CN113435753A - 高危行业中企业风险判定方法、装置、设备及介质 - Google Patents
高危行业中企业风险判定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113435753A CN113435753A CN202110728762.3A CN202110728762A CN113435753A CN 113435753 A CN113435753 A CN 113435753A CN 202110728762 A CN202110728762 A CN 202110728762A CN 113435753 A CN113435753 A CN 113435753A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- risk
- judged
- monitoring data
- historical monitoring
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 94
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 230000007787 long-term memory Effects 0.000 claims abstract description 22
- 230000006403 short-term memory Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 19
- 230000006835 compression Effects 0.000 description 13
- 238000007906 compression Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012954 risk control Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高危行业中企业风险判定方法、装置、设备及介质，方法包括：获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业；获取并预处理待判定企业的历史监测数据；将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的；将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数；根据待判定企业的风险系数判定是否存在风险。因此，采用本申请实施例，可以结合风险系数实现在线实时对各个企业进行风险判断，从而提升了企业潜在风险的监测效率。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种高危行业中企业风险判定方法、装置、设备及介质。
背景技术
随着企业不断的发展，有些事情是不能控制的，即企业中潜在风险总是存在的。作为管理者会采取各种措施减小风险事件发生的可能性，或者把可能的损失控制在一定的范围内，为了避免在风险事件发生时带来的难以承担的损失，企业通常会选择风险控制，风险控制是指风险管理者采取各种措施和方法，消灭或减少风险事件发生的各种可能性，或风险控制者减少风险事件发生时造成的损失。
在现有技术中，风险控制机构会为客户提供事故预防服务，主要途径是派出安全专家赴企业现场进行风险评估、隐患排查，为企业提供风险控制建议等。该服务能够较为全面的识别、评估现场风险，但这些风险识别和评估始终只能基于现场拜访时刻的情形，无法监控其它时间内客户现场风险的变化，也无法在发生重大风险变化时向客户提供预警，不利于风险控制机构对风险的实时监控。另外，基于专家的事故预防服务不可避免的有人员诚信的风险和主观认知偏差的风险。因此，如何实时监控企业中潜在风险和提供及时的风险预警服务是风险控制机构面临的一大难题。
发明内容
基于此，有必要针对软件系统上线后的安全性低的问题，提供一种高危行业中企业风险判定方法、装置、设备及介质。
一种高危行业中企业风险判定方法，方法包括：获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业；获取并预处理待判定企业的历史监测数据；将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的；将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数；根据待判定企业的风险系数判定是否存在风险。
在其中一个实施例中，获取企业库中各企业的优先级之前，还包括：接收来自各企业部署的智能传感器发送的数据信息；解析接收的各企业的数据信息，并识别解析后的数据信息中包含的各企业标识；基于各企业标识将接收的各企业的数据信息关联至与其对应的企业标签上，生成各企业的历史监测数据；将各企业的历史监测数据保存至企业库。
在其中一个实施例中，获取企业库中各企业的优先级，包括：计算企业库中各企业的危险系数；基于各企业的危险系数确定各企业的优先级。
在其中一个实施例中，按照以下步骤生成预先训练的风险因子识别模型，包括：采集多个不同行业类型的企业名称；接收针对多个不同行业类型的企业名称所设置的多个企业风险参数；将接收的多个企业风险参数与其对应的企业名称进行关联，生成模型训练样本；压缩预设长短期记忆网络的通道，并采用压缩通道后的长短期记忆网络创建风险因子识别模型；将模型训练样本输入风险因子识别模型中进行训练，输出模型的损失值；当模型的损失值到达预设值时，生成预先训练的风险因子识别模型。
在其中一个实施例中，风险因子识别模型包括向量提取层、概率计算层、损失值输出层；将模型训练样本输入风险因子识别模型中进行训练，输出模型的损失值，包括：向量提取层提取模型训练样本的文本序列与标签数据；概率计算层对文本序列进行词嵌入处理生成字向量序列，并采用拉格朗日乘子与预设矩阵转换器将字向量序列转换为数字矩阵，并基于数字矩阵计算出目标概率值；损失值输出层根据概率值计算模型的损失值，并输出模型的损失值。
在其中一个实施例中，获取并预处理待判定企业的历史监测数据，包括：获取待判定企业的ID标识；确定查询的时间周期；初始化预设数据库查询规则模板；将ID标识、时间周期与预设数据库查询规则模板进行组合，生成待判定企业的监测数据查询指令；执行待判定企业的监测数据查询指令查询待判定企业的历史监测数据；预处理待判定企业的历史监测数据，生成预处理后的历史监测数据。
在其中一个实施例中，根据待判定企业的风险系数判定是否存在风险，包括：当待判定企业的风险系数小于第一预设值时，确定待判定企业不存在风险；或者，当待判定企业的风险系数大于第一预设时，确定待判定企业存在风险。
一种高危行业中企业风险判定装置，其特征在于，装置包括：待判定企业确定模块，用于获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业；历史监测数据预处理模块，用于获取并预处理待判定企业的历史监测数据；历史监测数据输入模块，用于将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的；风险系数生成模块，用于将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数；风险判定模块，用于根据待判定企业的风险系数判定是否存在风险。
一种设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述高危行业中企业风险判定方法的步骤。
一种存储有计算机可读指令的介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述高危行业中企业风险判定方法的步骤。
上述高危行业中企业风险判定方法、装置、设备和介质，高危行业中企业风险判定装置首先获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业，再获取并预处理待判定企业的历史监测数据，然后将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的，再将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数，最后根据待判定企业的风险系数判定是否存在风险。由于本申请采用风险因子识别模型分析企业的历史监测数据生成多个风险因子，并通过风险因子结合预设公式计算企业的当前风险系数，从而可以结合风险系数实现在线实时对各个企业进行风险判断，从而提升了企业潜在风险的监测效率。与此同时，通过将长短期记忆网络进行通道压缩，大大降低了深度神经网络的参数数量，同时也提高了风险因子识别模型的精度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本申请一个实施例中提供的高危行业中企业风险判定方法的实施环境图；
图2为本申请一个实施例中设备的内部结构示意图；
图3为本申请一个实施例中提供的高危行业中企业风险判定方法的方法示意图；
图4为本申请一个实施例中提供的高危行业中企业风险判定过程的过程示意图；
图5为本申请另一个实施例中提供的风险因子识别模型训练方法的方法示意图；
图6是本申请实施例提供的一种高危行业中企业风险判定装置的装置示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
图1为一个实施例中提供的高危行业中企业风险判定方法的实施环境图，如图1所示，在该实施环境中，包括设备110以及客户端120。
设备110可以为服务器设备，例如为缓存企业库的设备、还可以是用来部署预先训练的风险因子识别模型的服务器设备。当需要进行高危行业中企业风险判定时，客户端120获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业，客户端120获取并预处理待判定企业的历史监测数据，客户端120从设备110中获取预先训练的风险因子识别模型，客户端120将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子，客户端120将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数，客户端120根据待判定企业的风险系数判定是否存在风险。
需要说明的是，客户端120可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。设备110以及客户端120可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者其他通讯连接方式进行连接，本发明在此不做限制。
图2为一个实施例中设备的内部结构示意图。如图2所示，该设备包括通过系统总线连接的处理器、介质、存储器和网络接口。其中，该设备的介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种高危行业中企业风险判定方法。该设备的处理器用于提供计算和控制能力，支撑整个设备的运行。该设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种高危行业中企业风险判定方法。该设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。其中，介质为一种可读的存储介质。
下面将结合附图3-附图5，对本申请实施例提供的高危行业中企业风险判定方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的高危行业中企业风险判定装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图3，为本申请实施例提供了一种高危行业中企业风险判定方法的流程示意图。如图3所示，本申请实施例的方法可以包括以下步骤：
S101，获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业；
其中，待判定企业是确定出的优先级最高的企业。
通常，在获取各企业优先级之前，投放在各企业的智能传感设备实时采集各企业的数据信息，通过有线或者无线的方式发送至企业风险判定装置，企业风险判定装置接收来自传感器设备发送的各企业数据信息，然后解析各企业数据信息，并识别解析后数据信息中的各企业标识，基于各企业标识将各企业数据信息关联至与其对应的企业标签上，生成各企业的历史检测数据保存至企业库，其中企业库可以理解为数据字典，是用来保存多个待监测企业中各企业相关联的数据信息
在本申请实施例中，在获取各企业优先级时，首先计算各企业的危险系数，基于各企业预先设定的危险系数确定各企业的优先级。也就是说，危险系数越高，优先级越高，最先进行风险判定。
具体的，在计算各企业的危险系数时，可根据企业的行业历史事故以及企业基础地理信息的自然灾害情况伤害情况共同决定。危险系数的计算公式为：z＝f(x,y),函数f采用矩阵形式表示，以要素x和要素y的取值构建一个二维矩阵，要素x为该企业行业多个历史事故生成的多个风险值，要素y为该企业基础地理信息的自然灾害情况伤害情况生成的多个风险值。
在一种可能的实现方式中，在获取到各企业的优先级后，基于优先级的高低顺序可从各企业中确定优先级最高的企业，将优先级最高的企业确定为待判定企业。
具体的，智能传感器例如温湿度传感器、激光粉尘仪、瓦斯检测仪、气体探头等。
S102，获取并预处理待判定企业的历史监测数据；
其中，历史监测数据为布设在企业中的智能传感器设备上报的数据信息。
在一种可行的实现方式中，上报的数据信息保存在数据字典中，首先获取待判定企业的ID标识，并确定查询的时间周期，然后初始化预设数据库查询规则模板，最后将ID标识、时间周期与预设数据库查询规则模板进行组合，生成待判定企业的监测数据查询指令，执行待判定企业的监测数据查询指令从数据字典中查询到待判定企业的历史监测数据。
进一步地，在查询到历史监测数据后进行数据预处理时，首先查询历史监测数据中的缺失值，通过Pandas提供的fillna方法来自动填补缺失值数据，生成填补后的历史监测数据，然后利用Python语言的pandas方法查找和处理填补后的历史监测数据包含的重复数据，通过调用duplicated查找重复的数据，当出现重复数据时通过调用drop_duplicates方法完成重复数据删除，最后生成预处理后的历史监测数据。
S103，将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的；
其中，预先训练的风险因子识别模型是通过历史监测数据能够识别出待判定企业当前风险因子的数学模型。
具体的，通道压缩是采用长短期记忆网络中卷积核内对应的行和列与预设矩阵做积，使得长短期记忆网络进行通道压缩后以达到预设通道数。
通常，模型输出的风险因子至少包括待判定企业发生自然灾害的概率为Q、该企业所属行业的风险系数H、该企业历史发生事故风险A、该企业存在的不安全系数M、该企业的地理位置坐标B、该企业的地理位置发生的自然灾害m、该企业部署的智能设备n、该企业历史事故平均风险系数q。
在本申请实施例中，在生成预先训练的风险因子识别模型时，首先采集多个不同行业类型的企业名称，然后用户针对多个不同行业类型的企业名称设置企业发生自然灾害的概率为Q、企业所属行业的风险系数H、企业历史发生事故风险A、企业存在的不安全系数M、企业的地理位置坐标B、企业的地理位置发生的自然灾害m、企业部署的智能设备n、企业历史事故平均风险系数q，设置结束后生成模型训练样本，再将长短期记忆网络的通道进行压缩，采用压缩通道后的长短期记忆网络创建风险因子识别模型，其次将模型训练样本输入风险因子识别模型中进行训练，输出模型损失值，当模型损失值到达预设阈值时，生成预先训练的风险因子识别模型，或者当模型损失值未到达预设阈值时，继续执行将模型训练样本输入风险因子识别模型的步骤进行训练，直到模型损失值到达预设阈值。
进一步地，风险因子识别模型包括向量提取层、概率计算层、损失值输出层。
具体地，在将模型训练样本输入风险因子识别模型中进行训练，输出模型损失值时，向量提取层首先提取模型训练样本的文本序列与标签数据，概率计算层然后对文本序列进行词嵌入处理生成字向量序列，以及采用拉格朗日乘子与预设矩阵转换器将字向量序列转换为数字矩阵，并基于数字矩阵计算出目标概率值，损失值输出层通过概率值计算模型的损失值。
在一种可能的实现方式中，在生成预先训练的风险因子识别模型后，并基于步骤S102生成预处理后的历史监测数据时，将预处理后的历史监测数据输入预先训练的风险因子识别模型中，通过模型处理后输出待判定企业对应的多个风险因子，多个风险因子分别为发生自然灾害的概率为P、所属行业的风险系数H、历史发生事故风险A、存在的不安全系数M、地理位置坐标B、地理位置发生的自然灾害m、企业部署的智能设备n、企业历史事故平均风险系数q。
S104，将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数；
通常，预设企业风险系数计算公式为：
其中，Q为企业发生自然灾害的概率、H为企业所属行业的风险系数、A为企业历史发生事故风险、M为企业存在的不安全系数、B为企业的地理位置坐标、m为企业的地理位置发生的自然灾害、n为企业部署的智能设备、q为企业历史事故平均风险系数。
在一种可能的实现方式中，根据预先训练的风险因子识别模型输出待判定企业的多个风险因子后，将待判定企业多个风险因子代入该公式中进行计算，生成判定企业的风险系数。
S105，根据待判定企业的风险系数判定是否存在风险。
在一种可能的实现方式中，当待判定企业的风险系数小于第一预设值时，确定待判定企业不存在风险。当待判定企业的风险系数大于第一预设时，确定待判定企业存在风险。
进一步地，当存在风险时生成企业风险预警信息发送至风险预警平台，风险预警平台收到发送的企业风险预警信息后，风险预警平台识别出临近预警和风险预警等风险点，生成风险警示和风险播报等风险面，风险预警平台同时依托数据评估距离高风险企业范围2公里以内周边企业的数据信息，进行周边预警以及次生衍生预警，从点到面到链识别风险生成风险链评估结果。
进一步地，根据风险点、风险面、风险链评估结果生成风险信息发送到对应企业负责人和/或政府接口人的终端上，并提醒风险信息。同时可以收集关键接口人的处理反馈，最终形成风险月度评估和年度评估。
具体的，企业负责人和/或政府接口人的终端可以是电脑或移动设备，其电脑或移动设备上安装有接收预警信息的APP应用程序。在APP应用程序接收到预警信息后，可启动振动或者发出报警声音对相关人员进行及时提醒。
进一步地，在待判定企业风险判定结束后，继续按照优先级的顺序获取下一个待判定企业，并基于步骤S101-步骤S105的步骤继续判定。
例如图4所示，图4是本申请提供的一种高危行业中企业风险判定过程的过程示意图，首先训练一个风险因子识别模型，然后从企业数据中确定出优先级最高的企业，并获取该优先级最高企业的智能传感器设备发送的数据信息，其次将该信息输入预先训练好的风险因子识别模型中，输出多个风险因子，并将多个风险因子代入公式中进行计算生成风险系数，根据该风险系数进行判定，判定结束后继续获取剩下未判定企业中优先级最高的企业继续进行风险判断。
在本申请实施例中，高危行业中企业风险判定装置首先获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业，再获取并预处理待判定企业的历史监测数据，然后将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的，再将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数，最后根据待判定企业的风险系数判定是否存在风险。由于本申请采用风险因子识别模型分析企业的历史监测数据生成多个风险因子，并通过风险因子结合预设公式计算企业的当前风险系数，从而可以结合风险系数实现在线实时对各个企业进行风险判断，从而提升了企业潜在风险的监测效率。与此同时，通过将长短期记忆网络进行通道压缩，大大降低了深度神经网络的参数数量，同时也提高了风险因子识别模型的精度。
如图5所示，图5是本申请提供的一种风险因子识别模型的训练方法，包括以下步骤：
S201，采集多个不同行业类型的企业名称；
S202，接收针对多个不同行业类型的企业名称所设置的多个企业风险参数；
S203，将接收的多个企业风险参数与其对应的企业名称进行关联，生成模型训练样本；
S204，压缩预设长短期记忆网络的通道，并采用压缩通道后的长短期记忆网络创建风险因子识别模型；
S205，将模型训练样本输入风险因子识别模型中进行训练，输出模型的损失值；
S206，当模型的损失值到达预设值时，生成预先训练的风险因子识别模型。
在本申请实施例中，通过将长短期记忆网络进行通道压缩，大大降低了深度神经网络的参数数量，同时也提高了风险因子识别模型的精度。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图6，其示出了本发明一个示例性实施例提供的高危行业中企业风险判定装置的结构示意图，应用于服务器。该高危行业中企业风险判定装置可以通过软件、硬件或者两者的结合实现成为设备的全部或一部分。该装置1包括待判定企业确定模块10、历史监测数据预处理模块20、历史监测数据输入模块30、风险系数生成模块40、风险判定模块50。
待判定企业确定模块10，用于获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业；
历史监测数据预处理模块20，用于获取并预处理待判定企业的历史监测数据；
历史监测数据输入模块30，用于将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的；
风险系数生成模块40，用于将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数；
风险判定模块50，用于根据待判定企业的风险系数判定是否存在风险。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，高危行业中企业风险判定装置首先获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业，再获取并预处理待判定企业的历史监测数据，然后将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的，再将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数，最后根据待判定企业的风险系数判定是否存在风险。由于本申请采用风险因子识别模型分析企业的历史监测数据生成多个风险因子，并通过风险因子结合预设公式计算企业的当前风险系数，从而可以结合风险系数实现在线实时对各个企业进行风险判断，从而提升了企业潜在风险的监测效率。与此同时，通过将长短期记忆网络进行通道压缩，大大降低了深度神经网络的参数数量，同时也提高了风险因子识别模型的精度。
在一个实施例中，提出了一种设备，设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业；获取并预处理待判定企业的历史监测数据；将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的；将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数；根据待判定企业的风险系数判定是否存在风险。
在一个实施例中，处理器执行获取企业库中各企业的优先级之前时，具体执行以下操作：接收来自各企业部署的智能传感器发送的数据信息；解析接收的各企业的数据信息，并识别解析后的数据信息中包含的各企业标识；基于各企业标识将接收的各企业的数据信息关联至与其对应的企业标签上，生成各企业的历史监测数据；将各企业的历史监测数据保存至企业库。
在一个实施例中，处理器执行获取企业库中各企业的优先级时，具体执行以下操作：计算企业库中各企业的危险系数；基于各企业的危险系数确定各企业的优先级。
在一个实施例中，处理器按照以下步骤生成预先训练的风险因子识别模型时，具体执行以下操作：采集多个不同行业类型的企业名称；接收针对多个不同行业类型的企业名称所设置的多个企业风险参数；将接收的多个企业风险参数与其对应的企业名称进行关联，生成模型训练样本；压缩预设长短期记忆网络的通道，并采用压缩通道后的长短期记忆网络创建风险因子识别模型；将模型训练样本输入风险因子识别模型中进行训练，输出模型的损失值；当模型的损失值到达预设值时，生成预先训练的风险因子识别模型。
在一个实施例中，处理器执行将模型训练样本输入风险因子识别模型中进行训练，输出模型的损失值时，具体执行以下操作：向量提取层提取模型训练样本的文本序列与标签数据；概率计算层对文本序列进行词嵌入处理生成字向量序列，并采用拉格朗日乘子与预设矩阵转换器将字向量序列转换为数字矩阵，并基于数字矩阵计算出目标概率值；损失值输出层根据概率值计算模型的损失值，并输出模型的损失值。
在一个实施例中，处理器执行获取并预处理待判定企业的历史监测数据时，具体执行以下操作：获取待判定企业的ID标识；确定查询的时间周期；初始化预设数据库查询规则模板；将ID标识、时间周期与预设数据库查询规则模板进行组合，生成待判定企业的监测数据查询指令；执行待判定企业的监测数据查询指令查询待判定企业的历史监测数据；预处理待判定企业的历史监测数据，生成预处理后的历史监测数据。
在一个实施例中，处理器执行根据待判定企业的风险系数判定是否存在风险时，具体执行以下操作：当待判定企业的风险系数小于第一预设值时，确定待判定企业不存在风险；或者，当待判定企业的风险系数大于第一预设时，确定待判定企业存在风险。
在本申请实施例中，高危行业中企业风险判定装置首先获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业，再获取并预处理待判定企业的历史监测数据，然后将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的，再将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数，最后根据待判定企业的风险系数判定是否存在风险。由于本申请采用风险因子识别模型分析企业的历史监测数据生成多个风险因子，并通过风险因子结合预设公式计算企业的当前风险系数，从而可以结合风险系数实现在线实时对各个企业进行风险判断，从而提升了企业潜在风险的监测效率。与此同时，通过将长短期记忆网络进行通道压缩，大大降低了深度神经网络的参数数量，同时也提高了风险因子识别模型的精度。
在一个实施例中，提出了一种存储有计算机可读指令的介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业；获取并预处理待判定企业的历史监测数据；将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的；将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数；根据待判定企业的风险系数判定是否存在风险。
在一个实施例中，处理器执行获取企业库中各企业的优先级之前时，具体执行以下操作：接收来自各企业部署的智能传感器发送的数据信息；解析接收的各企业的数据信息，并识别解析后的数据信息中包含的各企业标识；基于各企业标识将接收的各企业的数据信息关联至与其对应的企业标签上，生成各企业的历史监测数据；将各企业的历史监测数据保存至企业库。
在一个实施例中，处理器执行获取企业库中各企业的优先级时，具体执行以下操作：计算企业库中各企业的危险系数；基于各企业的危险系数确定各企业的优先级。
在一个实施例中，处理器按照以下步骤生成预先训练的风险因子识别模型时，具体执行以下操作：采集多个不同行业类型的企业名称；接收针对多个不同行业类型的企业名称所设置的多个企业风险参数；将接收的多个企业风险参数与其对应的企业名称进行关联，生成模型训练样本；压缩预设长短期记忆网络的通道，并采用压缩通道后的长短期记忆网络创建风险因子识别模型；将模型训练样本输入风险因子识别模型中进行训练，输出模型的损失值；当模型的损失值到达预设值时，生成预先训练的风险因子识别模型。
在一个实施例中，处理器执行将模型训练样本输入风险因子识别模型中进行训练，输出模型的损失值时，具体执行以下操作：向量提取层提取模型训练样本的文本序列与标签数据；概率计算层对文本序列进行词嵌入处理生成字向量序列，并采用拉格朗日乘子与预设矩阵转换器将字向量序列转换为数字矩阵，并基于数字矩阵计算出目标概率值；损失值输出层根据概率值计算模型的损失值，并输出模型的损失值。
在一个实施例中，处理器执行获取并预处理待判定企业的历史监测数据时，具体执行以下操作：获取待判定企业的ID标识；确定查询的时间周期；初始化预设数据库查询规则模板；将ID标识、时间周期与预设数据库查询规则模板进行组合，生成待判定企业的监测数据查询指令；执行待判定企业的监测数据查询指令查询待判定企业的历史监测数据；预处理待判定企业的历史监测数据，生成预处理后的历史监测数据。
在一个实施例中，处理器执行根据待判定企业的风险系数判定是否存在风险时，具体执行以下操作：当待判定企业的风险系数小于第一预设值时，确定待判定企业不存在风险；或者，当待判定企业的风险系数大于第一预设时，确定待判定企业存在风险。
在本申请实施例中，高危行业中企业风险判定装置首先获取企业库中各企业的优先级，并基于优先级的高低顺序从各企业中确定待判定企业，再获取并预处理待判定企业的历史监测数据，然后将预处理后的历史监测数据输入预先训练的风险因子识别模型中，输出待判定企业对应的多个风险因子；其中，风险因子识别模型是由长短期记忆网络进行通道压缩后创建的，再将多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数，最后根据待判定企业的风险系数判定是否存在风险。由于本申请采用风险因子识别模型分析企业的历史监测数据生成多个风险因子，并通过风险因子结合预设公式计算企业的当前风险系数，从而可以结合风险系数实现在线实时对各个企业进行风险判断，从而提升了企业潜在风险的监测效率。与此同时，通过将长短期记忆网络进行通道压缩，大大降低了深度神经网络的参数数量，同时也提高了风险因子识别模型的精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性介质，或随机存储记忆体(RandomAccess Memory，RAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种高危行业中企业风险判定方法，其特征在于，所述方法包括：
获取企业库中各企业的优先级，并基于所述优先级的高低顺序从所述各企业中确定待判定企业；
获取并预处理所述待判定企业的历史监测数据；
将预处理后的所述历史监测数据输入预先训练的风险因子识别模型中，输出所述待判定企业对应的多个风险因子；其中，所述风险因子识别模型是由长短期记忆网络进行通道压缩后创建的；
将所述多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数；
根据所述待判定企业的风险系数判定是否存在风险。
2.根据权利要求1所述的方法，其特征在于，所述获取企业库中各企业的优先级之前，还包括：
接收来自各企业部署的智能传感器发送的数据信息；
解析接收的所述各企业的数据信息，并识别解析后的所述数据信息中包含的各企业标识；
基于所述各企业标识将所述接收的所述各企业的数据信息关联至与其对应的企业标签上，生成各企业的历史监测数据；
将所述各企业的历史监测数据保存至企业库。
3.根据权利要求1所述的方法，其特征在于，所述获取企业库中各企业的优先级，包括：
计算所述企业库中各企业的危险系数；
基于所述各企业的危险系数确定所述各企业的优先级。
4.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先训练的风险因子识别模型，包括：
采集多个不同行业类型的企业名称；
接收针对所述多个不同行业类型的企业名称所设置的多个企业风险参数；
将接收的所述多个企业风险参数与其对应的企业名称进行关联，生成模型训练样本；
压缩预设长短期记忆网络的通道，并采用压缩通道后的长短期记忆网络创建风险因子识别模型；
将所述模型训练样本输入所述风险因子识别模型中进行训练，输出所述模型的损失值；
当所述模型的损失值到达预设值时，生成预先训练的风险因子识别模型。
5.根据权利要求4所述的方法，其特征在于，所述风险因子识别模型包括向量提取层、概率计算层、损失值输出层；
所述将所述模型训练样本输入所述风险因子识别模型中进行训练，输出所述模型的损失值，包括：
向量提取层提取模型训练样本的文本序列与标签数据；
概率计算层对所述文本序列进行词嵌入处理生成字向量序列，并采用拉格朗日乘子与预设矩阵转换器将所述字向量序列转换为数字矩阵，并基于数字矩阵计算出目标概率值；
损失值输出层根据概率值计算所述模型的损失值，并输出所述模型的损失值。
6.根据权利要求1所述的方法，其特征在于，所述获取并预处理所述待判定企业的历史监测数据，包括：
获取所述待判定企业的ID标识；
确定查询的时间周期；
初始化预设数据库查询规则模板；
将所述ID标识、时间周期与预设数据库查询规则模板进行组合，生成待判定企业的监测数据查询指令；
执行所述待判定企业的监测数据查询指令查询所述待判定企业的历史监测数据；
预处理所述待判定企业的历史监测数据，生成预处理后的历史监测数据。
7.根据权利要求1所述的方法，其特征在于，所述根据所述待判定企业的风险系数判定是否存在风险，包括：
当所述待判定企业的风险系数小于第一预设值时，确定所述待判定企业不存在风险；
或者，
当所述待判定企业的风险系数大于第一预设时，确定所述待判定企业存在风险。
8.一种高危行业中企业风险判定装置，其特征在于，所述装置包括：
待判定企业确定模块，用于获取企业库中各企业的优先级，并基于所述优先级的高低顺序从所述各企业中确定待判定企业；
历史监测数据预处理模块，用于获取并预处理所述待判定企业的历史监测数据；
历史监测数据输入模块，用于将预处理后的所述历史监测数据输入预先训练的风险因子识别模型中，输出所述待判定企业对应的多个风险因子；其中，所述风险因子识别模型是由长短期记忆网络进行通道压缩后创建的；
风险系数生成模块，用于将所述多个风险因子代入预设企业风险系数计算公式中进行计算，生成待判定企业的风险系数；
风险判定模块，用于根据所述待判定企业的风险系数判定是否存在风险。
9.一种设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述高危行业中企业风险判定方法的步骤。
10.一种存储有计算机可读指令的介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述高危行业中企业风险判定的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110728762.3A CN113435753A (zh) | 2021-06-29 | 2021-06-29 | 高危行业中企业风险判定方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110728762.3A CN113435753A (zh) | 2021-06-29 | 2021-06-29 | 高危行业中企业风险判定方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113435753A true CN113435753A (zh) | 2021-09-24 |
Family
ID=77757663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110728762.3A Withdrawn CN113435753A (zh) | 2021-06-29 | 2021-06-29 | 高危行业中企业风险判定方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435753A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118526A (zh) * | 2021-10-29 | 2022-03-01 | 中国建设银行股份有限公司 | 一种企业风险预测方法、装置、设备及存储介质 |
| CN117151867A (zh) * | 2023-09-20 | 2023-12-01 | 江苏数诚信息技术有限公司 | 一种基于大数据的企业异常识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485418A (zh) * | 2016-10-18 | 2017-03-08 | 成都鼎安华物联网工程应用有限公司 | 一种风险分析方法及系统 |
| CN108985553A (zh) * | 2018-06-05 | 2018-12-11 | 中国平安人寿保险股份有限公司 | 一种异常用户的识别方法及设备 |
| CN110147902A (zh) * | 2019-04-10 | 2019-08-20 | 焦点科技股份有限公司 | 一种多项运营指标联合异常监测方法 |
| CN111143829A (zh) * | 2019-12-25 | 2020-05-12 | 北京天融信网络安全技术有限公司 | 一种任务危险程度的确定方法、装置、电子设备及存储介质 |
| CN113034000A (zh) * | 2021-03-24 | 2021-06-25 | 数贸科技（北京）有限公司 | 一种风控处理方法、装置、计算设备和存储介质 |
-
2021
- 2021-06-29 CN CN202110728762.3A patent/CN113435753A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485418A (zh) * | 2016-10-18 | 2017-03-08 | 成都鼎安华物联网工程应用有限公司 | 一种风险分析方法及系统 |
| CN108985553A (zh) * | 2018-06-05 | 2018-12-11 | 中国平安人寿保险股份有限公司 | 一种异常用户的识别方法及设备 |
| CN110147902A (zh) * | 2019-04-10 | 2019-08-20 | 焦点科技股份有限公司 | 一种多项运营指标联合异常监测方法 |
| CN111143829A (zh) * | 2019-12-25 | 2020-05-12 | 北京天融信网络安全技术有限公司 | 一种任务危险程度的确定方法、装置、电子设备及存储介质 |
| CN113034000A (zh) * | 2021-03-24 | 2021-06-25 | 数贸科技（北京）有限公司 | 一种风控处理方法、装置、计算设备和存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118526A (zh) * | 2021-10-29 | 2022-03-01 | 中国建设银行股份有限公司 | 一种企业风险预测方法、装置、设备及存储介质 |
| CN117151867A (zh) * | 2023-09-20 | 2023-12-01 | 江苏数诚信息技术有限公司 | 一种基于大数据的企业异常识别方法及系统 |
| CN117151867B (zh) * | 2023-09-20 | 2024-04-30 | 江苏数诚信息技术有限公司 | 一种基于大数据的企业异常识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111177714B (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
| CN110020770A (zh) | 基于人工智能的风险和知识管理 | |
| KR101825023B1 (ko) | 리스크 조기 경보 방법 및 장치 | |
| CN109766755B (zh) | 人脸识别方法及相关产品 | |
| CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
| CN113779969B (zh) | 基于人工智能的案件信息处理方法、装置、设备及介质 | |
| CN105354198A (zh) | 一种数据处理方法及装置 | |
| CN115114448B (zh) | 智能多模态融合用电检查方法、装置、系统、设备及介质 | |
| CN113435753A (zh) | 高危行业中企业风险判定方法、装置、设备及介质 | |
| CN110781380A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
| CN111611991A (zh) | 故障处理方法和装置、电子设备、计算机可读存储介质 | |
| CN112116168B (zh) | 一种用户行为的预测方法、装置及电子设备 | |
| CN111382944A (zh) | 作业行为风险识别方法、装置、计算机设备和存储介质 | |
| CN113837075B (zh) | 基于人脸识别的业务办理方法、装置、电子设备及介质 | |
| CN113342978A (zh) | 一种城市事件处理方法及装置 | |
| CN110321770B (zh) | 管线监控方法、装置、设备和存储介质 | |
| CN118295842A (zh) | 交易系统异常事件的数据处理方法、装置和服务器 | |
| CN117435999A (zh) | 一种风险评估方法、装置、设备以及介质 | |
| CN108446907B (zh) | 安全校验方法及装置 | |
| CN114113487B (zh) | 一种挥发性有机物在线监测系统及方法 | |
| CN115907898A (zh) | 对再保客户进行金融产品推荐的方法及其相关设备 | |
| CN115937787A (zh) | 一种零售安全防护方法及系统 | |
| CN114897225A (zh) | 钻井作业的事故预测方法和装置、电子设备、存储介质 | |
| CN115392361A (zh) | 一种智能排序方法、装置、计算机设备及存储介质 | |
| CN110751567A (zh) | 车辆信息处理方法、装置、计算机设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210924 |