| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第10-13页 |
| 1.1 课题背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文结构 | 第11-13页 |
| 第二章 事故隐患概率预测相关技术研究 | 第13-29页 |
| 2.1 事故隐患预测问题的研究背景 | 第13-16页 |
| 2.1.1 事故的定义与特征 | 第13-14页 |
| 2.1.2 隐患事故预测的原理 | 第14页 |
| 2.1.3 隐患事故预测的过程 | 第14-16页 |
| 2.2 解决事故隐患预测问题的模型方法 | 第16-22页 |
| 2.2.1 事故预测的经典方法 | 第16-19页 |
| 2.2.2 经典Logistics Regression模型算法 | 第19-20页 |
| 2.2.3 改进回归模型GBDT算法 | 第20-22页 |
| 2.3 求解模型最优解的优化方法 | 第22-24页 |
| 2.3.1 梯度下降法 | 第22-23页 |
| 2.3.2 牛顿法与拟牛顿法 | 第23-24页 |
| 2.4 建模的泛化性分析 | 第24-25页 |
| 2.5 事故隐患预测的效果评估 | 第25-28页 |
| 2.5.1 评价方法 | 第25-26页 |
| 2.5.2 评定指标 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 隐患报告文本分类算法的相关技术分析 | 第29-38页 |
| 3.1 文本分类的任务与流程 | 第29-30页 |
| 3.2 文本数据预处理 | 第30-32页 |
| 3.2.1 文本分词 | 第30-31页 |
| 3.2.2 文本过滤 | 第31-32页 |
| 3.3 构造文本特征 | 第32-36页 |
| 3.3.1 经典词袋模型 | 第32-33页 |
| 3.3.2 TF-IDF特征算法 | 第33-34页 |
| 3.3.3 Word2Vec词向量特征算法 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 事故隐患自分类算法对比实验 | 第38-43页 |
| 4.1 隐患事故文本分类实验流程 | 第38-39页 |
| 4.2 使用Word2Vec特征进行隐患文本分类 | 第39-41页 |
| 4.3 使用TF-IDF特征进行隐患文本分类 | 第41页 |
| 4.4 实验效果对比与分析 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 隐患概率预测与风险评估 | 第43-51页 |
| 5.1 隐患概率预测实验流程 | 第43-45页 |
| 5.2 使用传统Logistics Regression进行预测实验 | 第45页 |
| 5.3 使用改进GBDT模型进行预测实验 | 第45-46页 |
| 5.4 预测结果对比与分析 | 第46-48页 |
| 5.5 依据概率进行风险评估 | 第48-50页 |
| 5.6 本章小结 | 第50-51页 |
| 第六章 结束语 | 第51-54页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间发表的学术论文 | 第57页 |