一种项目管理系统的风险评估方法、装置、设备和介质与流程

本发明涉及项目管理，具体涉及一种项目管理系统的风险评估方法、装置、设备和介质。

背景技术：

1、项目管理是一种组织、计划、控制和监督项目活动的方法，以实现项目目标并满足项目参与方的期望。在项目管理过程中，需要大量的数据整合、分析和处理，因此项目管理领域需要多种技术的支持，包括云计算技术、大数据技术、人工智能技术、区块链技术等。这些技术的积极应用和创新，对于提高项目管理的效率、质量和安全性具有重要的意义。因此，在项目管理领域中，需要大力推广这些技术的应用，并积极探索新的项目管理背景技术的发展和应用。

2、数字化项目管理的需求日益增长，需要更科学、准确的风险评估和预测模型来辅助管理者做出决策。传统的风险评估方法往往依赖于主观判断和经验，容易忽视潜在的风险因素，限制了项目管理的效率和成功率。

技术实现思路

1、本发明的目的在于克服上述技术不足，提供一种项目管理系统的风险评估方法、装置、设备和介质，解决现有技术中项目管理系统风险评估方法依赖于主观判断和经验，评估效率低、精度低的技术问题。

2、为达到上述技术目的，本发明采取了以下技术方案：

3、第一方面，本发明提供了一种项目管理系统的风险评估方法，包括：

4、获取不同的风险类型信息和不同的风险类型信息分别对应的评价指标数据；

5、根据评价指标数据对应项目收益占比程度，确定评价指标对应的指标权重；

6、根据所述评价指标数据的指标权重，对所述评价指标数据进行标准化优化计算，得到优化指标数据；

7、将基于所述优化指标数据的风险类型信息输入至训练完备的风险评估模型进行风险评估，得到项目管理系统的风险值，其中所述风险评估模型包括对预设决策树输出的初始风险值、预设支持向量机输出的初始风险值和预设神经网络输出的初始风险值进行均值化处理的均值模块。

8、在一些实施例中，所述风险类型信息包括人力资源风险、财务资金风险、商务采购风险、施工进度风险、工程质量风险和技术风险；

9、所述人力资源风险对应的评价指标数据包括技能水平、经验和团队合作配合程度；

10、所述财务资金风险对应的评价指标数据包括预算、成本和收益；

11、所述商务采购风险对应的评价指标数据包括供应商级别、合同时效和采购成本；

12、所述施工进度风险对应的评价指标数据包括项目进度计划和实际完成情况；

13、所述工程质量风险对应的评价指标数据包括验收合格率和质量问题记录；

14、所述技术风险对应的评价指标数据包括技术方案评估和技术难题解决情况。

15、在一些实施例中，所述根据所述评价指标数据的指标权重，对所述评价指标数据进行标准化优化计算，得到优化指标数据，包括：

16、获取所述评价指标数据的指标均值和指标标准差；

17、确定所述评价指标数据与所述指标均值之间差值关系，以及所述指标标准差与所述指标权重之间的乘积关系；

18、根据所述差值关系和所述乘积关系之间的比值变化关系，确定所述优化指标数据。

19、在一些实施例中，所述将基于所述优化指标数据的风险类型信息输入至训练完备的风险评估模型进行风险评估，得到项目管理系统的风险值，包括：

20、将所述优化指标数据的风险类型信息输入至训练完备的决策树模型中，得到决策树输出的初始风险值；

21、将所述优化指标数据的风险类型信息输入至训练完备的支持向量机中，得到支持向量机输出的初始风险值；

22、将所述优化指标数据的风险类型信息输入至训练完备的神经网络模型中，得到神经网络输出的初始风险值；

23、计算所述决策树输出的初始风险值、所述支持向量机输出的初始风险值和所述神经网络输出的初始风险值的加权平均值，得到项目管理系统的风险值。

24、在一些实施例中，还包括将基于所述优化指标数据的风险类型信息输入至预设的多变量线性回归模型中，得到每种风险类型信息对应的回归风险值。

25、在一些实施例中，所述计算所述决策树输出的初始风险值、所述支持向量机输出的初始风险值和所述神经网络输出的初始风险值的平均值，得到项目管理系统的风险值，包括：

26、将所述决策树输出的初始风险值与所述回归风险值进行比较，得到决策树风险值误差；

27、将所述支持向量机输出的初始风险值与所述回归风险值进行比较，得到支持向量机风险值误差；

28、将所述神经网络输出的初始风险值与所述回归风险值进行比较，得到神经网络风险值误差；

29、根据所述决策树风险值误差、所述支持向量机风险值误差和所述神经网络风险值误差之间的大小关系，确定所述决策树输出的初始风险值权重、所述支持向量机输出的初始风险值权重和所述神经网络输出的初始风险值权重；

30、基于所述决策树输出的初始风险值权重、所述支持向量机输出的初始风险值权重和所述神经网络输出的初始风险值权重，计算所述决策树输出的初始风险值、所述支持向量机输出的初始风险值和所述神经网络输出的初始风险值的平均值，得到项目管理系统的风险值。

31、在一些实施例中，所述预设决策树模型、所述预设支持向量机、所述神经网络模型和所述回归模型均通过对应的损失函数进行训练。

32、第二方面，本发明还提供了一种项目管理系统的风险评估装置，包括：

33、获取模块，用于获取不同的风险类型信息和不同风险类型信息对应的评价指标数据；

34、指标权重确定模块，用于根据评价指标数据对应项目收益占比程度，确定评价指标对应的指标权重；

35、优化指标数据确定模块，用于根据所述评价指标数据的指标权重，对所述评价指标数据进行标准化优化计算，得到优化指标数据；

36、风险值确定模块，用于将基于所述优化指标数据的风险类型信息输入至训练完备的风险评估模型进行风险评估，得到项目管理系统的风险值，其中所述风险评估模型包括对预设决策树输出的初始风险值、预设支持向量机输出的初始风险值和预设神经网络输出的初始风险值进行均值化处理的均值模块。

37、第三方面，本发明还提供了一种电子设备，包括：处理器和存储器；

38、所述存储器上存储有可被所述处理器执行的计算机可读程序；

39、所述处理器执行所述计算机可读程序时实现如上所述的项目管理系统的风险评估方法中的步骤。

40、第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的项目管理系统的风险评估方法中的步骤。

41、与现有技术相比，本发明提供的项目管理系统的风险评估方法、装置、设备和介质，首先获取不同的风险类型信息和不同风险类型信息对应的评价指标数据；以具有代表性的指标评估项目对应风险类型的风险，能够提升风险类型的风险评估效率和准确度；随后根据评价指标数据对应项目收益占比程度，确定评价指标对应的指标权重；通过对评价指标进行权重设置，能够进一步提升评价指标对风险项目风险预测的准确性，随后根据所述评价指标数据的指标权重，对所述评价指标数据进行标准化优化计算，得到优化指标数据；最后将基于所述优化指标数据的风险类型信息输入至训练完备的风险评估模型进行风险评估，得到项目管理系统的风险值，其中所述风险评估模型包括对预设决策树输出的初始风险值、预设支持向量机输出的初始风险值和预设神经网络输出的初始风险值进行均值化处理的均值模块。本发明通过对项目评价指标的提取和权重分配及指标处理，并以优化后的指标为输入参数，以及机器学习模型为风险评估模型，极大提高了项目风险管理的效率和准确性。