CN117010679A - 一种风险处理方法、装置、电子设备及存储介质 - Google Patents
一种风险处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117010679A CN117010679A CN202210449680.XA CN202210449680A CN117010679A CN 117010679 A CN117010679 A CN 117010679A CN 202210449680 A CN202210449680 A CN 202210449680A CN 117010679 A CN117010679 A CN 117010679A
- Authority
- CN
- China
- Prior art keywords
- detected
- preset
- scene
- risk
- probability
- 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
- 238000003672 processing method Methods 0.000 title abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 155
- 238000001514 detection method Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 15
- 239000000779 smoke Substances 0.000 claims description 15
- 230000036772 blood pressure Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003542 behavioural effect Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000008280 blood Substances 0.000 claims description 8
- 210000004369 blood Anatomy 0.000 claims description 8
- 230000002996 emotional effect Effects 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 7
- 230000006996 mental state Effects 0.000 claims description 7
- 230000036387 respiratory rate Effects 0.000 claims description 7
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 6
- 239000008103 glucose Substances 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000036578 sleeping time Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 239000007789 gas Substances 0.000 description 25
- 230000010354 integration Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 206010016173 Fall Diseases 0.000 description 3
- 210000004899 c-terminal region Anatomy 0.000 description 3
- 238000009960 carding Methods 0.000 description 3
- 208000010877 cognitive disease Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 208000020401 Depressive disease Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000004617 sleep duration Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明实施例提供了一种风险处理方法、装置、电子设备及存储介质，涉及计算机技术领域，方法包括：获取预设历史时间段内针对待检测场景的预设检测参数的参数值，作为待检测参数值；基于待检测场景对应的风险处理模型对待检测参数值进行处理，得到待检测场景中发生预设风险的概率，作为预测概率；其中，风险处理模型为基于待检测场景中目标用户的用户画像和样本场景中针对预设检测参数的样本检测参数进行训练得到的；若预测概率满足第一预设告警条件，则采用预设风险对应的告警方式进行告警。基于上述处理，能够实现对待检测场景的监控，确定待检测场景中是否发生风险，并及时告警，以减少或者避免风险造成的损失。
Description
技术领域
本发明涉及计算机技术领域，特别是涉及一种风险处理方法、装置、电子设备及存储介质。
背景技术
在日常生活中，用户会遇到不同的风险，且该风险与用户当前所处的场景相关。例如，针对用户居家的场景，会遇到燃气泄漏风险、火灾风险等环境风险；针对用户个体的场景，会遇到跌倒、突发疾病等身体风险，以及认知障碍、焦虑抑郁等心理风险；针对业务运营的场景，会遇到金融诈骗风险、会员流失风险等业务风险。
为了减少或者避免风险造成的损失，亟需一种能够有效地对场景中的风险进行处理的方法。
发明内容
本发明实施例的目的在于提供一种风险处理的方法、装置、电子设备及存储介质，能够实现对待检测场景的监控，确定待检测场景中是否发生风险，并及时告警，以减少或者避免风险造成的损失。具体技术方案如下：
在本发明实施的第一方面，提供了一种风险处理方法，所述方法包括：
获取预设历史时间段内针对待检测场景的预设检测参数的参数值，作为待检测参数值；
基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率；其中，所述风险处理模型为基于所述待检测场景中目标用户的用户画像和样本场景中针对所述预设检测参数的样本检测参数进行训练得到的；
若所述预测概率满足第一预设告警条件，则采用所述预设风险对应的告警方式进行告警。
可选的，所述基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率，包括：
若所述待检测参数值满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第一风险处理模型，得到所述待检测场景在所述预设历史时间段内发生预设风险的概率，作为预测概率；其中，所述第一风险处理模型为基于第一样本时间段内第一样本场景针对所述预设检测参数的样本检测参数值，以及表示所述样本场景在所述第一样本时间段内是否发生所述预设风险的标签训练得到的；
若所述待检测参数值不满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第二风险处理模型，得到所述待检测场景在所述预设历史时间段后发生预设风险的概率，作为预测概率；其中，所述第二风险处理模型为基于第二样本时间段内第二样本场景针对所述预设检测参数的样本检测参数值，以及表示所述第二样本场景在所述第二样本时间段后的第三样本时间段内是否发生所述预设风险的标签训练得到的。
可选的，所述预设检测参数包括以下至少一项：所述待检测场景的环境参数、所述目标用户的生理参数和行为参数。
可选的，所述环境参数包括以下至少一项：所述待检测场景中的烟雾浓度、温度和燃气浓度；所述生理参数包括以下至少一项：所述目标用户的心率、呼吸频率、血糖、血压，情绪状态和精神状态；所述行为参数包括以下至少一项：所述目标用户的物理位置、开关门动作、睡眠时长和运动时长。
可选的，所述若所述预测概率满足第一预设告警条件，则采用所述预设风险的告警方式进行告警，包括：
若所述预测概率大于预设概率阈值，或，所述预测概率小于预设概率阈值且呈增大趋势变化，则采用所述预设风险的告警方式进行告警。
可选的，在所述若所述预测概率满足第一预设告警条件，则采用所述预设风险的告警方式进行告警之后，所述方法还包括：
根据所述目标用户针对所述告警的反馈结果，对所述风险处理模型的模型参数进行调整，以更新所述风险处理模型。
可选的，所述基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率，包括：
采用预设方式对所述待检测参数值进行预处理；其中，所述预设方式包括以下至少一项：补充缺失的参数值、去除异常的参数值和统一参数值的数据格式；
将预处理后的待检测参数值输入至待检测场景对应的风险处理模型，得到所述待检测场景中发生预设风险的概率，作为预测概率。
在本发明实施的第二方面，提供了一种风险处理装置，所述装置包括：
获取模块，用于获取预设历史时间段内针对待检测场景的预设检测参数的参数值，作为待检测参数值；
预测概率模块，用于基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率；其中，所述风险处理模型为基于所述待检测场景中目标用户的用户画像和样本场景中针对所述预设检测参数的样本检测参数进行训练得到的；
处理模块，用于若所述预测概率满足第一预设告警条件，则采用所述预设风险对应的告警方式进行告警。
可选的，所述预测概率模块包括：
第一预测概率子模块，用于若所述待检测参数值满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第一风险处理模型，得到所述待检测场景在所述预设历史时间段内发生预设风险的概率，作为预测概率；其中，所述第一风险处理模型为基于第一样本时间段内第一样本场景针对所述预设检测参数的样本检测参数值，以及表示所述样本场景在所述第一样本时间段内是否发生所述预设风险的标签训练得到的；
第二预测概率子模块，用于若所述待检测参数值不满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第二风险处理模型，得到所述待检测场景在所述预设历史时间段后发生预设风险的概率，作为预测概率；其中，所述第二风险处理模型为基于第二样本时间段内第二样本场景针对所述预设检测参数的样本检测参数值，以及表示所述第二样本场景在所述第二样本时间段后的第三样本时间段内是否发生所述预设风险的标签训练得到的。
可选的，所述预设检测参数包括以下至少一项：所述待检测场景的环境参数、所述目标用户的生理参数和行为参数。
可选的，所述环境参数包括以下至少一项：所述待检测场景中的烟雾浓度、温度和燃气浓度；所述生理参数包括以下至少一项：所述目标用户的心率、呼吸频率、血糖、血压，情绪状态和精神状态；所述行为参数包括以下至少一项：所述目标用户的物理位置、开关门动作、睡眠时长和运动时长。
可选的，所述处理模块具体用于若所述预测概率大于预设概率阈值，或，所述预测概率小于预设概率阈值且呈增大趋势变化，则采用所述预设风险的告警方式进行告警。
可选的，所述装置还包括：
更新模块，用于在所述若所述预测概率满足第一预设告警条件，则采用所述预设风险的告警方式进行告警之后，根据所述目标用户针对所述告警的反馈结果，对所述风险处理模型的模型参数进行调整，以更新所述风险处理模型。
可选的，所述预测概率模块包括：
预处理子模块，用于采用预设方式对所述待检测参数值进行预处理；其中，所述预设方式包括以下至少一项：补充缺失的参数值、去除异常的参数值和统一参数值的数据格式；
第三预测概率子模块，用于将预处理后的待检测参数值输入至待检测场景对应的风险处理模型，得到所述待检测场景中发生预设风险的概率，作为预测概率。
本发明实施例还提供了一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的风险处理方法步骤。
本发明实施例还提供了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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的风险处理方法步骤。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的风险处理方法。
本发明实施例提供的一种风险处理方法，获取预设历史时间段内针对待检测场景的预设检测参数的参数值，作为待检测参数值；基于待检测场景对应的风险处理模型对待检测参数值进行处理，得到待检测场景中发生预设风险的概率，作为预测概率；其中，风险处理模型为基于待检测场景中目标用户的用户画像进行训练得到的；若预测概率满足第一预设告警条件，则采用预设风险的告警方式进行告警。
基于上述处理，能够基于待检测场景中的待检测参数值，确定待检测场景中发生预设风险的预测概率，并在预测概率满足第一预设告警条件时进行告警，即，能够实现对待检测场景的监控，确定待检测场景中是否发生风险，并及时告警，以减少或者避免风险造成的损失。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的一种风险处理方法的流程图；
图2为本发明实施例提供的另一种风险处理方法的流程图；
图3为本发明实施例提供的另一种风险处理方法的流程图；
图4为本发明实施例提供的另一种风险处理方法的流程图；
图5为本发明实施例提供的另一种风险处理方法的流程图；
图6为本发明实施例提供的一种风险处理的原理示意图；
图7为本发明实施例提供的一种风险处理装置的结构图；
图8为本发明实施例提供的一种电子设备的结构图。
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基于本发明申请所获得的所有其他实施例，都属于本发明保护的范围。
在日常生活中，用户会遇到不同的风险，且该风险与用户当前所处的场景相关。例如，针对用户居家的场景，会遇到燃气泄漏风险、火灾风险等环境风险；针对用户个体的场景，会遇到跌倒、突发疾病等身体风险，以及认知障碍、焦虑抑郁等心理风险；针对业务运营的场景，会遇到金融诈骗风险、会员流失风险等业务风险。
为了减少或者避免风险造成的损失，本发明实施例提供了一种风险处理方法，该方法可以应用于电子设备，该电子设备可以获取针对待检测场景的待检测参数值，并基于本发明实施例提供的方法进行处理。
一种实现方式中，该电子设备可以为一个待检测场景中安装的终端，该终端可以与该待检测场景中的数据采集设备进行通信，以获取数据采集设备采集的针对该待检测场景的待检测参数值。其中，一个待检测场景中的数据采集设备可以包括以下至少一项：
烟雾探测器，用于检测待检测场景中的烟雾浓度；
燃气探测器，用于检测待检测场景中的燃气浓度；
门磁报警器，用于监测待检测场景中的门窗是否被打开；
红外感应器，用于监测待检测场景中是否有运动的人或物；
智能用电检测器，用于监测待检测场景中的用电情况；
紧急呼叫器，用于目标用户进行紧急呼救；
生命体征监测器，用于监测目标用户的生命体征，包括呼吸、心率、脉搏、血压、血氧等；
智能穿戴设备，用于监测目标用户的血压、心率、睡眠情况等；
智能定位设备，用于监测目标用户的位置信息。例如，可以为手机、智能手环等。
该终端与该待检测场景中的各数据采集设备之间可以通过NB(窄带蜂窝物联网，NarrowBandIoT)或ZigBee(紫蜂协议)等方式进行组网。
示例性地，上述数据采集设备在采集到待检测场景中的待检测参数值后，可以发送至对应的网络平台，进而，电子设备可以从上述对应的网络平台获取待检测参数值。例如，用户携带的手机可以向移动网络的运营商平台发送该目标用户的位置，进而，电子设备可以从该运营商平台获取该用户的位置。又例如，待检测场景中的燃气探测器可以向设备厂商平台发送待检测场景中的燃气浓度，进而，电子设备可以从该设备厂商平台获取该待检测场景中的燃气浓度。
一种实现方式中，该电子设备也可以为服务器，该服务器可以与至少一个待检测场景中的数据采集设备分别进行通信，以获取数据采集设备采集的各待检测场景的待检测参数值。另外，由于该服务器对应多个待检测场景，因此，服务器可以从接收到的各待检测参数值中确定属于每一待检测场景的待检测参数值，以基于每一待检测场景的待检测参数值，对每一待检测场景进行风险处理。
参见图1，图1为本发明实施例提供的一种风险处理方法的流程图，该方法包括以下步骤：
S101：获取预设历史时间段内针对待检测场景的预设检测参数的参数值，作为待检测参数值。
S102：基于待检测场景对应的风险处理模型对待检测参数值进行处理，得到待检测场景中发生预设风险的概率，作为预测概率。
其中，风险处理模型为基于待检测场景中目标用户的用户画像和样本场景中针对预设检测参数的样本检测参数进行训练得到的。
S103：若预测概率满足第一预设告警条件，则采用预设风险对应的告警方式进行告警。
基于本发明实施例提供的风险处理方法，能够基于待检测场景中的待检测参数值，确定待检测场景中发生预设风险的预测概率，并在预测概率满足第一预设告警条件时进行告警，即，能够实现对待检测场景的监控，确定待检测场景中是否发生风险，并及时告警，以减少或者避免风险造成的损失。
针对步骤S101，待检测场景即需要确定是否存在风险的场景，不同的待检测场景中可能会发生不同的风险。例如，待检测场景可以为用户的居住环境，相应的，其对应的风险可以为房屋漏水风险、燃气泄漏风险、用户的(例如老人)摔倒风险、用户的坠床风险，以及用户的发病风险(例如，中风、心肌梗塞、高血压、抑郁症、焦虑症、认知障碍)等；或者，待检测场景也可以为工厂的生产环境，相应的，其对应的风险可以为火灾风险、有毒气体泄漏风险等。
预设历史时间段为当前时刻之前的时间段。一种实现方式中，电子设备可以实时获取待检测场景中的待检测参数值，并按照预设检测周期对待检测参数值进行风险处理。例如，针对一个待检测场景，当达到预设检测周期对应的时刻时，电子设备可以获取该待检测场景在该时刻之前的预设历史时间段内的待检测参数值，以进行风险处理。
一种实现方式中，预设历史时间段的时长可以与预设检测周期的周期时长相同。相应的，预设历史时间段越短，则电子设备进行风险处理的预设检测周期的周期时长越短，即，电子设备可以以较高的频率进行风险处理，进而，可以提高风险处理的及时性。
预设历史时间段的时长可以根据风险的类型确定。例如，针对燃气泄漏风险，对应的预设历史时间段的时长可以为1分钟，即，电子设备可以获取待检测场景在当前时刻之前1分钟内的燃气浓度，以进行风险处理；针对目标用户的发病风险，对应的预设历史时间段的时长可以为30秒，即，电子设备可以获取待检测场景中目标用户在当前时刻之前30秒内的血压、心率等，以进行风险处理。
针对步骤S102，预设风险表示待检测场景对应的风险，即，一个待检测场景对应的预设风险可以为一个，或者，也可以多个。
风险处理模型与风险的类型相对应，即，针对每一预设风险，电子设备可以基于该预设风险的类型对应的风险处理模型，确定待检测场景中发生该预设风险的预测概率。
用户画像表示目标用户的用户特征，用户特征可以包括生活习惯、工作习惯和心理特征等各方面的特征。结合目标用户的用户画像，可以对该目标用户所属的待检测场景对应的风险处理模型进行训练，也就使得训练得到的风险处理模型能够学习到该目标用户的用户特征。而该目标用户所属的待检测场景中的待检测参数值与该目标用户的用户特征相关，因此，后续基于该风险处理模型对该目标用户所属的待检测场景中的待检测参数值进行处理，能够提高预测概率的准确度。也就是说，风险处理模型是与目标用户相对应的，可以理解为，风险处理模型与目标用户所属的待检测场景对应。
例如，目标用户A经常使用燃气灶做饭，在目标用户A所属的待检测场景中，当烟雾浓度为5％，可能并未发生火灾；而目标用户B并不会使用燃气灶做饭，在目标用户B所属的待检测场景中，当烟雾浓度为5％，可能已经发生火灾。因此，在获取到样本检测参数(即烟雾浓度为5％)后，可以将对应的发生火灾风险的概率设置为0，以对目标用户A所属的待检测场景对应的风险处理模型进行训练；相应的，可以将样本检测参数对应的发生火灾的概率设置为1，以对目标用户B所属的待检测场景对应的风险处理模型进行训练。如此，得到的两个风险处理模型分别与目标用户A和目标用户B对应，二者并不相同。
电子设备可以基于不同的预设检测参数对不同的风险进行检测。针对每一种风险，电子设备可以基于一种待检测参数值，确定待检测场景中发生该风险的概率。例如，电子设备可以基于待检测场景中的燃气浓度，确定待检测场景中发生燃气泄露风险的概率。
或者，针对每一种风险，电子设备也可以基于多种待检测参数值，确定待检测场景中发生该风险的概率。该多种待检测参数值可以为同一数据采集设备采集到的，或者，也可以为多个数据采集设备采集到的。例如，电子设备可以基于待检测场景中的目标用户的心率、血压和位置信息，确定待检测场景中的目标用户发生摔倒风险的概率。
基于上述处理，电子设备可以结合多种待检测参数值，确定待检测场景中发生风险的概率，进而，也就能提高确定出预测概率的准确度。
针对步骤S103，当预测概率满足第一预设告警条件时，表明待检测场景中当前已发生预设风险，因此，电子设备可以进行告警。
告警方式与风险的类型相对应。例如，针对目标用户的发病风险，电子设备可以采取呼叫目标用户的紧急联系人，以及呼叫急救部门等方式进行告警。例如，紧急联系人包括目标用户的亲属、邻居、物业人员以及社区工作人员等。针对火灾风险，电子设备可以采取呼叫消防部门，以及呼叫目标用户等方式进行告警。
在一个实施例中，预设检测参数包括以下至少一项：待检测场景的环境参数、目标用户的生理参数和行为参数。
其中，环境参数可以表明待检测场景中环境的状态；目标用户的生理参数和行为参数可以表明目标用户的身体状况和心理状态。待检测场景中的风险可能会对环境参数、目标用户的生理参数和行为参数中至少一项产生影响，因此，可以基于环境参数、目标用户的生理参数和行为参数中的至少一项进行风险处理。例如，当待检测场景中发生火灾风险时，待检测场景中的烟雾浓度和温度会上升，且待检测场景中的目标用户的心率和体温也会发生变化。
基于上述处理，电子设备可以结合至少一种待检测参数值，确定待检测场景中发生风险的概率，进而，也就能提高确定出预测概率的准确度。
在一个实施例中，环境参数包括以下至少一项：待检测场景中的烟雾浓度、温度和燃气浓度；生理参数包括以下至少一项：目标用户的心率、呼吸频率、血糖、血压、情绪状态和精神状态；行为参数包括以下至少一项：目标用户的物理位置、开关门动作、睡眠时长和运动时长。
本申请实施例中，待检测场景中的温度表示该待检测场景中的环境温度。
当待检测场景发生火灾时，待检测场景中的烟雾浓度会升高、温度会上升；当待检测场景发生燃气泄漏时，待检测场景中的燃气浓度会升高，因此，基于环境参数，可以确定待检测场景中发生环境风险的概率。例如，基于环境参数(烟雾浓度和/或温度)，电子设备可以确定待检测场景中发生火灾风险的概率。基于燃气浓度，电子设备可以确定待检测场景中发生燃气泄露风险的概率。
当目标用户摔倒时，目标用户的心率、呼吸频率、血糖、血压等会发生变化；当目标用户患有抑郁症时，目标用户的睡眠时长和运动时长会降低。因此，基于生理参数和行为参数，电子设备可以确定待检测场景中的目标用户的人身安全风险，例如，发病、摔倒，以及坠床等风险的概率。
基于上述处理，电子设备可以采取不同的预设检测参数组合，对不同的风险进行预测，满足不同风险处理需求。
一种实现方式中，生理参数还可以包括目标用户的情绪状态和精神状态。例如，可以基于用户上传的状态评估表获取该生理参数。
在一个实施例中，参见图2，图2为本发明实施例提供的另一种风险处理方法的流程图，在图1的基础上，步骤S102可以包括以下步骤：
S1021：若待检测参数值满足第二预设告警条件，将待检测参数值输入至检测场景对应的第一风险处理模型，得到待检测场景在预设历史时间段内发生预设风险的概率，作为预测概率。
其中，第一风险处理模型为基于第一样本时间段内第一样本场景针对预设检测参数的样本检测参数值，以及表示样本场景在第一样本时间段内是否发生预设风险的标签训练得到的。
S1022：若待检测参数值不满足第二预设告警条件，将待检测参数值输入至待检测场景对应的第二风险处理模型，得到待检测场景在预设历史时间段后发生预设风险的概率，作为预测概率。
其中，第二风险处理模型为基于第二样本时间段内第二样本场景针对预设检测参数的样本检测参数值，以及表示第二样本场景在第二样本时间段后的第三样本时间段内是否发生预设风险的标签训练得到的。
当预设检测参数为一个时，则满足第二预设告警条件表示该待检测参数值触发对应的预设安全条件。例如，预设检测参数表示温度，则满足第二预设告警条件表示待检测场景中的温度高于35℃。预设检测参数表示燃气浓度，则满足第二预设告警条件表示待检测场景中的燃气浓度高于0.1％。预设检测参数表示用户位置，则满足第二预设告警条件表示待检测场景中的目标用户当前位于室外。
当预设检测参数为多个时，则满足第二预设告警条件表示多个待检测参数值中的至少一个触发对应的预设安全条件。
在本发明实施例中，根据待检测参数值是否满足第二预设告警条件，电子设备可以采取不同的风险处理模型进行处理，得到预测概率。
其中，由于第一风险处理模型基于第一样本时间段内的样本检测参数值(可以称为第一样本检测参数值)以及第一样本时间段内是否发生预设风险的标签(可以称为第一标签)训练得到的，因此，针对一个时间段，基于第一风险处理模型可以确定待检测场景在该时间段内发生风险的预测概率(可以称为第一预测概率)。其中，第一标签可以用概率表示。
一种实现方式中，电子设备可以将第一样本检测参数值输入预设结构的风险处理模型，得到对应的第一预测概率，基于该第一预测概率与第一标签之间的损失函数值，对预设结构的风险处理模型的模型参数进行调整，直至该预设结构的风险处理模型达到收敛，得到第一风险处理模型。
一种实现方式中，上述第一标签可以基于目标用户的用户画像确定。
其中，由于第二风险处理模型基于第二样本时间段内的样本检测参数值(可以称为第二样本检测参数值)以及第二样本时间段后的第三样本时间段内是否发生预设风险的标签(可以称为第二标签)训练得到的，因此，针对一个时间段，基于第二风险处理模型可以确定待检测场景在该时间段后发生风险的预测概率(可以称为第二预测概率)。其中，第二标签可以用概率表示。
一种实现方式中，电子设备可以将第二样本检测参数值输入预设结构的风险处理模型，得到对应的第二预测概率，基于第二预测概率与第二标签之间的损失函数值，对预设结构的风险处理模型的模型参数进行调整，直至该预设结构的风险处理模型达到收敛，得到第二风险处理模型。
一种实现方式中，上述第二标签可以基于目标用户的用户画像确定。
第二样本时间段可以与上述第一样本时间段相同，也可以不同。
上述预设结构的风险处理模型可以为深度学习网络模型，例如，可以为RNN(循环神经网络，Recurrent Neural Network)模型，或者，也可以为CNN(卷积神经网络，Convolutional Neural Networks)模型，但并不限于此。
基于本发明实施例提供的风险处理方法，电子设备可以确定待检测场景当前是否已发生预设风险，且还能够预测待检测场景在将来时刻是否会发生预设风险，进而，能够提高风险处理的及时性。
在一个实施例中，参见图3，图3为本发明实施例提供的另一种风险处理方法的流程图，在图1的基础上，步骤S103可以包括以下步骤：
S1031：若预测概率大于预设概率阈值，或，预测概率小于预设概率阈值且呈增大趋势变化，则采用预设风险的告警方式进行告警。
预设概率阈值可以由技术人员根据经验进行设置，例如，可以为80％，或者，也可以为85％，但并不限于此。也可以根据实际风险发生的情况，与概率之间进行训练得到阈值，即由机器学习模型得到最优解。
可以理解的是，若步骤S102中，电子设备基于第一风险处理模型得到第一预测概率，则在本步骤中，电子设备可以比较第一预测概率与预设概率阈值，以确定是否进行告警。若步骤S102中，电子设备基于第二风险处理模型得到第二预测概率，则在本步骤中，电子设备可以比较第二预测概率与预设概率阈值，以确定是否进行告警。
在一个实施例中，若预测概率小于预设概率阈值，且未呈增大趋势变化，则电子设备无需进行告警，可以持续获取待检测场景的待检测参数值，以进行风险处理。
在一个实施例中，参见图4，图4为本发明实施例提供的另一种风险处理方法的流程图，在图1的基础上，该方法还可以包括以下步骤：
S104：根据目标用户针对告警的反馈结果，对风险处理模型的模型参数进行调整，以更新风险处理模型。
为了使风险处理模型更加符合目标用户的用户特征，以提升风险处理的准确性，电子设备可以基于目标用户针对告警的反馈结果对风险处理模型进行训练。
若目标用户的反馈结果表明本次电子设备的告警为误报，则可以确定本次告警时的待检测参数值对应发生预设风险的概率为0，并基于上述数据对目标用户对应的风险处理模型进行训练，即，对风险处理模型的模型参数进行调整，以更新风险处理模型。进而，也就使得风险处理模型更加符合该目标用户的用户特征，提高后续得到的预测概率的准确度。
在一个实施例中，参见图5，图5为本发明实施例提供的另一种风险处理方法的流程图，在图1的基础上，步骤S102可以包括以下步骤：
S1023：采用预设方式对待检测参数值进行预处理。
其中，预设方式包括以下至少一项：补充缺失的参数值、去除异常的参数值和统一参数值的数据格式。
S1024：将预处理后的待检测参数值输入至待检测场景对应的风险处理模型，得到待检测场景中发生预设风险的概率，作为预测概率。
在本发明实施例中，待检测场景中的数据采集设备发生故障，可能会导致电子设备获取的待检测参数值中缺失部分数值。因此，电子设备可以补充获取的待检测参数值中缺失的参数值。
数据采集设备运行异常，可能会导致电子设备获取的待检测参数值中存在部分异常的参数值。因此，电子设备可以去除获取的待检测参数值中异常的参数值。
另外，由于待检测场景中的各数据采集设备的生产厂商可能不同，会导致电子设备获取的待检测参数值中的存在部分格式不统一的待检测参数值。因此，电子设备可以统一获取的待检测参数值的数据格式。
基于上述处理，电子设备可以对获取的待检测参数值进行预处理，提高输入至风险处理模型的数据的可靠性，进而，提高确定出的预测概率的准确度，有效减少或者避免风险造成的损失。
在一个实施例中，参见图6，图6为本发明实施例提供的一种风险处理的原理示意图。
图6中，基于风险梳理模块可以确定场景中不同风险类型(例如，环境风险、生理风险、心理风险、业务风险)对应的预设检测参数。
根据风险梳理模块确定出的预设检测参数，通过数据采集模块可以获取对应的参数值(即待检测参数值)。例如，可以通过智能硬件(例如，烟雾探测器、燃气探测器、生命体征监测器等)、数据调研以及第三方数据(例如，人口数据、卫健医疗数据、人社社保数据等)获取。数据调研包括目标用户针对告警的反馈结果以及上传的用户特征。
风险梳理模块可以将确定出的预设检测参数与风险类型之间的对应关系，向算法集成模块发送，以使算法集成模块基于该对应关系建立风险处理模型。
数据采集模块可以通过智能硬件将采集到的待检测参数值发送至数据集成模块中的物联网平台，并通过物联网平台，发送至数据中台。另外，数据中台还可以从数据采集模块获取通过第三方数据和数据调研得到的待检测参数值。然后，数据中台可以对获取到的待检测参数值，进行预处理，并将预处理后的待检测参数值，发送至算法集成模块。
算法集成模块用于基于事故检测算法得到第一风险处理模型、基于风险预测算法得到第二风险处理模型，以及基于用户画像算法得到目标用户的用户画像。相应的，模型决策模块可以基于第一风险处理模型、第二风险处理模型和目标用户的用户画像对预处理后的待检测参数值进行处理，得到预测概率，并发送至运营服务模块。另外，模型决策模型还可以进行数据回放，根据数据回放的结果，对第一风险处理模型和第二风险处理模型进行模型调参。当第一风险处理模型和第二风险处理模型达到预设收敛条件时，进行模型上线。
运营服务模块可以基于预测概率进行告警监测，即若预测概率小于预设概率阈值，且未呈增大趋势变化，则电子设备无需进行告警，可以持续获取待检测场景的待检测参数值，以进行风险处理。若预测概率大于预设概率阈值，或，预测概率小于预设概率阈值且呈增大趋势变化，则进行告警联动，即，采用预设风险的告警方式进行告警。通过告警联动和用户回访，可以获取用户反馈模块中的C端用户针对告警的反馈结果。告警联动包括呼叫目标用户、呼叫目标用户的紧急联系人、呼叫紧急热线等。用户回访包括目标用户上传告警的反馈结果、上传目标用户最新的用户特征等。可以通过数据调研将用户回访的数据提供给数据采集模块。
用户反馈模块中的B端用户(例如，机构、城镇、街道、社区等单位)可以基于API(应用程序编程接口，Application Programming Interface)从模型决策模块获取风险处理的预测概率。C端用户(例如，目标用户)可以从运营服务模块中获取风险处理的结果。
另外，算法集成模型还可以从C端用户获取信息(例如，告警的反馈结果、最新的用户特征)，以对用户画像进行更新。
与图1的方法实施例相对应，参见图7，图7为本发明实施例提供的一种风险处理装置的结构图，所述装置包括：
获取模块701，用于获取预设历史时间段内针对待检测场景的预设检测参数的参数值，作为待检测参数值；
预测概率模块702，用于基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率；其中，所述风险处理模型为基于所述待检测场景中目标用户的用户画像和样本场景中针对所述预设检测参数的样本检测参数进行训练得到的；
处理模块703，用于若所述预测概率满足第一预设告警条件，则采用所述预设风险对应的告警方式进行告警。
可选的，所述预测概率模块702包括：
第一预测概率子模块，用于若所述待检测参数值满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第一风险处理模型，得到所述待检测场景在所述预设历史时间段内发生预设风险的概率，作为预测概率；其中，所述第一风险处理模型为基于第一样本时间段内第一样本场景针对所述预设检测参数的样本检测参数值，以及表示所述样本场景在所述第一样本时间段内是否发生所述预设风险的标签训练得到的；
第二预测概率子模块，用于若所述待检测参数值不满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第二风险处理模型，得到所述待检测场景在所述预设历史时间段后发生预设风险的概率，作为预测概率；其中，所述第二风险处理模型为基于第二样本时间段内第二样本场景针对所述预设检测参数的样本检测参数值，以及表示所述第二样本场景在所述第二样本时间段后的第三样本时间段内是否发生所述预设风险的标签训练得到的。
可选的，所述预设检测参数包括以下至少一项：所述待检测场景的环境参数、所述目标用户的生理参数和行为参数。
可选的，所述环境参数包括以下至少一项：所述待检测场景中的烟雾浓度、温度和燃气浓度；所述生理参数包括以下至少一项：所述目标用户的心率、呼吸频率、血糖、血压、情绪状态和精神状态；所述行为参数包括以下至少一项：所述目标用户的物理位置、开关门动作、睡眠时长和运动时长。
可选的，所述处理模块703，具体用于若所述预测概率大于预设概率阈值，或，所述预测概率小于预设概率阈值且呈增大趋势变化，则采用所述预设风险的告警方式进行告警。
可选的，所述装置还包括：
更新模块，用于在所述若所述预测概率满足第一预设告警条件，则采用所述预设风险的告警方式进行告警之后，根据所述目标用户针对所述告警的反馈结果，对所述风险处理模型的模型参数进行调整，以更新所述风险处理模型。
可选的，所述预测概率模块702包括：
预处理子模块，用于采用预设方式对所述待检测参数值进行预处理；其中，所述预设方式包括以下至少一项：补充缺失的参数值、去除异常的参数值和统一参数值的数据格式；
第三预测概率子模块，用于将预处理后的待检测参数值输入至待检测场景对应的风险处理模型，得到所述待检测场景中发生预设风险的概率，作为预测概率。
基于本发明实施例提供的风险处理装置，能够基于待检测场景中的待检测参数值，确定待检测场景中发生预设风险的预测概率，并在预测概率满足第一预设告警条件时进行告警，即，能够实现对待检测场景的监控，确定待检测场景中是否发生风险，并及时告警，以减少或者避免风险造成的损失。
本发明实施例还提供了一种电子设备，如图8所示，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信，
存储器803，用于存放计算机程序；
处理器801，用于执行存储器803上所存放的程序时，实现如下步骤：
获取预设历史时间段内针对待检测场景的预设检测参数的参数值，作为待检测参数值；
基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率；其中，所述风险处理模型为基于所述待检测场景中目标用户的用户画像和样本场景中针对所述预设检测参数的样本检测参数进行训练得到的；
若所述预测概率满足第一预设告警条件，则采用所述预设风险对应的告警方式进行告警。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
基于本发明实施例提供的电子设备，能够根据待检测场景中的待检测参数值，确定待检测场景中发生预设风险的预测概率，并在预测概率满足第一预设告警条件时进行告警，即，能够实现对待检测场景的监控，确定待检测场景中是否发生风险，并及时告警，以减少或者避免风险造成的损失。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一风险处理方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一风险处理方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (16)
1.一种风险处理方法，其特征在于，所述方法包括：
获取预设历史时间段内针对待检测场景的预设检测参数的参数值，作为待检测参数值；
基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率；其中，所述风险处理模型为基于所述待检测场景中目标用户的用户画像和样本场景中针对所述预设检测参数的样本检测参数进行训练得到的；
若所述预测概率满足第一预设告警条件，则采用所述预设风险对应的告警方式进行告警。
2.根据权利要求1所述的方法，其特征在于，所述基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率，包括：
若所述待检测参数值满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第一风险处理模型，得到所述待检测场景在所述预设历史时间段内发生预设风险的概率，作为预测概率；其中，所述第一风险处理模型为基于第一样本时间段内第一样本场景针对所述预设检测参数的样本检测参数值，以及表示所述样本场景在所述第一样本时间段内是否发生所述预设风险的标签训练得到的；
若所述待检测参数值不满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第二风险处理模型，得到所述待检测场景在所述预设历史时间段后发生预设风险的概率，作为预测概率；其中，所述第二风险处理模型为基于第二样本时间段内第二样本场景针对所述预设检测参数的样本检测参数值，以及表示所述第二样本场景在所述第二样本时间段后的第三样本时间段内是否发生所述预设风险的标签训练得到的。
3.根据权利要求1所述的方法，其特征在于，所述预设检测参数包括以下至少一项：所述待检测场景的环境参数、所述目标用户的生理参数和行为参数。
4.根据权利要求3所述的方法，其特征在于，所述环境参数包括以下至少一项：所述待检测场景中的烟雾浓度、温度和燃气浓度；所述生理参数包括以下至少一项：所述目标用户的心率、呼吸频率、血糖、血压，情绪状态和精神状态；所述行为参数包括以下至少一项：所述目标用户的物理位置、开关门动作、睡眠时长和运动时长。
5.根据权利要求1所述的方法，其特征在于，所述若所述预测概率满足第一预设告警条件，则采用所述预设风险的告警方式进行告警，包括：
若所述预测概率大于预设概率阈值，或，所述预测概率小于预设概率阈值且呈增大趋势变化，则采用所述预设风险的告警方式进行告警。
6.根据权利要求1所述的方法，其特征在于，在所述若所述预测概率满足第一预设告警条件，则采用所述预设风险的告警方式进行告警之后，所述方法还包括：
根据所述目标用户针对所述告警的反馈结果，对所述风险处理模型的模型参数进行调整，以更新所述风险处理模型。
7.根据权利要求1所述的方法，其特征在于，所述基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率，包括：
采用预设方式对所述待检测参数值进行预处理；其中，所述预设方式包括以下至少一项：补充缺失的参数值、去除异常的参数值和统一参数值的数据格式；
将预处理后的待检测参数值输入至待检测场景对应的风险处理模型，得到所述待检测场景中发生预设风险的概率，作为预测概率。
8.一种风险处理装置，其特征在于，所述装置包括：
获取模块，用于获取预设历史时间段内针对待检测场景的预设检测参数的参数值，作为待检测参数值；
预测概率模块，用于基于所述待检测场景对应的风险处理模型对所述待检测参数值进行处理，得到所述待检测场景中发生预设风险的概率，作为预测概率；其中，所述风险处理模型为基于所述待检测场景中目标用户的用户画像和样本场景中针对所述预设检测参数的样本检测参数进行训练得到的；
处理模块，用于若所述预测概率满足第一预设告警条件，则采用所述预设风险对应的告警方式进行告警。
9.根据权利要求8所述的装置，其特征在于，所述预测概率模块包括：
第一预测概率子模块，用于若所述待检测参数值满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第一风险处理模型，得到所述待检测场景在所述预设历史时间段内发生预设风险的概率，作为预测概率；其中，所述第一风险处理模型为基于第一样本时间段内第一样本场景针对所述预设检测参数的样本检测参数值，以及表示所述样本场景在所述第一样本时间段内是否发生所述预设风险的标签训练得到的；
第二预测概率子模块，用于若所述待检测参数值不满足第二预设告警条件，将所述待检测参数值输入至所述待检测场景对应的第二风险处理模型，得到所述待检测场景在所述预设历史时间段后发生预设风险的概率，作为预测概率；其中，所述第二风险处理模型为基于第二样本时间段内第二样本场景针对所述预设检测参数的样本检测参数值，以及表示所述第二样本场景在所述第二样本时间段后的第三样本时间段内是否发生所述预设风险的标签训练得到的。
10.根据权利要求8所述的装置，其特征在于，所述预设检测参数包括以下至少一项：所述待检测场景的环境参数、所述目标用户的生理参数和行为参数。
11.根据权利要求8所述的装置，其特征在于，所述环境参数包括以下至少一项：所述待检测场景中的烟雾浓度、温度和燃气浓度；所述生理参数包括以下至少一项：所述目标用户的心率、呼吸频率、血糖、血压，情绪状态和精神状态；所述行为参数包括以下至少一项：所述目标用户的物理位置、开关门动作、睡眠时长和运动时长。
12.根据权利要求8所述的装置，其特征在于，所述处理模块，具体用于若所述预测概率大于预设概率阈值，或，所述预测概率小于预设概率阈值且呈增大趋势变化，则采用所述预设风险的告警方式进行告警。
13.根据权利要求8所述的装置，其特征在于，所述装置还包括：
更新模块，用于在所述若所述预测概率满足第一预设告警条件，则采用所述预设风险的告警方式进行告警之后，根据所述目标用户针对所述告警的反馈结果，对所述风险处理模型的模型参数进行调整，以更新所述风险处理模型。
14.根据权利要求8所述的装置，其特征在于，所述预测概率模块包括：
预处理子模块，用于采用预设方式对所述待检测参数值进行预处理；其中，所述预设方式包括以下至少一项：补充缺失的参数值、去除异常的参数值和统一参数值的数据格式；
第三预测概率子模块，用于将预处理后的待检测参数值输入至待检测场景对应的风险处理模型，得到所述待检测场景中发生预设风险的概率，作为预测概率。
15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
16.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210449680.XA CN117010679A (zh) | 2022-04-26 | 2022-04-26 | 一种风险处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210449680.XA CN117010679A (zh) | 2022-04-26 | 2022-04-26 | 一种风险处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117010679A true CN117010679A (zh) | 2023-11-07 |
Family
ID=88565839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210449680.XA Pending CN117010679A (zh) | 2022-04-26 | 2022-04-26 | 一种风险处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117010679A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688342A (zh) * | 2024-02-01 | 2024-03-12 | 山东云天安全技术有限公司 | 一种基于模型的设备状态预测方法、电子设备及存储介质 |
-
2022
- 2022-04-26 CN CN202210449680.XA patent/CN117010679A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688342A (zh) * | 2024-02-01 | 2024-03-12 | 山东云天安全技术有限公司 | 一种基于模型的设备状态预测方法、电子设备及存储介质 |
| CN117688342B (zh) * | 2024-02-01 | 2024-04-19 | 山东云天安全技术有限公司 | 一种基于模型的设备状态预测方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11170633B1 (en) | Aberration engine | |
| US11632292B2 (en) | Cooperative monitoring networks | |
| Kim et al. | Emergency situation monitoring service using context motion tracking of chronic disease patients | |
| CN104334075B (zh) | 具有调整通知的生物测定属性异常检测系统 | |
| US10037668B1 (en) | Emergency alerting system and method | |
| Dahmen et al. | Smart secure homes: a survey of smart home technologies that sense, assess, and respond to security threats | |
| US10827951B2 (en) | Fall detection using sensors in a smart monitoring safety system | |
| US20170053504A1 (en) | Motion detection system based on user feedback | |
| US10755730B1 (en) | System and method for beep detection and interpretation | |
| US10217350B2 (en) | Adaptive exception handling in security system | |
| Gupta et al. | Detecting anomalous user behavior in remote patient monitoring | |
| CN110197732B (zh) | 一种基于多传感器的远程健康监控系统、方法与设备 | |
| US11409989B2 (en) | Video object detection with co-occurrence | |
| WO2013023067A2 (en) | Monitoring and tracking system, method, article and device | |
| CN117010679A (zh) | 一种风险处理方法、装置、电子设备及存储介质 | |
| CA3154229A1 (en) | System and method for monitoring system compliance with measures to improve system health | |
| US11978124B1 (en) | Method and system for automatically detecting use of an alarm system | |
| CN205427547U (zh) | 一种基于云计算的智能安防控制系统 | |
| US20210224828A1 (en) | Real-time dynamic monitoring of sentiment trends and mitigation of the same in a live setting | |
| KR102407150B1 (ko) | 지능형 응급상황 알람 서비스 시스템 및 방법 | |
| US20240135801A1 (en) | Aberration engine | |
| Ozohu et al. | Improved Hybrid Machine Learning User Behavioural Model for Secured Smart Homes | |
| CN117978565A (zh) | 基于微信小程序的智能家居交互控制方法及系统 | |
| CN116863647A (zh) | 老人智能陪伴系统及实现方法 | |
| JP2016218697A (ja) | 人体の活動量と異常判断付加情報で異常を検知する見守りシステム |
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 |