公开(公告)号：CN115952919B

公开(公告)日：2025-05-13

申请号：CN202310059941.1

申请日：2023-01-16

Applicant: 哈尔滨工业大学(威海) ,  威海新派信息技术有限公司

Inventor： 周学权 ,  初钿辉 ,  邓宇飞 ,  吴吉海 ,  孟凡超 ,  李春山

IPC: G06Q10/04 ,  G06Q10/0635 ,  G06Q50/26

Abstract: 本发明公开了一种基于流程挖掘的风险智能预测方法，所述方法包括如下步骤：步骤一、读取传感器实时监测数据，进行预处理；步骤二、判定实时监测数据是否异常及异常等级；步骤三、判断异常是否为误报警；步骤四、根据异常类型生成流程模型候选集；步骤五、根据异常分级筛选候选集中的流程模型；步骤六、计算筛选后的应急管理流程模型适用于当前异常的概率；步骤七、对预测结果进行排序，发出预测预警。该方法不仅可以通过监测数据的异常情况发出预警，还能够通过使用流程模型库和应急管理知识库得到未来可能发生的事件、险情、传感器数值变化及其发生的概率，甚至对具体情况历史处理方式及其效果，作为决策支持信息输出。

公开(公告)号：CN116227902A

公开(公告)日：2023-06-06

申请号：CN202310059958.7

申请日：2023-01-16

Applicant: 哈尔滨工业大学(威海) ,  威海新派信息技术有限公司

Inventor： 周学权 ,  初钿辉 ,  孟凡超 ,  田雨 ,  赵誉茹 ,  吴吉海 ,  张华

IPC: G06Q10/0633 ,  G06Q50/26

Abstract: 本发明公开了一种基于大数据的应急管理流程建模方法，所述方法包括如下步骤：步骤一、数据预处理；步骤二、流程实例解析与统计；步骤三、将流程实例抽象为流程变体；步骤四、合并流程变体为流程模型PM；步骤五、提取价值弧集合VA；步骤六、构建应急管理流程模型EMPM；步骤七、形成流程模型库。本发明不仅可以对多源异构数据进行处理实现对管理流程的建模，还可以对应急资源进行配置，建立面向多主体的应急管理流程模型库。应急管理流程模型库是流程模型的集合，流程模型中包含了活动的参与者以及活动之间的价值弧，完善的流程模型库有利于帮助企业更好地应对突发情况。

公开(公告)号：CN115952919A

公开(公告)日：2023-04-11

申请号：CN202310059941.1

申请日：2023-01-16

Applicant: 哈尔滨工业大学(威海) ,  威海新派信息技术有限公司

Inventor： 周学权 ,  初钿辉 ,  邓宇飞 ,  吴吉海 ,  孟凡超 ,  李春山

IPC: G06Q10/04 ,  G06Q10/0635 ,  G06Q50/26

Abstract: 本发明公开了一种基于流程挖掘的风险智能预测方法，所述方法包括如下步骤：步骤一、读取传感器实时监测数据，进行预处理；步骤二、判定实时监测数据是否异常及异常等级；步骤三、判断异常是否为误报警；步骤四、根据异常类型生成流程模型候选集；步骤五、根据异常分级筛选候选集中的流程模型；步骤六、计算筛选后的应急管理流程模型适用于当前异常的概率；步骤七、对预测结果进行排序，发出预测预警。该方法不仅可以通过监测数据的异常情况发出预警，还能够通过使用流程模型库和应急管理知识库得到未来可能发生的事件、险情、传感器数值变化及其发生的概率，甚至对具体情况历史处理方式及其效果，作为决策支持信息输出。

公开(公告)号：CN119311824A

公开(公告)日：2025-01-14

申请号：CN202411368241.1

申请日：2024-09-29

Applicant: 哈尔滨工业大学(威海) ,  山东新派科技有限公司

Inventor： 丁建睿 ,  孙云栋 ,  吴吉海

IPC: G06F16/3329 ,  G06F16/334 ,  G06F16/36 ,  G06N5/04

Abstract: 本申请提供了一种隐式推理与显式推理相结合的知识问答方法及系统，解决了现有无法在降低大语言模型调用次数和推理延迟的同时，有效缓解知识图谱不完备性和稀疏性的技术问题。其包括：隐式推理，利用评分函数得到候选答案实体，利用逆向关系路径溯源方法获取完整路径信息，通过提示词判断是否足以回答问题，若是，输出答案，否则进入显式推理；显示推理，将主题实体加入候选实体集合，检索和筛选得到候选三元组集合；通过提示词判断是否足以回答问题，若是，输出答案；否则，将筛选后的实体作为新的候选实体集合进行迭代，直至达到最大推理步长。本申请可广泛应用于知识问答的技术领域。

公开(公告)号：CN119202266A

公开(公告)日：2024-12-27

申请号：CN202411241073.X

申请日：2024-09-05

Applicant: 哈尔滨工业大学(威海) ,  山东新派科技有限公司

Inventor： 朱东杰 ,  张浩天 ,  陈彬 ,  吴吉海

IPC: G06F16/36 ,  G06F16/35 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明提供了一种信息检索领域R‑GCN和Transformer融合网络的知识表示学习方法，涉及知识图谱表示学习技术领域，包括基于信息检索知识图谱，构建实体和关系的输入特征；基于Transformer模型及R‑GCN模型，构建实体的Transformer分支表征向量、R‑GCN分支表征向量和关系的Transformer表征向量，得到关系的最终嵌入表示；基于实体的R‑GCN分支表征向量和实体的Transformer分支表征向量，获得信息检索知识图谱中实体的融合特征作为实体的最终嵌入表示；通过信息检索知识图谱实体分类和信息检索知识图谱路径查询回答任务优化知识表示学习的效果。本申请通过GCN捕获图结构中的局部依赖关系，通过Transformer模型动态地捕捉序列数据中不同位置的依赖信息，实现对全局结构信息的捕捉，充分利用信息检索知识图谱中的全局结构信息和上下文信息，实现更为准确的知识表示学习。