[發(fā)明專利]一種短中長期風(fēng)險的告警方法及裝置

在審

• 申請?zhí)枺?/td>: 202110496412.9
• 申請日: 2021-05-07
• 公開（公告）號: CN113361855A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計）人: 孫培梁;林楓;王軍;余韋;鐘云偉;斯越薪;張志明
• 申請（專利權(quán)）人: 浙江警官職業(yè)學(xué)院;浙江理工大學(xué);天津大學(xué);杭州市司法局;杭州市西郊監(jiān)獄
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/26;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 楊天嬌

本發(fā)明公開了一種短中長期風(fēng)險的告警方法及裝置，通過詞嵌入獲取風(fēng)險告警目標的特征向量，將風(fēng)險告警目標的特征向量輸入卷積神經(jīng)網(wǎng)絡(luò)，提取風(fēng)險告警目標的目標畫像特征向量，并根據(jù)多次發(fā)生風(fēng)險事故對象在每次發(fā)生風(fēng)險事故時對應(yīng)的監(jiān)測數(shù)據(jù)樣本得到時間序列特征向量，采用遞歸神經(jīng)網(wǎng)絡(luò)模型對時間序列特征向量進行遞歸操作，提取發(fā)生風(fēng)險傾向特征向量，最后將目標畫像特征向量與發(fā)生風(fēng)險傾向特征向量進行融合，輸入到全連接神經(jīng)網(wǎng)絡(luò)模型，預(yù)測出風(fēng)險告警目標對應(yīng)的風(fēng)險值，在風(fēng)險值大于預(yù)設(shè)的閾值時，發(fā)出告警。本發(fā)明有效提升了再次發(fā)生風(fēng)險的預(yù)測精度，創(chuàng)新了短中長期風(fēng)險評估方法體系，且促進了短中長期風(fēng)險評估效率與智能化水平。

技術(shù)領(lǐng)域

本申請屬于安全生產(chǎn)技術(shù)領(lǐng)域，尤其涉及一種短中長期風(fēng)險的告警方法及裝置。

背景技術(shù)

安全一直是生產(chǎn)及社會安定的重要環(huán)節(jié)，不注重安全，往往會帶來巨大的代價。安全不僅僅體現(xiàn)在安全生產(chǎn)，還體現(xiàn)在社會生活的方方面面，例如消防安全、交通安全、危險品處理、治安、踩踏事件等等。

“安全第一、預(yù)防為主”是我國的安全生產(chǎn)基本方針，如何預(yù)警并消除安全隱患，一直是重中之重，安全預(yù)警和監(jiān)督檢查工作是“預(yù)防為主”的主要手段和措施。

目前對于安全的預(yù)警，往往是在事發(fā)前根據(jù)各個危險源進行預(yù)判，在進行預(yù)判時很少考慮以前曾經(jīng)發(fā)生的事故對今后二次發(fā)生事故的影響，更很少考慮對曾經(jīng)發(fā)生的事故在新的環(huán)境下再次發(fā)生的情況進行預(yù)警。

發(fā)明內(nèi)容

本申請的目的是提供一種短中長期風(fēng)險的告警方法及裝置，克服了現(xiàn)有技術(shù)對再次發(fā)生風(fēng)險判斷不準確的問題。

為了實現(xiàn)上述目的，本申請技術(shù)方案如下：

一種短中長期風(fēng)險的告警方法，包括：

通過詞嵌入獲取風(fēng)險告警目標的特征向量X⁰，將風(fēng)險告警目標的特征向量X⁰輸入卷積神經(jīng)網(wǎng)絡(luò)，提取風(fēng)險告警目標的目標畫像特征向量X¹；

獲取多次發(fā)生風(fēng)險事故對象在每次發(fā)生風(fēng)險事故時對應(yīng)的監(jiān)測數(shù)據(jù)樣本，通過詞嵌入得到時間序列特征向量H⁰，采用遞歸神經(jīng)網(wǎng)絡(luò)模型RNN對時間序列特征向量H⁰進行遞歸操作，提取N次發(fā)生風(fēng)險傾向特征向量H^N；

將目標畫像特征向量X¹與N次發(fā)生風(fēng)險傾向特征向量H^N進行融合，將融合特征X²輸入到全連接神經(jīng)網(wǎng)絡(luò)模型，預(yù)測出風(fēng)險告警目標對應(yīng)的風(fēng)險值，在風(fēng)險值大于預(yù)設(shè)的閾值時，發(fā)出告警。

進一步的，所述將風(fēng)險告警目標的特征向量X⁰輸入卷積神經(jīng)網(wǎng)絡(luò)，提取風(fēng)險告警目標的目標畫像特征向量X¹，其數(shù)學(xué)表達式如下：

X¹＝CNN(X⁰)。

進一步的，所述采用遞歸神經(jīng)網(wǎng)絡(luò)模型RNN對時間序列特征向量H⁰進行遞歸操作，提取N次發(fā)生風(fēng)險傾向特征向量H^N，其數(shù)學(xué)表達式如下：

H^N＝RNN(H⁰)。

進一步的，所述將目標畫像特征向量X¹與N次發(fā)生風(fēng)險傾向特征向量H^N進行融合，其數(shù)學(xué)表達式為：

X²＝concat(X¹,H^N)。

進一步的，所述將融合特征X²輸入到全連接神經(jīng)網(wǎng)絡(luò)模型，預(yù)測出風(fēng)險告警目標對應(yīng)的風(fēng)險值，包括：