目风险指数是用于表征实时工程项目风险识别结果的风险程度的数据信息。实时工程项目风险指数越大,对应的实时工程项目风险识别结果的风险程度越高。所述工程风险约束条件包括预先设置确定的工程项目风险指数阈值。所述工程预警信号是用于表征目标风险分析结果满足工程风险约束条件的预警提示信息。达到了通过工程风险监管模型对目标工程项目的实时状态数据进行风险分析,获得准确的目标风险分析结果,并结合工程风险约束条件适应性地生成工程预警信号,从而实现及时、有效地工程项目风险监管预警的技术效果。
综上所述,本申请所提供的一种工程项目智能风险监管预警方法具有如下技术效果:
1.通过对多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型;基于工程风险分布模型,构建工程风险监管模型;通过工程风险监管模型对目标工程项目的实时状态数据进行风险分析,获得目标风险分析结果;当目标风险分析结果满足工程风险约束条件时,获得工程预警信号,按照工程预警信号对目标工程项目进行风险预警。达到了提高工程项目的风险监管预警精准性,提升工程项目的风险监管预警质量,从而实现及时、有效地工程项目风险监管预警的技术效果。
2.通过链式存储,构建全面、灵活的自然环境风险分布单元,从而提高工程项目的风险监管预警的全面性。
3.通过对工程风险分布模型进行数据挖掘,构建多维、全面的工程风险监管模型,提高工程项目的风险监管预警的精确度。
实施例二
基于与前述实施例中一种工程项目智能风险监管预警方法,同样发明构思,本发明还提供了一种工程项目智能风险监管预警系统,请参阅附图3,所述系统包括:
监管因素获得模块11,所述监管因素获得模块11用于获得多级预设工程风险监管因素,其中,所述多级预设工程风险监管因素包括自然环境因素、社会环境因素、工程设计因素、甲方因素、乙方因素和监理因素;
数据挖掘模块12,所述数据挖掘模块12用于基于所述多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型,其中,所述工程风险分布模型包括多个工程风险分布单元;
构建模块13,所述构建模块13用于基于所述工程风险分布模型,构建工程风险监管模型,其中,所述工程风险监管模型包括输入层、工程风险识别层、工程风险评估层和输出层;
实时状态数据获得模块14,所述实时状态数据获得模块14用于获得目标工程项目的实时状态数据;
风险分析模块15,所述风险分析模块15用于基于所述工程风险监管模型对所述实时状态数据进行风险分析,获得目标风险分析结果;
工程预警信号获得模块16,所述工程预警信号获得模块16用于当所述目标风险分析结果满足工程风险约束条件时,获得工程预警信号;
风险预警模块17,所述风险预警模块17用于基于所述工程预警信号对所述目标工程项目进行风险预警。
进一步的,所述系统还包括:
第一执行模块,所述第一执行模块用于基于所述自然环境因素进行数据挖掘,获得自然环境风险分布单元;
第二执行模块,所述第二执行模块用于基于所述社会环境因素进行数据挖掘,获得社会环境风险分布单元;
第三执行模块,所述第三执行模块用于基于所述工程设计因素进行数据挖掘,获得设计风险分布单元;
第四执行模块,所述第四执行模块用于基于所述甲方因素进行数据挖掘,获得甲方风险分布单元;
第五执行模块,所述第五执行模块用于基于所述乙方因素进行数据挖掘,获得乙方风险分布单元;
第六执行模块,所述第六执行模块用于基于所述监理因素进行数据挖掘,获得监理风险分布单元;
第七执行模块,所述第七执行模块用于基于所述自然环境风险分布单元、所述社会环境风险分布单元、所述设计风险分布单元、所述甲方风险分布单元、所述乙方风险分布单元和所述监理风险分布单元,获得所述工程风险分布模型。
进一步的,所述系统还包括:
自然环境工程风险记录获得模块,所述自然环境工程风险记录获得模块用于基于所述自然环境因素,获得自然环境工程风险记录;
因子提取模块,所述因子提取模块用于基于所述自然环境工程风险记录进行因子提取,获得多个自然环境工程风险因子;
权重解析模块,所述权重解析模块用于遍历所述多个自然环境工程风险因子进行权重解析,获得权重解析结果;
链式存储模块,所述链式存储模块用于基于所述权重解析结果对所述多个自然环境工程风险因子进行链式存储,获得自然环境工程风险链;
第八执行模块,所述第八执行模块用于基于所述自然环境工程风险链,生成所述自然环境风险分布单元。
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遍历所述多个自然环境工程风险因子,获得第一自然环境工程风险因子;
第一因子触发概率确定模块,所述第一因子触发概率确定模块用于基于预设历史时区和所述第一自然环境工程风险因子,获得第一因子触发概率;
第一因子工程风险记录获得模块,所述第一因子工程风险记录获得模块用于基于所述自然环境工程风险记录和所述第一自然环境工程风险因子,获得第一因子工程风险记录;
第一因子风险影响系数获得模块,所述第一因子风险影响系数获得模块用于基于所述第一因子工程风险记录进行风险影响分析,获得第一因子风险影响系数;
第十执行模块,所述第十执行模块用于基于加权融合约束特征对所述第一因子触发概率和所述第一因子风险影响系数进行加权计算,获得第一因子权重解析指数,并将所述第一因子权重解析指数添加至所述权重解析结果。
进一步的,所述系统还包括:
基础储存链条获得模块,所述基础储存链条获得模块用于基于链式储存,获得基础储存链条,其中,所述基础储存链条包括多个储存节点,每个储存节点包括节点指针和节点数据空间;
储存节点分配模块,所述储存节点分配模块用于基于所述基础储存链条,根据所述权重解析结果对所述多个自然环境工程风险因子进行储存节点分配,获得因子储存节点分配结果;
第十一执行模块,所述第十一执行模块用于基于所述因子储存节点分配结果,根据所述基础储存链条对所述多个自然环境工程风险因子进行存储,获得所述自然环境工程风险链。
进一步的,所述系统还包括:
基础网络架构获得模块,所述基础网络架构获得模块用于基于卷积神经网络,获得所述工程风险监管模型的基础网络架构,其中,所述基础网络架构包括输入层、多个隐含层和输出层;
第十二执行模块,所述第十二执行模块用于基于所述工程风险分布模型,构建所述工程风险识别层;
第十三执行模块,所述第十三执行模块用于基于所述工程风险分布模型,构建所述工程风险评估层;
标识模块,所述标识模块用于将所述工程风险识别层和所述工程风险评估层标识为所述多个隐含层;
连接模块,所述连接模块用于将所述输入层、所述多个隐含层和所述输出层进行连接,获得所述工程风险监管模型。
进一步的,所述系统还包括:
第一工程风险分布单元确定模块,所述第一工程风险分布单元确定模块用于遍历所述工程风险分布模型,获得第一工程风险分布单元;
第一检索特征条件获得模块,所述第一检索特征条件获得模块用于基于所述第一工程风险分布单元,获得第一检索特征条件,其中,所述第一检索特征条件包括检索约束目标和检索约束算力;
第一工程风险识别记录获得模块,所述第一工程风险识别记录获得模块用于基于所述第一检索特征条件进行大数据检索,获得第一工程风险识别记录;
第一工程风险识别单元确定模块,所述第一工程风险识别单元确定模块用于基于卷积神经网络对第一工程风险识别记录进行交叉监督训练,获得第一工程风险识别单元,并将所述第一工程风险识别单元添加至所述工程风险识别层。
本发明实施例所提供的一种工程项目智能风险监管预警系统可执行本发明任意实施例所提供的一种工程项目智能风险监管预警方法,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。
本申请提供了一种工程项目智能风险监管预警方法,其中,所述方法应用于一种工程项目智能风险监管预警系统,所述方法包括:通过对多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型;基于工程风险分布模型,构建工程风险监管模型;通过工程风险监管模型对目标工程项目的实时状态数据进行风险分析,获得目标风险分析结果;当目标风险分析结果满足工程风险约束条件时,获得工程预警信号,按照工程预警信号对目标工程项目进行风险预警。解决了现有技术中针对工程项目的风险监管预警精准性不足,无法实现及时、有效地工程项目风险监管预警的技术问题。达到了提高工程项目的风险监管预警精准性,提升工程项目的风险监管预警质量,从而实现及时、有效地工程项目风险监管预警的技术效果。
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 (3)
1.一种工程项目智能风险监管预警方法,其特征在于,所述方法包括:
获得多级预设工程风险监管因素,其中,所述多级预设工程风险监管因素包括自然环境因素、社会环境因素、工程设计因素、甲方因素、乙方因素和监理因素;
基于所述多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型,其中,所述工程风险分布模型包括多个工程风险分布单元;
其中,基于所述多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型,包括:
基于所述自然环境因素进行数据挖掘,获得自然环境风险分布单元;
其中,基于所述自然环境因素进行数据挖掘,获得自然环境风险分布单元,包括:
基于所述自然环境因素,获得自然环境工程风险记录;
基于所述自然环境工程风险记录进行因子提取,获得多个自然环境工程风险因子;
遍历所述多个自然环境工程风险因子进行权重解析,获得权重解析结果;
其中,遍历所述多个自然环境工程风险因子进行权重解析,获得权重解析结果,包括:
遍历所述多个自然环境工程风险因子,获得第一自然环境工程风险因子;
基于预设历史时区和所述第一自然环境工程风险因子,获得第一因子触发概率;
基于所述自然环境工程风险记录和所述第一自然环境工程风险因子,获得第一因子工程风险记录;
基于所述第一因子工程风险记录进行风险影响分析,获得第一因子风险影响系数;
基于加权融合约束特征对所述第一因子触发概率和所述第一因子风险影响系数进行加权计算,获得第一因子权重解析指数,并将所述第一因子权重解析指数添加至所述权重解析结果;
其中,基于加权融合约束特征对所述第一因子触发概率和所述第一因子风险影响系数进行加权计算的加权计算公式为:
,
其中,为输出的第一因子权重解析指数,/>为输入的第一因子触发概率,Y为输入的第一因子风险影响系数,/>为预先设置确定的加权融合约束特征中的触发概率权重值、风险影响系数权重值;
基于所述权重解析结果对所述多个自然环境工程风险因子进行链式存储,获得自然环境工程风险链;
基于所述自然环境工程风险链,生成所述自然环境风险分布单元;
基于所述社会环境因素进行数据挖掘,获得社会环境风险分布单元;
基于所述工程设计因素进行数据挖掘,获得设计风险分布单元;
基于所述甲方因素进行数据挖掘,获得甲方风险分布单元;
基于所述乙方因素进行数据挖掘,获得乙方风险分布单元;
基于所述监理因素进行数据挖掘,获得监理风险分布单元;
基于所述自然环境风险分布单元、所述社会环境风险分布单元、所述设计风险分布单元、所述甲方风险分布单元、所述乙方风险分布单元和所述监理风险分布单元,获得所述工程风险分布模型,其中,社会环境风险分布单元、设计风险分布单元、甲方风险分布单元、乙方风险分布单元、监理风险分布单元与自然环境风险分布单元的构建方式相同;
基于所述工程风险分布模型,构建工程风险监管模型,其中,所述工程风险监管模型包括输入层、工程风险识别层、工程风险评估层和输出层;
其中,基于所述工程风险分布模型,构建工程风险监管模型,包括:
基于卷积神经网络,获得所述工程风险监管模型的基础网络架构,其中,所述基础网络架构包括输入层、多个隐含层和输出层;
基于所述工程风险分布模型,构建所述工程风险识别层;
其中,基于所述工程风险分布模型,构建所述工程风险识别层,包括:
遍历所述工程风险分布模型,获得第一工程风险分布单元;
基于所述第一工程风险分布单元,获得第一检索特征条件,其中,所述第一检索特征条件包括检索约束目标和检索约束算力;
基于所述第一检索特征条件进行大数据检索,获得第一工程风险识别记录;
基于卷积神经网络对第一工程风险识别记录进行交叉监督训练,获得第一工程风险识别单元,并将所述第一工程风险识别单元添加至所述工程风险识别层;
基于所述工程风险分布模型,构建所述工程风险评估层;
将所述工程风险识别层和所述工程风险评估层标识为所述多个隐含层;
将所述输入层、所述多个隐含层和所述输出层进行连接,获得所述工程风险监管模型;
获得目标工程项目的实时状态数据;
基于所述工程风险监管模型对所述实时状态数据进行风险分析,获得目标风险分析结果;
当所述目标风险分析结果满足工程风险约束条件时,获得工程预警信号;
基于所述工程预警信号对所述目标工程项目进行风险预警。
2.如权利要求1所述的方法,其特征在于,基于所述权重解析结果对所述多个自然环境工程风险因子进行链式存储,获得自然环境工程风险链,包括:
基于链式储存,获得基础储存链条,其中,所述基础储存链条包括多个储存节点,每个储存节点包括节点指针和节点数据空间;
基于所述基础储存链条,根据所述权重解析结果对所述多个自然环境工程风险因子进行储存节点分配,获得因子储存节点分配结果;
基于所述因子储存节点分配结果,根据所述基础储存链条对所述多个自然环境工程风险因子进行存储,获得所述自然环境工程风险链。
3.一种工程项目智能风险监管预警系统,其特征在于,所述系统用于执行权利要求1至2中任一项所述的方法,所述系统包括:
监管因素获得模块,所述监管因素获得模块用于获得多级预设工程风险监管因素,其中,所述多级预设工程风险监管因素包括自然环境因素、社会环境因素、工程设计因素、甲方因素、乙方因素和监理因素;
数据挖掘模块,所述数据挖掘模块用于基于所述多级预设工程风险监管因素进行数据挖掘,获得工程风险分布模型,其中,所述工程风险分布模型包括多个工程风险分布单元;
构建模块,所述构建模块用于基于所述工程风险分布模型,构建工程风险监管模型,其中,所述工程风险监管模型包括输入层、工程风险识别层、工程风险评估层和输出层;
实时状态数据获得模块,所述实时状态数据获得模块用于获得目标工程项目的实时状态数据;
风险分析模块,所述风险分析模块用于基于所述工程风险监管模型对所述实时状态数据进行风险分析,获得目标风险分析结果;
工程预警信号获得模块,所述工程预警信号获得模块用于当所述目标风险分析结果满足工程风险约束条件时,获得工程预警信号;
风险预警模块,所述风险预警模块用于基于所述工程预警信号对所述目标工程项目进行风险预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594502.0A CN116307745B (zh) | 2023-05-25 | 2023-05-25 | 一种工程项目智能风险监管预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594502.0A CN116307745B (zh) | 2023-05-25 | 2023-05-25 | 一种工程项目智能风险监管预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307745A CN116307745A (zh) | 2023-06-23 |
CN116307745B true CN116307745B (zh) | 2023-08-08 |
Family
ID=86834519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310594502.0A Active CN116307745B (zh) | 2023-05-25 | 2023-05-25 | 一种工程项目智能风险监管预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307745B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436700B (zh) * | 2023-11-14 | 2024-04-12 | 山东和同信息科技股份有限公司 | 一种基于bim的新能源工程数据管理系统及方法 |
CN117494293B (zh) * | 2024-01-02 | 2024-03-22 | 徐州市江山新型建材有限公司 | 基于温度分析的混凝土监测预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318408A (zh) * | 2014-11-25 | 2015-01-28 | 上海建科工程咨询有限公司 | 一种大型建筑工程建设的多目标、多维度风险管理系统 |
CN105976086A (zh) * | 2016-04-26 | 2016-09-28 | 天津大学 | 输水工程突发水污染事件的预警及预案生成方法 |
CN108022049A (zh) * | 2017-12-07 | 2018-05-11 | 浙江省水利水电工程质量与安全监督管理中心 | 水利工程质量安全监督风险评估系统和方法 |
CN108805407A (zh) * | 2018-05-04 | 2018-11-13 | 国网四川省电力公司电力科学研究院 | 一种基于大数据的电网工程安全评估系统 |
-
2023
- 2023-05-25 CN CN202310594502.0A patent/CN116307745B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318408A (zh) * | 2014-11-25 | 2015-01-28 | 上海建科工程咨询有限公司 | 一种大型建筑工程建设的多目标、多维度风险管理系统 |
CN105976086A (zh) * | 2016-04-26 | 2016-09-28 | 天津大学 | 输水工程突发水污染事件的预警及预案生成方法 |
CN108022049A (zh) * | 2017-12-07 | 2018-05-11 | 浙江省水利水电工程质量与安全监督管理中心 | 水利工程质量安全监督风险评估系统和方法 |
CN108805407A (zh) * | 2018-05-04 | 2018-11-13 | 国网四川省电力公司电力科学研究院 | 一种基于大数据的电网工程安全评估系统 |
Non-Patent Citations (1)
Title |
---|
宋扬.基于数据挖掘的工程项目动态风险评估研究.佳木斯大学学报(自然科学版).2021,第39卷(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116307745A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307745B (zh) | 一种工程项目智能风险监管预警方法及系统 | |
Shi-fei et al. | Studies on incidence pattern recognition based on information entropy | |
CN116132104A (zh) | 基于改进cnn-lstm的入侵检测方法、系统、设备及介质 | |
Laguna et al. | Design of hardware-friendly memory enhanced neural networks | |
CN115801463B (zh) | 工业互联网平台入侵检测的方法、装置和电子设备 | |
Zhao et al. | Evaluating the reliability of sources of evidence with a two-perspective approach in classification problems based on evidence theory | |
Silva et al. | An instance selection method for large datasets based on markov geometric diffusion | |
CN109255368B (zh) | 随机选取特征的方法、装置、电子设备及存储介质 | |
CN116186594A (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
Wang et al. | Local nonlinear dimensionality reduction via preserving the geometric structure of data | |
Chaimontree et al. | Best clustering configuration metrics: Towards multiagent based clustering | |
CN114997360B (zh) | 神经架构搜索算法的演化参数优化方法、系统及存储介质 | |
CN112906824B (zh) | 车辆聚类方法、系统、设备及存储介质 | |
CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
CN114297582A (zh) | 基于多探针局部敏感哈希负二项式回归模型的离散计数数据的建模方法 | |
Wang et al. | RODA: A fast outlier detection algorithm supporting multi-queries | |
CN114090869A (zh) | 目标对象处理方法、装置、电子设备及存储介质 | |
Chen et al. | A multi-source heterogeneous spatial big data fusion method based on multiple similarity and voting decision | |
CN112633299A (zh) | 一种目标检测方法、网络、装置、终端设备及存储介质 | |
Li et al. | Detecting a multigranularity event in an unequal interval time series based on self-adaptive segmenting | |
CN112433952A (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
CN116644438B (zh) | 一种基于移动存储设备的数据安全管理方法及系统 | |
Wang et al. | LSR‐forest: an locality sensitive hashing‐based approximate k‐nearest neighbor query algorithm on high‐dimensional uncertain data | |
Zhao et al. | Classification and pruning strategy of knowledge data decision tree based on rough set | |
CN116796164A (zh) | 特征选择方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |