(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111454628.5 (22)申请日 2021.12.01 (71)申请人 杭州数梦 工场科技有限公司 地址 310024 浙江省杭州市转塘科技经济 区块16号 4幢326室 (72)发明人 姚国辉　雷卓　 (74)专利代理 机构 北京博思佳知识产权代理有 限公司 1 1415 代理人 王茹 (51)Int.Cl. G06F 30/27(2020.01) G06N 7/00(2006.01) G06F 111/08(2020.01) (54)发明名称 一种事故分析模型训练方法、 装置及设备 (57)摘要 本说明书公开了一种事故分析模型训练方 法、 装置及设备。 所述方法包括： 针对待分析机 构， 获取事故样本集合； 所述事故样本集合包括 事故正样 本和事故负样本； 不同事故样本对应于 不同时间段； 事故正样本的标签用于表征对应时 间段内待分析机构有事故发生； 事故正样本的特 征包括： 事故发生前第一预设时长内待分析机构 所发生事件的第一事件特征， 以及事故发生后第 二预设时长内待分析机构所发生事件的第二事 件特征； 事故负样本的标签用于表征对应时间段 内待分析机构无事故发生； 事故负样本的特征包 括： 对应时间段内待分析机构所发生事件的第三 事件特征； 构建事故分析待训练模型； 根据事故 样本集合， 训练事故分析待训练模型， 得到事故 分析模型。 权利要求书2页 说明书20页 附图2页 CN 114297911 A 2022.04.08 CN 114297911 A 1.一种事故分析模型训练方法， 包括： 针对待分析机构， 获取事故样本集合； 所述事故样本集合包括事故正样本和事故负样 本； 不同事故样本对应于不同时间段； 事故正样本的标签用于表征对应时间段内待分析机构有事故发生； 事故正样本的特征 包括： 事故发生前第一预设时长内待分析机构所发生事件的第一事件特征， 以及事故发生 后第二预设时长内待分析机构所发生事 件的第二事 件特征； 事故负样本的标签用于表征对应时间段内待分析机构无事故发生； 事故负样本的特征 包括： 对应时间段内待分析机构所发生事 件的第三事 件特征； 构建事故分析待训练模型， 具体包括： 获取若干事件类型， 并在事故分析待训练模型中 针对所获取的每个事件类型创建对应的事件节点， 以及在 事故分析待训练模型中创建事故 对应的事故节点； 所述事故分析待训练模型为贝叶斯网络模型； 根据所述事故样本集合， 训练所述事故分析待训练模型， 得到事故分析模型； 所述事故 分析模型至少用于分析事 件类型与事故之间的影响关系。 2.根据权利要求1所述的方法， 所述获取事故样本集 合， 包括： 从若干数据源获取待分析机构的相关数据； 所述相关数据包括： 待分析机构相关事件 的事件信息， 以及待分析机构相关事故的事故信息； 从所述相关数据中， 获取事故样本添加到事故样本集 合中。 3.根据权利要求2所述的方法， 所述事件信 息至少包括发生 时间； 所述事故信 息至少包 括发生时间； 所述从所述相关数据中， 获取事故样本添加到事故样本集 合中， 包括： 从预设时间点 开始， 循环执 行以下步骤， 直到满足第一停止条件： 在确定所述相关数据中存在发生 时间在指定时间段内的相关事故的情况下， 根据 所确 定的事故生成事故正样本； 所述指定时间段为当前预设时间点之后第三预设时长的时间 段； 将所生成的事故正样本添加到事故样本集 合中； 在确定所述相关数据中不存在发生 时间在所述指定时间段内的相关事故的情况下， 根 据发生时间在所述指 定时间段内的相关事件生成事故负样本； 将所生成的事故负样本添加 到事故样本集 合中； 将当前预设时间点之后第四预设时长的时间点确定为当前 预设时间点。 4.根据权利要求1所述的方法， 所述获取若干事 件类型， 包括： 从所述事故样本集 合中事故样本的事 件特征中， 确定若干事 件类型。 5.根据权利要求4所述的方法， 所述从所述事故样本集合中事故样本的事件特征中， 确 定若干事 件类型， 包括： 针对所述事故样本集合中任一事故正样本， 从该事故正样本的第一事件特征中， 确定 事故前事 件类型， 从该事故正样本的第二事 件特征中， 确定事故后事 件类型。 6.根据权利要求1所述的方法， 所述训练所述事故分析待训练模型， 包括： 通过训练确定所述事故分析待训练模型的网络结构； 基于所确定的网络结构， 通过训练确定所述事故分析待训练模型的参数。 7.根据权利要求6所述的方法， 所述通过训练确定所述事故分析待训练模型的网络结 构， 包括：权　利　要　求　书 1/2 页 2 CN 114297911 A 2确定所述事故分析待训练模型的初始网络结构； 循环执行以下步骤， 直到满足第二停止条件： 基于预设评分函数对当前事故分析待训练模型的网络结构进行评分； 通过预设启发式算法更新当前事故分析待训练模型的网络结构。 8.根据权利要求7所述的方法， 所述预设评分函数为贝叶斯评分函数， 所述预设启发式 算法为模拟退火搜索算法。 9.根据权利要求6所述的方法， 所述通过训练确定所述事故分析待训练模型的参数， 包 括： 在所述事故样本集合中不存在所述事故分析待训练模型中任一事件类型的情况下， 根 据预设先验分布， 利用期望最大化 算法确定所述事故分析待训练模型的参数。 10.根据权利要求1所述的方法， 所述事故分析模型还用于： 在确定部分节点所对应随 机变量的取值的情况 下， 利用信念传播 算法确定任一 其他节点的边 缘概率分布。 11.一种事故分析模型训练装置， 包括： 样本获取单元， 用于针对待分析机构， 获取事故样本集合； 所述事故样本集合包括事故 正样本和事故负 样本； 不同事故样本对应于不同时间段； 事故正样本的标签用于表征对应时间段内待分析机构有事故发生； 事故正样本的特征 包括： 事故发生前第一预设时长内待分析机构所发生事件的第一事件特征， 以及事故发生 后第二预设时长内待分析机构所发生事 件的第二事 件特征； 事故负样本的标签用于表征对应时间段内待分析机构无事故发生； 事故负样本的特征 包括： 对应时间段内待分析机构所发生事 件的第三事 件特征； 模型构建单元， 用于构建事故分析待训练模型， 具体包括： 获取若干事件类型， 并在事 故分析待训练模型中针对所获取的每个事件类型创建对应的事件节点， 以及在 事故分析待 训练模型中创建事故对应的事故节点； 所述事故分析待训练模型为贝叶斯网络模型； 训练单元， 用于根据 所述事故样本集合， 训练所述事故分析待训练模型， 得到事故分析 模型； 所述事故分析模型至少用于分析事 件类型与事故之间的影响关系。 12.一种电子设备， 包括处理器及存储器； 所述存储器存储有可被处理器调用的程序； 其中， 所述处理器执行所述程序时， 实现如权利要求1 ‑10中任意一项所述的事故分析模型 训练方法。 13.一种机器可读存储介质， 其上存储有程序， 该程序被处理器执行时， 实现如权利要 求1‑10中任意 一项所述的事故分析模型训练方法。权　利　要　求　书 2/2 页 3 CN 114297911 A 3