CN118246744A - 一种特长隧道施工现场风险评估方法及*** - Google Patents
一种特长隧道施工现场风险评估方法及*** Download PDFInfo
- Publication number
- CN118246744A CN118246744A CN202410439279.7A CN202410439279A CN118246744A CN 118246744 A CN118246744 A CN 118246744A CN 202410439279 A CN202410439279 A CN 202410439279A CN 118246744 A CN118246744 A CN 118246744A
- Authority
- CN
- China
- Prior art keywords
- risk
- risk factor
- construction site
- risk assessment
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000010276 construction Methods 0.000 title claims abstract description 88
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012954 risk control Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 40
- 238000005457 optimization Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种特长隧道施工现场风险评估方法及***,涉及隧道评估技术领域,包括:采集特长隧道施工现场的原始数据,并获取与特长隧道施工现场相关的历史事故记录;对历史事故记录进行处理和分析,识别得到风险因素集;建立特长隧道施工现场的风险评估模型并结合风险因素集进行预训练,将原始数据输入训练后的风险评估模型,得到第一概率矩阵和第二概率矩阵,其中,第一概率矩阵描述各风险因素下的发生概率,第二概率矩阵描述各风险因素下的风险等级分布概率;将第一概率矩阵和第二概率矩阵结合形成风险矩阵,利用评估方法对风险矩阵进行量化评估,得到风险评估结果;根据风险评估结果,形成风险控制建议。本发明通过自动化和智能化的风险评估方法,大大提高了风险管理的效率,为施工现场的快速决策提供支持。
Description
技术领域
本发明涉及隧道评估技术领域,尤其涉及一种特长隧道施工现场风险评估方法及***。
背景技术
随着基础设施建设的快速发展,特长隧道成为连接山区、跨越水体等关键地带的重要工程。特长隧道施工具有施工周期长、技术要求高、风险因素多等特点。为了确保施工安全和工程质量,进行精确的风险评估和管理变得尤为重要。传统的风险评估方法主要依赖专家经验和历史数据分析,采用定性或半定量的方式进行风险识别和评估。
传统风险评估方法很大程度上依赖于专家的经验和判断,这可能导致评估结果存在一定的主观性,难以实现全面和客观的风险评估。由于依赖于手动收集和分析数据,传统方法在处理大量实时数据时效率低下,难以实现对施工现场风险的实时监控和评估。随着施工环境和条件的变化,传统的风险评估方法难以快速适应新的风险因素,更新评估模型和策略也较为困难。传统方法在提出风险控制措施时,往往依赖于通用的解决方案,缺乏针对具体风险因素的定制化控制策略。
由于这些缺陷,传统风险评估方法在特长隧道等大型复杂工程项目中的应用受到限制,难以满足高效、准确、实时的风险管理需求。因此,需要提供一种新的特长隧道施工现场的评估方法。
发明内容
有鉴于此,本发明提供一种特长隧道施工现场风险评估方法及***,以克服上述技术缺陷,提高特长隧道施工现场的风险评估和管理水平。
本发明的技术目的是这样实现的:
一方面,本发明提供一种特长隧道施工现场风险评估方法,包括以下步骤:
S1采集特长隧道施工现场的原始数据,并获取与特长隧道施工现场相关的历史事故记录;
S2对历史事故记录进行处理和分析,识别得到风险因素集;
S3建立特长隧道施工现场的风险评估模型并结合风险因素集进行预训练,将原始数据输入训练后的风险评估模型,得到第一概率矩阵和第二概率矩阵,其中,第一概率矩阵描述各风险因素下的发生概率,第二概率矩阵描述各风险因素下的风险等级分布概率;
S4将第一概率矩阵和第二概率矩阵结合形成风险矩阵,利用评估方法对风险矩阵进行量化评估,得到风险评估结果;
S5根据风险评估结果,形成风险控制建议。
在上述技术方案的基础上,优选的,步骤S2包括以下步骤:
S21构建特长隧道施工现场的风险因素指标体系,包括一级风险因素指标和二级风险因素指标,并采用层次分析法赋予一级风险因素指标和二级风险因素指标的初始权重;
S22根据一级风险因素指标的数量确定k值,根据二级风险因素指标的数量确定m值;
S23对历史事故记录进行关键词提取,得到事故关键词,其中,历史事故记录包括事故频次;
S24利用聚类算法对事故关键词进行聚类,形成k个事故集和k个第一聚类中心,分别对k个事故集进行二次聚类,每个事故集得到m个第二聚类中心和m个事故子集;
S25选取一个第一聚类中心与一级风险因素指标进行匹配,若匹配成功,则直接进入步骤S26;否则将该第一聚类中心添加为新的一级风险因素指标后进入步骤S26;
S26选择该第一聚类中心隶属的一个第二聚类中心与二级风险因素指标进行匹配,若匹配成功,则将该第二聚类中心对应的事故频次量化为加权因子,根据加权因子更新一级风险因素指标和二级风险因素指标的初始权重;若匹配失败,则将该第二聚类中心添加为新的二级风险因素指标,根据该第二聚类中心对应的事故频次形成其二级风险因素指标的初始权重,同时根据其隶属的第一聚类中心的事故频次形成其一级风险因素指标的初始权重;
S27重复步骤S25-S26,直至所有第一聚类中心和第二聚类中心均被匹配,得到最终的一级风险因素指标、二级风险因素指标、以及对应的指标权重,形成风险因素集。
在上述技术方案的基础上,优选的,聚类算法包括聚类损失函数,其表达式如下:
式中,Lk为聚类损失函数,n1为数据的数量,n2为簇的个数,n2为k或m,si为第i个数据,zj为第j个簇的聚类中心,λ为正则化参数,‖·‖表示数据之间的距离。
在上述技术方案的基础上,优选的,步骤S3包括以下步骤:
S31构建风险评估模型,风险评估模型为BP神经网络模型,BP神经网络模型分为输入层、隐藏层和输出层,其包含多个神经元;
S32制作样本集,利用样本集结合风险因素集对风险评估模型进行训练,并在训练过程中采用优化算法对神经元的个数进行寻优,得到训练后的风险评估模型,其神经元个数为N;
S33将原始数据输入训练后的风险评估模型中进行预测,模型输出各风险因素下的发生概率和风险等级分布概率;
S34根据模型预测的结果,生成第一概率矩阵和第二概率矩阵,第一概率矩阵描述各风险因素下的发生概率,第二概率矩阵描述各风险因素下的风险等级分布概率。
在上述技术方案的基础上,优选的,步骤S32包括以下步骤:
S321收集特长隧道施工现场的历史数据制作样本集,对样本集做预处理,样本集包括参考值;
S322确定风险评估模型中各层神经元个数和网络权重,其中,输入层的神经元个数与风险因素的数量相同,输出层的神经元个数为风险矩阵的维数;
S323对风险评估模型中隐藏层的神经元个数进行编码,将其作为优化算法的优化目标;
S324随机生成一组不同的隐藏层神经元个数,作为优化算法的初始种群;
S325定义风险评估模型的网络损失函数为适应度函数;
S326选择个体来确定风险评估模型的网络结构,输入样本集至风险评估模型,依次通过输入层、隐藏层直至输出层,每一层的神经元根据输入和网络权重计算输出,并传递给下一层,在输出层,根据实际输出值和参考值计算网络损失函数的值,根据网络损失函数的值,计算网络损失函数对每个网络权重的梯度,并将梯度反向传递回网络,根据更新公式以更新网络权重;
S327根据网络损失函数的值评估个体的性能,并根据评估的结果迭代更新种群;
S328重复步骤S326-S327,直至达到预设迭代次数或网络损失函数收敛,得到训练后的风险评估模型,其神经元个数为N。
在上述技术方案的基础上,优选的,网络损失函数为:
式中,L是网络损失函数,其第一项为各风险因素下的发生概率的损失函数,其第二项为各风险因素下的风险等级分布概率的损失函数,α和β分别为第一项和第二项的权重参数,M为样本数量,为第i2个样本的真实标签,其为0或1,/>为模型预测第i2个样本类别为1的概率,C为风险等级的总数,/>为二进制指示器,其值为0或1,表示样本i2是否属于类别c,/>是模型预测样本i2是否属于类别c的概率。
在上述技术方案的基础上,优选的,步骤S326中,更新公式为:
式中,t为当前迭代次数,t+1表示下一次迭代,表示下一次迭代的新的网络权重值,用于连接神经元h2和神经元h1,/>表示当前迭代中的网络权重值,同样连接神经元h2和神经元h1,/>表示第h2个神经元对于第i2个样本的误差梯度,/>表示第i2个样本通过第h2个神经元的输出值,ε为学习速度。
在上述技术方案的基础上,优选的,步骤S4包括以下步骤:
S41风险因素集中包括p个一级风险因素指标和q个二级风险因素指标,则第一概率矩阵P的大小为p*k,第二概率矩阵L的大小为p*k,根据第一概率矩阵和第二概率矩阵计算得到风险矩阵R:
其中,表示逐元素乘法,即:
其中,g1为第g1个一级风险因素指标,g2为第g2个二级风险因素指标;
S42计算每个一级风险因素指标的第一综合风险值:
式中,表示第g1个一级风险因素指标的第一综合风险值;
S43对一级风险因素指标按第一综合风险值从高到低排序,得到第一序列,将第一序列进行风险优先级的确定,第一个一级风险因素指标为最高风险优先级;
S44计算每个二级风险因素指标的第二综合风险值:
式中,表示第g2个二级风险因素指标的第二综合风险值;
S45对二级风险因素指标按第二综合风险值从高到低排序,得到第二序列,将第二序列进行风险优先级的确定,第一个二级风险因素指标为最高风险优先级;
S46根据的值在第一序列和第二序列中找到一级风险因素指标和二级风险因素指标的交叉项,作为高风险的风险因素组合,对风险因素组合进行分析,形成风险评估结果。
在上述技术方案的基础上,优选的,步骤S46包括以下步骤:
S461设置风险阈值,根据风险阈值划分低风险、中风险和高风险三个等级;
S462计算每个风险因素组合的风险值将风险值与风险阈值进行比较,根据比较结果将风险因素组合归类为低风险、中风险或高风险;
S463从归类结果中筛选出所有被归类为高风险的风险因素组合;
S464根据风险值从高到低将高风险的风险因素组合进行排序,得到第三序列,对第三序列做最终的风险优先级的标记;
S465对第三序列中的高风险的风险因素依次进行分析,确定风险原因、风险后果、控制措施及其有效性,形成风险评估报告,将其作为风险评估结果。
另一方面,本发明还提供一种特长隧道施工现场风险评估***,所述***用于执行如上述任一项所述的方法,所述***包括:
数据采集模块,其配置为采集特长隧道施工现场的原始数据和历史数据;
数据处理和分析模块,其配置为对采集到的原始数据进行处理和分析,识别得到风险因素集;
风险评估模型训练模块,其配置为构建风险评估模型,并结合优化算法对风险评估模型进行训练,得到训练后的风险评估模型;
风险评估模块,其配置为利用训练后的风险评估模型对原始数据进行评估,预测风险概率和风险等级分布概率,输出第一概率矩阵和第二概率矩阵,将第一概率矩阵和第二概率矩阵结合形成风险矩阵,利用评估方法对风险矩阵进行量化评估,得到风险评估结果;
控制建议生成模块,其配置为针对风险评估结果选择风险控制措施,以形成风险控制建议。
本发明的方法相对于现有技术具有以下有益效果:
(1)本发明通过自动化和智能化的风险评估方法,大大提高了风险管理的效率,为施工现场的快速决策提供支持;
(2)本发明利用数据分析和聚类算法自动识别风险因素,避免了传统方法中可能忽略的风险点,使风险识别更加全面;
(3)本发明通过建立基于BP神经网络的风险评估模型,将优化算法融入到训练过程中可以有效提高BP神经网络模型的性能,寻找最优的隐藏层神经元个数,减少过拟合风险,并增强模型的泛化能力,从而为风险评估提供更可靠和准确的结果;
(4)本发明根据精确的风险评估结果,能够制定出更加有针对性的风险预防措施和应急方案,有效降低或避免风险的发生,保障施工安全;
(5)本发明通过不断迭代更新的风险评估模型,能够实现对施工现场风险状况的动态监控和评估,从而使风险管理过程更加***化和科学化;
(6)本发明提供的特长隧道施工现场风险评估***能够为施工团队提供一个全面、准确、实用的风险管理工具,帮助他们有效识别和控制施工过程中的各种风险,确保施工安全和项目顺利进行。
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,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图;
图2为本发明实施例的聚类算法流程图;
图3为本发明实施例的风险因素集的形成示意图;
图4为本发明实施例的风险评估模型的训练过程图;
图5为本发明实施例的***结构图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,本发明提供一种特长隧道施工现场风险评估方法,包括以下步骤:
S1采集特长隧道施工现场的原始数据,并获取与特长隧道施工现场相关的历史事故记录;
S2对历史事故记录进行处理和分析,识别得到风险因素集;
S3建立特长隧道施工现场的风险评估模型并结合风险因素集进行预训练,将原始数据输入训练后的风险评估模型,得到第一概率矩阵和第二概率矩阵,其中,第一概率矩阵描述各风险因素下的发生概率,第二概率矩阵描述各风险因素下的风险等级分布概率;
S4将第一概率矩阵和第二概率矩阵结合形成风险矩阵,利用评估方法对风险矩阵进行量化评估,得到风险评估结果;
S5根据风险评估结果,形成风险控制建议。
具体地,本发明一实施例中,步骤S1包括以下步骤:
采集特长隧道施工现场的原始数据:采集施工现场的各项数据,包括但不限于施工人员数量、施工设备情况、施工进度、材料使用情况、环境条件等。通过传感器、监控设备等实时监测施工现场的数据,如温度、湿度、气压、振动等参数。
获取与特长隧道施工现场相关的历史事故记录:收集特长隧道施工现场过去发生的事故记录,包括事故类型、事故原因、事故后果、事故处理措施等信息。对历史事故记录进行整理和分类,建立事故数据库,包括事故的时间、地点、人员伤亡情况等详细信息。
具体地,请参阅图2和图3,本发明一实施例中,步骤S2包括以下步骤:
S21构建特长隧道施工现场的风险因素指标体系,包括一级风险因素指标和二级风险因素指标,并采用层次分析法赋予一级风险因素指标和二级风险因素指标的初始权重;
S22根据一级风险因素指标的数量确定k值,根据二级风险因素指标的数量确定m值;
S23对历史事故记录进行关键词提取,得到事故关键词,其中,历史事故记录包括事故频次;
S24利用聚类算法对事故关键词进行聚类,形成k个事故集和k个第一聚类中心,分别对k个事故集进行二次聚类,每个事故集得到m个第二聚类中心和m个事故子集;
S25选取一个第一聚类中心与一级风险因素指标进行匹配,若匹配成功,则直接进入步骤S26;否则将该第一聚类中心添加为新的一级风险因素指标后进入步骤S26;
S26选择该第一聚类中心隶属的一个第二聚类中心与二级风险因素指标进行匹配,若匹配成功,则将该第二聚类中心对应的事故频次量化为加权因子,根据加权因子更新一级风险因素指标和二级风险因素指标的初始权重;若匹配失败,则将该第二聚类中心添加为新的二级风险因素指标,根据该第二聚类中心对应的事故频次形成其二级风险因素指标的初始权重,同时根据其隶属的第一聚类中心的事故频次形成其一级风险因素指标的初始权重;
S27重复步骤S25-S26,直至所有第一聚类中心和第二聚类中心均被匹配,得到最终的一级风险因素指标、二级风险因素指标、以及对应的指标权重,形成风险因素集。
本实施例中,聚类算法的k为4,m为6,在构建特长隧道施工现场的风险因素指标体系时,一级风险因素指标为4个,二级风险因素指标为6个,即一个一级风险因素指标对应有6个隶属的二级风险因素指标。
在一个具体的例子中,初始构建的风险因素指标体系如下:
一级风险因素指标:人员安全、设备安全、环境安全、施工工艺安全。各个一级风险因素指标对应的二级风险因素指标分别为:
人员安全:工人数量、工人培训情况、工人安全意识、工人健康状况、工人作业规范性、工人配备的个人防护装备情况。
设备安全:设备完好性、设备操作规范性、设备维护保养情况、设备安全防护装置完备性、设备操作人员技术水平、设备应急处置能力。
环境安全:施工现场环境清洁度、施工现场通风情况、施工现场气体检测情况、施工现场噪音控制情况、施工现场有害物质排放情况、施工现场应急处理能力。
施工工艺安全:施工工艺合理性、施工工艺规范性、施工工艺风险评估情况、施工工艺工序间协调性、施工工艺检查验收程序、施工工艺应急预案制定情况。
层次分析法是一种用于解决复杂决策问题的多准则决策方法,通过对决策问题进行层次化分解,确定各层次因素之间的重要性权重,最终得出最优决策方案。以下是具体的层次分析法的过程:
建立层次结构:
首先确定决策目标,将目标分解为若干一级准则(风险因素指标),再将每个一级准则细分为二级准则(对应的六个隶属的二级风险因素指标),形成层次结构。
构建判断矩阵:
对于一级准则之间的两两比较,使用专家判断或者问卷调查等方法,构建一致性判断矩阵,确定两两准则之间的相对重要性。
计算权重向量:
利用特征向量法或一致性指标法,对一致性判断矩阵进行计算,得出每个准则的权重向量,反映其在整体目标中的重要性。
一致性检验:
对计算得到的权重向量进行一致性检验,判断判断矩阵的一致性程度,确保专家判断或者问卷调查的可靠性。
综合权重:
将各级准则的权重向量进行综合,得出最终的权重向量,反映各准则在整体目标中的相对重要性。
一致性检验和调整:
若一致性比率超过一定阈值,需要对判断矩阵进行调整,直至满足一致性要求。
利用层次分析法为特长隧道施工现场的风险因素指标赋予初始权重,准确反映各指标在风险管理中的重要程度。
本实施例中,对历史事故记录进行关键词提取是为了从大量的历史事故数据中提取出关键信息,帮助识别并理解特长隧道施工现场存在的风险因素。该过程包括:
收集特长隧道施工现场的历史事故记录。这些记录包括事故报告、事故调查报告、安全巡检记录、安全会议记录等各种形式的文档。
对收集到的历史事故记录进行清洗和整理,去除重复数据、错误数据和不相关的信息。
采用TF-IDF方法提取得到关键词。根据提取出的关键词,识别其中与特长隧道施工现场相关的事故关键词。这些关键词涉及施工工艺、设备操作、人员行为、安全管理等方面。除了提取关键词外,还需要对历史事故记录中的事故频次进行统计。
本实施例中,采用的聚类算法为k-means++算法,其包含聚类损失函数,表达式如下:
式中,Lk为聚类损失函数,n1为数据的数量,n2为簇的个数,n2为k或m,si为第i个数据,zj为第j个簇的聚类中心,λ为正则化参数,‖·‖表示数据之间的距离。
本实施例中,在得到聚类结果后,将其与构建的风险因素指标体系进行匹配,以对风险因素指标体系进行更新和完善,来得到最终的风险因素集,该风险因素集中包括最终的一级风险因素指标及其指标权重、最终的二级风险因素指标及其指标权重。由于本实施例在上述聚类算法实施时,采用的是文本聚类,是通过计算关键词的词向量之间的相似度来得到数据之间的距离,之后得到的聚类中心也是词向量的形式,因此在匹配时将一级风险因素指标或二级风险因素指标同样做文本处理,转成向量形式,以此来进行匹配,计算向量相似度的方法可采用余弦相似度。
本实施例首先将每个第一聚类中心与已有的一级风险因素指标进行匹配。若匹配成功,直接进入步骤S26,表示该第一聚类中心已经对应一个已有的一级风险因素指标。若匹配失败,将该第一聚类中心添加为新的一级风险因素指标,然后进入步骤S26。之后匹配其隶属的第二聚类中心与已有的二级风险因素指标,若匹配成功,将该第二聚类中心对应的事故频次量化为加权因子,根据加权因子更新一级和二级风险因素指标的初始权重。若匹配失败,将该第二聚类中心添加为新的二级风险因素指标,根据该第二聚类中心对应的事故频次形成其二级风险因素指标的初始权重,并根据隶属的第一聚类中心的事故频次形成其一级风险因素指标的初始权重。
本实施例中,在量化加权因子并更新初始权重时,其步骤如下:
假设第二聚类中心对应的事故频次为f,加权因子为w,一级风险因素指标的初始权重为w1,二级风险因素指标的初始权重为w2。
量化事故频次为加权因子:其中,fi表示各个第二聚类中心对应的事故频次,k×m表示第二聚类中心的总数。
更新一级风险因素指标的初始权重:w’1=w1+γ×w,其中γ是学习率。
更新二级风险因素指标的初始权重:w’2=w2+ξ×w,其中ξ是学习率。
本实施例通过通过匹配和更新风险因素指标的权重,可以更加精细地分析和评估特长隧道施工现场的风险因素。根据历史事故记录中的频次信息,实时更新风险因素指标的权重,有助于及时调整风险管理策略。通过聚类和匹配的过程,可以更准确地识别和分类不同类型的风险因素,有助于制定针对性的风险管理措施。
具体地,本发明一实施例中,步骤S3包括以下步骤:
S31构建风险评估模型,风险评估模型为BP神经网络模型,BP神经网络模型分为输入层、隐藏层和输出层,其包含多个神经元。
本实施例选择使用BP神经网络模型作为风险评估模型。BP神经网络是一种适用于解决非线性问题的神经网络模型。在风险评估中,风险因素之间的关系往往是复杂的非线性关系,BP神经网络能够更好地捕捉这种非线性关系。BP神经网络具有强大的拟合能力,可以通过训练学习到复杂的数据模式和规律。这使得BP神经网络能够更准确地对风险因素进行建模和预测。
S32制作样本集,利用样本集结合风险因素集对风险评估模型进行训练,并在训练过程中采用优化算法对神经元的个数进行寻优,得到训练后的风险评估模型,其神经元个数为N。
BP神经网络中的隐藏层可以帮助模型学习到更复杂的特征和关系,提高模型的表达能力。通过调整隐藏层的神经元数量和结构,可以进一步优化模型的性能。因此,本实施例将优化算法融入到训练过程中,边训练边优化,从而不断调整隐藏层的神经元数量和结构,使模型更好地拟合训练数据,提高模型的性能和准确性。优化算法能够帮助寻找到最优的隐藏层神经元个数,使模型在训练数据和测试数据上都能够表现出较好的泛化能力。通过优化算法的辅助,可以避免模型在训练过程中出现过拟合的情况,即模型过度拟合训练数据而失去泛化能力的问题。优化算法能够帮助模型找到合适的复杂度,避免模型在训练数据上表现过于复杂而在测试数据上表现不佳的情况。
S33将原始数据输入训练后的风险评估模型中进行预测,模型输出各风险因素下的发生概率和风险等级分布概率;
S34根据模型预测的结果,生成第一概率矩阵和第二概率矩阵,第一概率矩阵描述各风险因素下的发生概率,第二概率矩阵描述各风险因素下的风险等级分布概率。
具体地,请参阅图4,步骤S32包括以下步骤:
S321收集特长隧道施工现场的历史数据制作样本集,对样本集做预处理,样本集包括参考值。
收集特长隧道施工现场的历史数据,用于制作样本集。历史数据根据风险因素集来对应收集,其包括各种风险因素的数据,以及相应的风险等级或发生概率数据。对样本集进行预处理,确保数据的准确性和完整性,同时样本集中包括参考值,用于模型训练和评估。
S322确定风险评估模型中各层神经元个数和网络权重,其中,输入层的神经元个数与风险因素的数量相同,输出层的神经元个数为风险矩阵的维数;
S323对风险评估模型中隐藏层的神经元个数进行编码,将其作为优化算法的优化目标;
S324随机生成一组不同的隐藏层神经元个数,作为优化算法的初始种群;
S325定义风险评估模型的网络损失函数为适应度函数;
S326选择个体来确定风险评估模型的网络结构,输入样本集至风险评估模型,依次通过输入层、隐藏层直至输出层,每一层的神经元根据输入和网络权重计算输出,并传递给下一层,在输出层,根据实际输出值和参考值计算网络损失函数的值,根据网络损失函数的值,计算网络损失函数对每个网络权重的梯度,并将梯度反向传递回网络,根据更新公式以更新网络权重;
S327根据网络损失函数的值评估个体的性能,并根据评估的结果迭代更新种群;
S328重复步骤S326-S327,直至达到预设迭代次数或网络损失函数收敛,得到训练后的风险评估模型,其神经元个数为N。
本实施例中步骤S326的训练过程为:前向传播:输入数据通过输入层、隐藏层直至输出层,每一层的神经元根据输入和权重计算输出,并传递给下一层。计算损失:在输出层,根据实际输出和预期输出计算网络损失函数的值,以评估模型的性能。反向传播:根据网络损失函数的值,计算对每个权重的梯度,并将这些梯度传递回网络,根据更新公式以更新权重。其中,网络损失函数为:
式中,L是网络损失函数,其第一项为各风险因素下的发生概率的损失函数,其第二项为各风险因素下的风险等级分布概率的损失函数,α和β分别为第一项和第二项的权重参数,M为样本数量,为第i2个样本的真实标签,其为0或1,/>为模型预测第i2个样本类别为1的概率,C为风险等级的总数,/>为二进制指示器,其值为0或1,表示样本i2是否属于类别c,/>是模型预测样本i2是否属于类别c的概率。
更新公式为:
式中,t为当前迭代次数,t+1表示下一次迭代,表示下一次迭代的新的网络权重值,用于连接神经元h2和神经元h1,权重的更新是基于反向传播算法,旨在减少网络的预测误差。/>表示当前迭代中的网络权重值,同样连接神经元h2和神经元h1,这个值是在当前迭代之前的权重值,用作计算下一步权重更新的基础。/>表示第h2个神经元对于第i2个样本的误差梯度,在输出层,这个值是根据实际输出/>和期望输出的差异计算得出的,反映了输出的误差对网络权重的敏感度。在隐藏层,/>是基于后一层的误差梯度和当前层输出的函数计算得出的,用于权重的更新。/>表示第i2个样本通过第h2个神经元的输出值,在输入层,/>等于输入值;在隐藏层和输出层,/>是通过将输入值与相应的权重相乘、求和,然后通过激活函数(如sigmoid函数)计算得出的。ε为学习速度。通过迭代地调整权重/>网络旨在最小化预测输出/>与实际期望输出之间的误差,从而提高模型的准确度。
本实施例采用的编码方法为二进制编码,使用二进制串来表示每个隐藏层的神经元个数。例如,若约定每个隐藏层的神经元个数最多为256,则可以用一个8位的二进制数来表示一个隐藏层的神经元个数。
假设BP神经网络最多包含3个隐藏层,每个隐藏层的神经元个数最多为256。可以为每个隐藏层分配8位二进制数,因此整个网络结构可以用24位的二进制串来表示。
以一个例子做说明:
一个具体的网络结构为2个隐藏层,第一个隐藏层有64个神经元,第二个隐藏层有128个神经元。则可以编码为:
第一个隐藏层:01000000(64的二进制表示)
第二个隐藏层:10000000(128的二进制表示)
第三个隐藏层:由于只有2个隐藏层,可以将第三层的神经元个数编码为0:00000000
完整编码:010000001000000000000000
本实施例中,在优化时,采用网络损失函数为适应度函数,优化过程中,迭代更新时的操作包括选择、交叉和变异,选择:根据适应度函数选择性能较好的个体作为父代,不需要修改编码。交叉:可以采用单点交叉、多点交叉或均匀交叉等方法。例如,在单点交叉中,随机选择一个点,交换两个父代从这一点到末尾的编码部分,产生新的子代。变异:随机选择编码中的某一位或多位,将其翻转(0变1,1变0),以引入新的变异。在优化算法的每一代中,需要将编码转换回神经网络的结构,以便进行训练和评估。解码过程就是将二进制串转换回对应的神经元个数,并构建具有这些参数的BP神经网络。
本实施例中,在个体优化迭代后未达到训练的迭代停止条件,例如损失函数未收敛,则更新种群,并重新优化和训练的过程。
经过上述的迭代优化的训练后,得到的模型将具有最优的神经元个数N。
具体地,本发明一实施例中,步骤S4包括以下步骤:
S41风险因素集中包括p个一级风险因素指标和q个二级风险因素指标,则第一概率矩阵P的大小为p*k,第二概率矩阵L的大小为p*k,根据第一概率矩阵和第二概率矩阵计算得到风险矩阵R:
其中,表示逐元素乘法,即:
其中,g1为第g1个一级风险因素指标,g2为第g2个二级风险因素指标;
S42计算每个一级风险因素指标的第一综合风险值:
式中,表示第g1个一级风险因素指标的第一综合风险值;
S43对一级风险因素指标按第一综合风险值从高到低排序,得到第一序列,将第一序列进行风险优先级的确定,第一个一级风险因素指标为最高风险优先级;
S44计算每个二级风险因素指标的第二综合风险值:
式中,表示第g2个二级风险因素指标的第二综合风险值;
S45对二级风险因素指标按第二综合风险值从高到低排序,得到第二序列,将第二序列进行风险优先级的确定,第一个二级风险因素指标为最高风险优先级;
S46根据的值在第一序列和第二序列中找到一级风险因素指标和二级风险因素指标的交叉项,作为高风险的风险因素组合,对风险因素组合进行分析,形成风险评估结果。/>
通过构建风险矩阵并采用定量评估方法,可以明确各级风险因素的优先级,以及需要重点防控的风险因素组合,这为后续的风险控制提供依据。
具体地,步骤S46包括以下步骤:
S461设置风险阈值,根据风险阈值划分低风险、中风险和高风险三个等级。
首先,需要根据历史数据、专家经验或行业标准设定一个或多个风险阈值,用以区分不同等级的风险。
S462计算每个风险因素组合的风险值将风险值与风险阈值进行比较,根据比较结果将风险因素组合归类为低风险、中风险或高风险;
S463从归类结果中筛选出所有被归类为高风险的风险因素组合;从归类结果中筛选出所有被归类为高风险的风险因素组合。这些就是需要重点关注和管理的一级和二级风险因素交叉项。
S464根据风险值从高到低将高风险的风险因素组合进行排序,得到第三序列,对第三序列做最终的风险优先级的标记;为了有效分配资源和关注,可以进一步根据值的大小对所有高风险组合进行排序,以确定哪些风险组合具有最高的优先级。
S465对第三序列中的高风险的风险因素依次进行分析,确定风险原因、风险后果、控制措施及其有效性,形成风险评估报告,将其作为风险评估结果。对识别出的高风险因素组合进行详细分析,包括风险原因、可能的后果、现有控制措施的有效性等,并在风险评估报告中明确列出这些高风险组合及其优先级。
通过上述步骤,可以有效地识别出特长隧道施工现场中一级风险因素和二级风险因素的高风险交叉项,为制定针对性的风险控制措施提供科学依据。这种方法不仅帮助管理者了解风险的具体分布,还有助于实现资源的有效分配和风险的有效管理。
如图5所示,另一方面,本发明基于上述详细的特长隧道施工现场风险评估方法,设计了一个综合的风险评估***。该***旨在通过数据采集、处理、分析和模型预测等一系列步骤,对特长隧道施工现场的风险进行全面评估,并提供针对性的风险控制建议。所述***由数据采集模块、数据处理和分析模块、风险评估模型训练模块、风险评估模块和控制建议生成模块五个主要部分组成。
数据采集模块,其配置为采集特长隧道施工现场的原始数据和历史数据;包括施工日志、安全事故记录等。在实现时,利用传感器、日志记录***等技术手段自动收集数据,并允许用户手动输入或上传数据。
数据处理和分析模块,其配置为对采集到的原始数据进行处理和分析,识别得到风险因素集;其实现时,采用自然语言处理技术提取事故关键词,利用聚类算法对风险因素进行分类。
风险评估模型训练模块,其配置为构建风险评估模型,并结合优化算法对风险评估模型进行训练,得到训练后的风险评估模型;设计神经网络结构,包括输入层、隐藏层和输出层,设计激活函数和损失函数。利用样本集进行模型训练,通过反复迭代优化网络权重,直至网络损失函数收敛或达到预设迭代次数。
风险评估模块,其配置为利用训练后的风险评估模型对原始数据进行评估,预测风险概率和风险等级分布概率,输出第一概率矩阵和第二概率矩阵,将第一概率矩阵和第二概率矩阵结合形成风险矩阵,利用评估方法对风险矩阵进行量化评估,得到风险评估结果;模型会根据输入的实时数据预测风险等级,并结合风险因素分析结果,生成综合的风险评估报告。该报告不仅包括风险等级,还详细列出了主要风险因素及其可能的后果。
控制建议生成模块,其配置为针对风险评估结果选择风险控制措施,以形成风险控制建议。控制建议生成模块根据风险评估模型输出的风险等级和概率,结合事先设定的风险控制策略和措施库,选择适当的风险控制措施。根据选定的风险控制措施,生成详细的风险控制建议,包括控制措施的具体内容、实施方式、责任人、时间节点等信息。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种特长隧道施工现场风险评估方法,其特征在于,包括以下步骤:
S1采集特长隧道施工现场的原始数据,并获取与特长隧道施工现场相关的历史事故记录;
S2对历史事故记录进行处理和分析,识别得到风险因素集;
S3建立特长隧道施工现场的风险评估模型并结合风险因素集进行预训练,将原始数据输入训练后的风险评估模型,得到第一概率矩阵和第二概率矩阵,其中,第一概率矩阵描述各风险因素下的发生概率,第二概率矩阵描述各风险因素下的风险等级分布概率;
S4将第一概率矩阵和第二概率矩阵结合形成风险矩阵,利用评估方法对风险矩阵进行量化评估,得到风险评估结果;
S5根据风险评估结果,形成风险控制建议。
2.如权利要求1所述的一种特长隧道施工现场风险评估方法,其特征在于,步骤S2包括以下步骤:
S21构建特长隧道施工现场的风险因素指标体系,包括一级风险因素指标和二级风险因素指标,并采用层次分析法赋予一级风险因素指标和二级风险因素指标的初始权重;
S22根据一级风险因素指标的数量确定k值,根据二级风险因素指标的数量确定m值;
S23对历史事故记录进行关键词提取,得到事故关键词,其中,历史事故记录包括事故频次;
S24利用聚类算法对事故关键词进行聚类,形成k个事故集和k个第一聚类中心,分别对k个事故集进行二次聚类,每个事故集得到m个第二聚类中心和m个事故子集;
S25选取一个第一聚类中心与一级风险因素指标进行匹配,若匹配成功,则直接进入步骤S26;否则将该第一聚类中心添加为新的一级风险因素指标后进入步骤S26;
S26选择该第一聚类中心隶属的一个第二聚类中心与二级风险因素指标进行匹配,若匹配成功,则将该第二聚类中心对应的事故频次量化为加权因子,根据加权因子更新一级风险因素指标和二级风险因素指标的初始权重;若匹配失败,则将该第二聚类中心添加为新的二级风险因素指标,根据该第二聚类中心对应的事故频次形成其二级风险因素指标的初始权重,同时根据其隶属的第一聚类中心的事故频次形成其一级风险因素指标的初始权重;
S27重复步骤S25-S26,直至所有第一聚类中心和第二聚类中心均被匹配,得到最终的一级风险因素指标、二级风险因素指标、以及对应的指标权重,形成风险因素集。
3.如权利要求2所述的一种特长隧道施工现场风险评估方法,其特征在于,聚类算法包括聚类损失函数,其表达式如下:
式中,Lk为聚类损失函数,n1为数据的数量,n2为簇的个数,n2为k或m,si为第i个数据,zj为第j个簇的聚类中心,λ为正则化参数,‖·‖表示数据之间的距离。
4.如权利要求2所述的一种特长隧道施工现场风险评估方法,其特征在于,步骤S3包括以下步骤:
S31构建风险评估模型,风险评估模型为BP神经网络模型,BP神经网络模型分为输入层、隐藏层和输出层,其包含多个神经元;
S32制作样本集,利用样本集结合风险因素集对风险评估模型进行训练,并在训练过程中采用优化算法对神经元的个数进行寻优,得到训练后的风险评估模型,其神经元个数为N;
S33将原始数据输入训练后的风险评估模型中进行预测,模型输出各风险因素下的发生概率和风险等级分布概率;
S34根据模型预测的结果,生成第一概率矩阵和第二概率矩阵,第一概率矩阵描述各风险因素下的发生概率,第二概率矩阵描述各风险因素下的风险等级分布概率。
5.如权利要求4所述的一种特长隧道施工现场风险评估方法,其特征在于,步骤S32包括以下步骤:
S321收集特长隧道施工现场的历史数据制作样本集,对样本集做预处理,样本集包括参考值;
S322确定风险评估模型中各层神经元个数和网络权重,其中,输入层的神经元个数与风险因素的数量相同,输出层的神经元个数为风险矩阵的维数;
S323对风险评估模型中隐藏层的神经元个数进行编码,将其作为优化算法的优化目标;
S324随机生成一组不同的隐藏层神经元个数,作为优化算法的初始种群;
S325定义风险评估模型的网络损失函数为适应度函数;
S326选择个体来确定风险评估模型的网络结构,输入样本集至风险评估模型,依次通过输入层、隐藏层直至输出层,每一层的神经元根据输入和网络权重计算输出,并传递给下一层,在输出层,根据实际输出值和参考值计算网络损失函数的值,根据网络损失函数的值,计算网络损失函数对每个网络权重的梯度,并将梯度反向传递回网络,根据更新公式以更新网络权重;
S327根据网络损失函数的值评估个体的性能,并根据评估的结果迭代更新种群;
S328重复步骤S326-S327,直至达到预设迭代次数或网络损失函数收敛,得到训练后的风险评估模型,其神经元个数为N。
6.如权利要求5所述的一种特长隧道施工现场风险评估方法,其特征在于,网络损失函数为:
式中,L是网络损失函数,其第一项为各风险因素下的发生概率的损失函数,其第二项为各风险因素下的风险等级分布概率的损失函数,α和β分别为第一项和第二项的权重参数,M为样本数量,为第i2个样本的真实标签,其为0或1,/>为模型预测第i2个样本类别为1的概率,C为风险等级的总数,/>为二进制指示器,其值为0或1,表示样本i2是否属于类别c,/>是模型预测样本i2是否属于类别c的概率。
7.如权利要求6所述的一种特长隧道施工现场风险评估方法,其特征在于,步骤S326中,更新公式为:
式中,t为当前迭代次数,t+1表示下一次迭代,表示下一次迭代的新的网络权重值,用于连接神经元h2和神经元h1,/>表示当前迭代中的网络权重值,同样连接神经元h2和神经元h1,/>表示第h2个神经元对于第i2个样本的误差梯度,/>表示第i2个样本通过第h2个神经元的输出值,ε为学习速度。
8.如权利要求2所述的一种特长隧道施工现场风险评估方法,其特征在于,步骤S4包括以下步骤:
S41风险因素集中包括p个一级风险因素指标和q个二级风险因素指标,则第一概率矩阵P的大小为p*k,第二概率矩阵L的大小为p*k,根据第一概率矩阵和第二概率矩阵计算得到风险矩阵R:
其中,表示逐元素乘法,即:
其中,g1为第g1个一级风险因素指标,g2为第g2个二级风险因素指标;
S42计算每个一级风险因素指标的第一综合风险值:
式中,表示第g1个一级风险因素指标的第一综合风险值;
S43对一级风险因素指标按第一综合风险值从高到低排序,得到第一序列,将第一序列进行风险优先级的确定,第一个一级风险因素指标为最高风险优先级;
S44计算每个二级风险因素指标的第二综合风险值:
式中,表示第g2个二级风险因素指标的第二综合风险值;
S45对二级风险因素指标按第二综合风险值从高到低排序,得到第二序列,将第二序列进行风险优先级的确定,第一个二级风险因素指标为最高风险优先级;
S46根据的值在第一序列和第二序列中找到一级风险因素指标和二级风险因素指标的交叉项,作为高风险的风险因素组合,对风险因素组合进行分析,形成风险评估结果。
9.如权利要求8所述的一种特长隧道施工现场风险评估方法,其特征在于,步骤S46包括以下步骤:
S461设置风险阈值,根据风险阈值划分低风险、中风险和高风险三个等级;
S462计算每个风险因素组合的风险值将风险值与风险阈值进行比较,根据比较结果将风险因素组合归类为低风险、中风险或高风险;
S463从归类结果中筛选出所有被归类为高风险的风险因素组合;
S464根据风险值从高到低将高风险的风险因素组合进行排序,得到第三序列,对第三序列做最终的风险优先级的标记;
S465对第三序列中的高风险的风险因素依次进行分析,确定风险原因、风险后果、控制措施及其有效性,形成风险评估报告,将其作为风险评估结果。
10.一种特长隧道施工现场风险评估***,其特征在于,所述***用于执行如权利要求1-9任一项所述的方法,所述***包括:
数据采集模块,其配置为采集特长隧道施工现场的原始数据和历史数据;
数据处理和分析模块,其配置为对采集到的原始数据进行处理和分析,识别得到风险因素集;
风险评估模型训练模块,其配置为构建风险评估模型,并结合优化算法对风险评估模型进行训练,得到训练后的风险评估模型;
风险评估模块,其配置为利用训练后的风险评估模型对原始数据进行评估,预测风险概率和风险等级分布概率,输出第一概率矩阵和第二概率矩阵,将第一概率矩阵和第二概率矩阵结合形成风险矩阵,利用评估方法对风险矩阵进行量化评估,得到风险评估结果;
控制建议生成模块,其配置为针对风险评估结果选择风险控制措施,以形成风险控制建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410439279.7A CN118246744A (zh) | 2024-04-12 | 2024-04-12 | 一种特长隧道施工现场风险评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410439279.7A CN118246744A (zh) | 2024-04-12 | 2024-04-12 | 一种特长隧道施工现场风险评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118246744A true CN118246744A (zh) | 2024-06-25 |
Family
ID=91550619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410439279.7A Pending CN118246744A (zh) | 2024-04-12 | 2024-04-12 | 一种特长隧道施工现场风险评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118246744A (zh) |
-
2024
- 2024-04-12 CN CN202410439279.7A patent/CN118246744A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及*** | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和*** | |
CN114757432A (zh) | 基于流程日志和多任务学习的未来执行活动及时间预测方法及*** | |
CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
CN117611015B (zh) | 一种建筑工程质量实时监测*** | |
CN111767657B (zh) | 一种核动力***故障诊断方法和*** | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
CN117170221A (zh) | 一种污水处理的人工智能控制*** | |
CN115392618A (zh) | 一种基于ahp-ew和ae-rnn融合的食品安全风险预警模型及其建立方法 | |
CN117093919B (zh) | 基于深度学习的岩土工程地质灾害预测方法及*** | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析*** | |
Tiruneh et al. | Feature selection for construction organizational competencies impacting performance | |
Li et al. | Evolving a weighted Bayesian network for consequence assessment of terrorist attack | |
CN118246744A (zh) | 一种特长隧道施工现场风险评估方法及*** | |
CN113743461B (zh) | 无人机集群健康度评估方法及装置 | |
CN115153549A (zh) | 一种基于bp神经网络的人机交互界面认知负荷预测方法 | |
Wu et al. | Monitoring and warning methods of tailings reservoir using BP neural network | |
CN117668701B (zh) | Ai人工智能机器学习***及方法 | |
CN115831339B (zh) | 基于深度学习的医疗***风险管控事前预测方法、*** | |
CN115456073B (zh) | 基于长短期记忆的生成式对抗网络模型建模分析方法 | |
CN117473435B (zh) | 一种基于时空特征的突发公共卫生事件虚假异常信息检测方法 | |
Li | Construction and Verification of Academic Performance Early Warning Model based on PSO-XGBoost Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |