CN113361855A - 一种短中长期风险的告警方法及装置 - Google Patents
一种短中长期风险的告警方法及装置 Download PDFInfo
- Publication number
- CN113361855A CN113361855A CN202110496412.9A CN202110496412A CN113361855A CN 113361855 A CN113361855 A CN 113361855A CN 202110496412 A CN202110496412 A CN 202110496412A CN 113361855 A CN113361855 A CN 113361855A
- Authority
- CN
- China
- Prior art keywords
- risk
- target
- feature vector
- medium
- short
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000007774 longterm Effects 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 114
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract 3
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 abstract description 5
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种短中长期风险的告警方法及装置,通过词嵌入获取风险告警目标的特征向量,将风险告警目标的特征向量输入卷积神经网络,提取风险告警目标的目标画像特征向量,并根据多次发生风险事故对象在每次发生风险事故时对应的监测数据样本得到时间序列特征向量,采用递归神经网络模型对时间序列特征向量进行递归操作,提取发生风险倾向特征向量,最后将目标画像特征向量与发生风险倾向特征向量进行融合,输入到全连接神经网络模型,预测出风险告警目标对应的风险值,在风险值大于预设的阈值时,发出告警。本发明有效提升了再次发生风险的预测精度,创新了短中长期风险评估方法体系,且促进了短中长期风险评估效率与智能化水平。
Description
技术领域
本申请属于安全生产技术领域,尤其涉及一种短中长期风险的告警方法及装置。
背景技术
安全一直是生产及社会安定的重要环节,不注重安全,往往会带来巨大的代价。安全不仅仅体现在安全生产,还体现在社会生活的方方面面,例如消防安全、交通安全、危险品处理、治安、***件等等。
“安全第一、预防为主”是我国的安全生产基本方针,如何预警并消除安全隐患,一直是重中之重,安全预警和监督检查工作是“预防为主”的主要手段和措施。
目前对于安全的预警,往往是在事发前根据各个危险源进行预判,在进行预判时很少考虑以前曾经发生的事故对今后二次发生事故的影响,更很少考虑对曾经发生的事故在新的环境下再次发生的情况进行预警。
发明内容
本申请的目的是提供一种短中长期风险的告警方法及装置,克服了现有技术对再次发生风险判断不准确的问题。
为了实现上述目的,本申请技术方案如下:
一种短中长期风险的告警方法,包括:
通过词嵌入获取风险告警目标的特征向量X0,将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1;
获取多次发生风险事故对象在每次发生风险事故时对应的监测数据样本,通过词嵌入得到时间序列特征向量H0,采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN;
将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,将融合特征X2输入到全连接神经网络模型,预测出风险告警目标对应的风险值,在风险值大于预设的阈值时,发出告警。
进一步的,所述将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1,其数学表达式如下:
X1=CNN(X0)。
进一步的,所述采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN,其数学表达式如下:
HN=RNN(H0)。
进一步的,所述将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,其数学表达式为:
X2=concat(X1,HN)。
进一步的,所述将融合特征X2输入到全连接神经网络模型,预测出风险告警目标对应的风险值,包括:
首先将融合特征X2输入到全连接层,得到一个三维的综合特征向量X3:
X3=FC(X2);
然后采用softmax运算,预测出风险告警目标对应的风险值Pi:
本申请还提出了一种短中长期风险的告警装置,包括:
目标画像特征提取模块,用于通过词嵌入获取风险告警目标的特征向量X0,将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1;
风险倾向特征向量提取模块,用于获取多次发生风险事故对象在每次发生风险事故时对应的监测数据样本,通过词嵌入得到时间序列特征向量H0,采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN;
融合预警模块,用于将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,将融合特征X2输入到全连接神经网络模型,预测出风险告警目标对应的风险值,在风险值大于预设的阈值时,发出告警。
进一步的,所述将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1,其数学表达式如下:
X1=CNN(X0)。
进一步的,所述采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN,其数学表达式如下:
HN=RNN(H0)。
进一步的,所述将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,其数学表达式为:
X2=concat(X1,HN)。
进一步的,所述将融合特征X2输入到全连接神经网络模型,预测出风险告警目标对应的风险值,包括:
首先将融合特征X2输入到全连接层,得到一个三维的综合特征向量X3:
X3=FC(X2);
然后采用softmax运算,预测出风险告警目标对应的风险值Pi:
本申请提出的一种短中长期风险的告警方法及装置,基于传统人工打分量表的二次风险评估方法存在主观的差异性和偶然性,打破传统方法的局限性,首次引入前沿的神经网络方法提取画像特征,并基于先验知识提取再次发生风险的驱动特征,高效融合画像特征及先验知识,有效提升了再次发生风险的预测精度,创新了短中长期风险评估方法体系,且促进了短中长期风险评估效率与智能化水平。
附图说明
图1为本申请短中长期风险的告警方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
无论是食品安全、公共卫生安全、学校安全等等,都需要一定的安全预警机制。以食品安全来说,某个公司生产的食品不符合标准,容易产生很多安全问题。例如当年的奶粉质量没有达到标准,导致很多婴儿出现大头娃娃现象,严重营养不良。因此,对这些厂家进行***和预警,能够有效的防止再次出现安全事故。目前,对再次出现安全事故的预测及告警,只能在工厂整改后做一次基于危险度量表的打分,通过人工对工厂各种风险因素进行打分形成预测结果。这种方法的具体效果难以评价,特别由于出现新的风险因素等难以预料,无法真正做到对中长期的二次风险开展预测。
在一个实施例中,如图1所示,提供了一种短中长期风险的告警方法,包括:
步骤S1、通过词嵌入获取风险告警目标的特征向量X0,将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1。
本申请对风险告警目标进行预测告警,风险告警目标可以是某个加工工厂,对其安全风险进行预警。也可以针对某个危险品仓库,对其安全风险进行预警。或者针对违法人员,对其短中长期再次违法行为进行安全风险预警。
对风险告警目标,通过普查先获取其目标各种风险数据,以一个加工工厂为例,获取所生产的产品类型、工厂面积、员工人数、员工文化程度、消毒次数、原料保质期、保存环境温度等等。
通过词嵌入获取风险告警目标的特征向量,设是词嵌入矩阵,其中,n是建模字段的词汇个数,d2是词嵌入维度。从而,建模字段的每个内容被嵌入成数学向量且在这个模型中是可训练的参数,随着整个模型的训练,模型会逐步优化嵌入矩阵,使得优化的词嵌入更加有利于短中长期风险预测任务。
设经过词嵌入后,获取的特征向量为X0,为了提高目标画像特征向量的抽象能力,用卷积神经网络(CNN)来提取最终的目标画像特征向量,即X1:
X1=CNN(X0)。
步骤S2、获取多次发生风险事故对象在每次发生风险事故时对应的监测数据样本,通过词嵌入得到时间序列特征向量H0,采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN。
递归神经网络模型RNN对时间序列特征向量H0进行递归操作,表示如下:
HN=RNN(H0)。
对于多个风险事故对象,每个风险事故对象均发生了多次的风险事故,获取在每次发生风险事故时对应的监测数据,通过词嵌入得到每一次发生风险事故对应的特征向量,将每一次风险事故对应的特征向量组成时间序列特征向量H0。
例如,对多个多次发生安全事件的加工工厂,将每次发生安全事件对应的监测数据进行词嵌入操作,获得对应的特征向量。将多次发生风险事故对应的特征向量序列按照时间顺序组成时间序列特征向量H0,并标注对应的标签,作为样本数据,然后将样本数据输入到递归神经网络模型,提取N次发生风险倾向特征向量。
本申请能提取不同次数的N次发生风险的倾向特征,融合时间特征信息,能够隐形的使得时间久远的特征被模型所加权弱化。
步骤S3、将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,将融合特征X2输入到全连接神经网络模型,预测出风险告警目标对应的风险值,在风险值大于预设的阈值时,发出告警。
融合特征需要融合目标画像特征向量和N次发生风险倾向特征向量,融合过程表示为:
X2=concat(X1,HN)
其中concat运算是两个向量的连接运算,X1为目标画像特征向量,HN表示N次发生风险倾向特征向量。
将融合特征输入到全连接神经网络模型的全连接层,得到一个三维的综合特征向量X3,即
X3=FC(X2)。
最后采用softmax运算,计算公式如下:
从而可以预测出短期、中期、长期发生风险的概率,当概率大于预设的阈值(例如80%),则进行告警。
本申请短中长期风险与目标画像特征有关,并且还与目标最近的时间序列高度相关,本申请对目标本身所处的时空环境进行了建模,这是以往用简单神经网络模型所没有做到的。考虑到通过一种数据类型,模型很难对目标短中长期风险做出足够的评估,因此,建模了多种数据类型(多模态的),特别是对文本数据类型的建模。
本申请对于容易发生二次风险的目标,具有较好的风险预测告警能力,目标可以是工厂、危险品仓库等,也可以对社区矫正人员或入监人员进行再犯的风险预测告警,可以及时预防各种安全风险,防范于未然。
在一个实施例中,本申请还提供了一种短中长期风险的告警装置,包括:
目标画像特征提取模块,用于通过词嵌入获取风险告警目标的特征向量X0,将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1;
风险倾向特征向量提取模块,用于获取多次发生风险事故对象在每次发生风险事故时对应的监测数据样本,通过词嵌入得到时间序列特征向量H0,采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN;
融合预警模块,用于将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,将融合特征X2输入到全连接神经网络模型,预测出风险告警目标对应的风险值,在风险值大于预设的阈值时,发出告警。
关于短中长期风险的告警装置的具体限定可以参见上文中对于短中长期风险的告警方法的限定,在此不再赘述。上述短中长期风险的告警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序,所述处理器通过运行存储在存储器内的计算机程序,从而实现本发明实施例中的网络拓扑布局方法。
其中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器用于存储程序,所述处理器在接收到执行指令后,执行所述程序。
所述处理器可能是一种集成电路芯片,具有数据的处理能力。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(NetworkProcessor,NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种短中长期风险的告警方法,其特征在于,所述短中长期风险的告警方法,包括:
通过词嵌入获取风险告警目标的特征向量X0,将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1;
获取多次发生风险事故对象在每次发生风险事故时对应的监测数据样本,通过词嵌入得到时间序列特征向量H0,采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN;
将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,将融合特征X2输入到全连接神经网络模型,预测出风险告警目标对应的风险值,在风险值大于预设的阈值时,发出告警。
2.如权利要求1所述的短中长期风险的告警方法,其特征在于,所述将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1,其数学表达式如下:
X1=CNN(X0)。
3.如权利要求1所述的短中长期风险的告警方法,其特征在于,所述采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN,其数学表达式如下:
HN=RNN(H0)。
4.如权利要求1所述的短中长期风险的告警方法,其特征在于,所述将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,其数学表达式为:
X2=concat(X1,HN)。
6.一种短中长期风险的告警装置,其特征在于,所述短中长期风险的告警装置,包括:
目标画像特征提取模块,用于通过词嵌入获取风险告警目标的特征向量X0,将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1;
风险倾向特征向量提取模块,用于获取多次发生风险事故对象在每次发生风险事故时对应的监测数据样本,通过词嵌入得到时间序列特征向量H0,采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN;
融合预警模块,用于将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,将融合特征X2输入到全连接神经网络模型,预测出风险告警目标对应的风险值,在风险值大于预设的阈值时,发出告警。
7.如权利要求6所述的短中长期风险的告警装置,其特征在于,所述将风险告警目标的特征向量X0输入卷积神经网络,提取风险告警目标的目标画像特征向量X1,其数学表达式如下:
X1=CNN(X0)。
8.如权利要求5所述的短中长期风险的告警装置,其特征在于,所述采用递归神经网络模型RNN对时间序列特征向量H0进行递归操作,提取N次发生风险倾向特征向量HN,其数学表达式如下:
HN=RNN(H0)。
9.如权利要求5所述的短中长期风险的告警装置,其特征在于,所述将目标画像特征向量X1与N次发生风险倾向特征向量HN进行融合,其数学表达式为:
X2=concat(X1,HN)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496412.9A CN113361855A (zh) | 2021-05-07 | 2021-05-07 | 一种短中长期风险的告警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496412.9A CN113361855A (zh) | 2021-05-07 | 2021-05-07 | 一种短中长期风险的告警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361855A true CN113361855A (zh) | 2021-09-07 |
Family
ID=77525899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110496412.9A Pending CN113361855A (zh) | 2021-05-07 | 2021-05-07 | 一种短中长期风险的告警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361855A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709732A (zh) * | 2024-02-06 | 2024-03-15 | 北京天译科技有限公司 | 结合气象监测数据的农业灾害报告生成方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104978A (zh) * | 2017-05-24 | 2017-08-29 | 赖洪昌 | 一种基于深度学习的网络风险预警方法 |
CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
US20200036611A1 (en) * | 2018-07-24 | 2020-01-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for warning |
CN111898836A (zh) * | 2020-08-18 | 2020-11-06 | 石拓 | 一种犯罪时空预测方法及*** |
CN111967565A (zh) * | 2020-10-23 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 用于进行风险评估的神经网络***、方法及装置 |
CN112149413A (zh) * | 2020-09-07 | 2020-12-29 | 国家计算机网络与信息安全管理中心 | 基于神经网络识别互联网网站所属业态的方法、装置以及计算机可读存储介质 |
US20210035437A1 (en) * | 2019-08-01 | 2021-02-04 | Fuji Xerox Co., Ltd. | System and method for event prevention and prediction |
WO2021042843A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 告警信息的决策方法、装置、计算机设备及存储介质 |
-
2021
- 2021-05-07 CN CN202110496412.9A patent/CN113361855A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104978A (zh) * | 2017-05-24 | 2017-08-29 | 赖洪昌 | 一种基于深度学习的网络风险预警方法 |
US20200036611A1 (en) * | 2018-07-24 | 2020-01-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for warning |
CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
US20210035437A1 (en) * | 2019-08-01 | 2021-02-04 | Fuji Xerox Co., Ltd. | System and method for event prevention and prediction |
WO2021042843A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 告警信息的决策方法、装置、计算机设备及存储介质 |
CN111898836A (zh) * | 2020-08-18 | 2020-11-06 | 石拓 | 一种犯罪时空预测方法及*** |
CN112149413A (zh) * | 2020-09-07 | 2020-12-29 | 国家计算机网络与信息安全管理中心 | 基于神经网络识别互联网网站所属业态的方法、装置以及计算机可读存储介质 |
CN111967565A (zh) * | 2020-10-23 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 用于进行风险评估的神经网络***、方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709732A (zh) * | 2024-02-06 | 2024-03-15 | 北京天译科技有限公司 | 结合气象监测数据的农业灾害报告生成方法及*** |
CN117709732B (zh) * | 2024-02-06 | 2024-04-26 | 北京天译科技有限公司 | 结合气象监测数据的农业灾害报告生成方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | Deep‐stacking network approach by multisource data mining for hazardous risk identification in IoT‐based intelligent food management systems | |
CN109686036A (zh) | 一种火灾监控方法、装置及边缘计算装置 | |
CN107346388A (zh) | Web攻击检测方法及装置 | |
Sultan Mahmud et al. | Smart fire detection system with early notifications using machine learning | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN110009126B (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
CN115828145B (zh) | 一种电子设备的在线监测方法、***及介质 | |
CN116010886B (zh) | 安全监测方法、装置、电子设备和存储介质 | |
CN113361855A (zh) | 一种短中长期风险的告警方法及装置 | |
Liu et al. | Detection and location of unsafe behaviour in digital images: A visual grounding approach | |
CN116759053A (zh) | 基于物联网***的医疗体系防控方法及*** | |
CN115169779A (zh) | 一种企业安全风险预警预测***及方法 | |
CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
CN116311751B (zh) | 一种煤矿井下使用防灭火电控*** | |
CN116385031A (zh) | 一种基于大数据和多数据源的数据溯源方法 | |
Chang et al. | Safety risk assessment of electric power operation site based on variable precision rough set | |
CN116701866A (zh) | 一种基于物联网设备的园区事件联动处理方法 | |
CN116665401A (zh) | 一种化工生产用防事故报警*** | |
CN115409100A (zh) | 电力事故应急方案生成方法、装置、介质及设备 | |
CN111260173A (zh) | 生产监控方法、装置及计算机可读存储介质 | |
CN115187026A (zh) | 一种产业风险监控方法、***和可读存储介质 | |
Adi et al. | Automatic false-alarm labeling for sensor data | |
CN113393017B (zh) | 一种基于个体复杂关系的监管场所安全预警方法及装置 | |
CN117725478A (zh) | 一种基于消防联动的电缆保护预测管理***及方法 | |
CN112307090B (zh) | 基于隧道安全数据的检测方法及*** |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210907 |