本申请实施例涉及采矿与安全科学，涉及但不限于一种事故风险预测方法、装置、电子设备及计算机程序产品。
背景技术：
1、事故风险预测是指通过对历史事故数据和相关事故风险因素的分析，识别出导致事故发生的潜在风险因素，并预测未来可能发生事故的概率的方法。
2、在相关技术中，通过贝叶斯算法、灰色预测算法、神经网络法等多种方法进行事故风险预测，但是，贝叶斯算法过于依赖人为经验，灰色预测算法的定性分析力度不足，神经网络法需要大量的事故数据样本，从而导致相关技术对于事故风险预测的精度较低。
技术实现思路
1、本申请实施例提供一种事故风险预测方法、装置、电子设备及计算机程序产品，能够通过马尔科夫链和贝叶斯网络相结合，提升事故风险的预测精度。
2、本申请实施例的技术方案是这样实现的：
3、本申请实施例提供一种事故风险预测方法，包括：获取预设的矿山集合对应的至少一个事故风险因素；获取预设的马尔科夫链和贝叶斯网络；基于所述马尔科夫链和所述贝叶斯网络，确定每一事故风险因素造成事故的事故概率；基于待分析矿山对应每一所述事故风险因素的权重参数和所述事故概率，对所述待分析矿山进行事故风险预测。
4、本申请实施例提供一种事故风险预测装置，包括：获取模块，用于获取预设的矿山集合对应的至少一个事故风险因素；所述获取模块还用于：获取预设的马尔科夫链和贝叶斯网络；事故概率确定模块，用于基于所述马尔科夫链和所述贝叶斯网络，确定每一所述事故风险因素造成事故的事故概率；事故风险预测模块，用于基于待分析矿山对应每一所述事故风险因素的权重参数和所述事故概率，对所述待分析矿山进行事故风险预测。
5、在一些实施例中，所述获取模块还用于：获取所述矿山集合中的每一矿山在预设历史时间段内的历史事故相关数据。
6、在一些实施例中，所述装置还包括贝叶斯网络构建模块，用于基于所述事故风险因素和所述每一矿山在预设历史时间段内的历史事故相关数据，构建贝叶斯网络。
7、在一些实施例中，所述装置还包括马尔科夫链构建模块，用于基于对所述每一矿山在预设历史时间段内的历史事故相关数据进行统计后得到的统计数据，构建马尔科夫链。
8、在一些实施例中，所述获取模块还用于：对预设的矿山集合对应的所有事故风险因素进行统计，得到每一事故风险因素的发生频率；根据预设的事故发生频率阈值和所述每一事故风险因素的发生频率，从所述预设的矿山集合对应的所有事故风险因素中，筛选出所述至少一个事故风险因素。
9、在一些实施例中，所述贝叶斯网络构建模块还用于：基于所述事故风险因素和所述每一矿山在预设历史时间段内的历史事故相关数据生成多个网络节点，其中，至少两个网络节点之间存在因果关系；通过因果推断方法确定所述多个网络节点之间的所述因果关系；基于所述因果关系将所述事故风险因素与所述每一矿山在预设历史时间段内的历史事故相关数据进行关联，得到所述事故风险因素与所述每一矿山在预设历史时间段内的历史事故相关数据之间的关联关系；基于所述关联关系构建所述贝叶斯网络。
10、在一些实施例中，所述马尔科夫链构建模块还用于：对所述每一矿山在预设历史时间段内的历史事故相关数据进行统计，得到统计数据；基于所述统计数据，计算所述历史事故相关数据中的至少两个事故风险因素之间的转移概率；基于所述转移概率构建概率转移矩阵；根据所述概率转移矩阵构建所述马尔科夫链。
11、在一些实施例中，所述马尔科夫链构建模块还用于：在所述统计数据中进行随机抽取，得到随机统计数据序列；对所述随机统计数据序列进行预设性能分析，得到预设性能分析结果；当所述预设性能分析结果表明所述随机统计数据序列具有预设性能时，根据所述概率转移矩阵构建所述马尔科夫链。
12、在一些实施例中，所述事故概率确定模块还用于：针对每一所述事故风险因素，基于所述马尔科夫链确定所述事故风险因素的预测因素发生概率；将所述预测因素发生概率输入至所述贝叶斯网络中；通过所述贝叶斯网络中的似然函数，对所述事故风险因素的预测因素发生概率进行后验计算，得到所述事故风险因素的后验概率；基于所述后验概率，确定所述事故风险因素造成事故的事故概率。
13、在一些实施例中，所述装置还包括预测因素发生概率确定模块，用于针对每一所述事故风险因素，基于所述统计数据，确定所述事故风险因素在所述历史时间段内的历史因素发生概率；从所述马尔科夫链对应的概率转移矩阵中选择与所述事故风险因素对应的目标转移概率；基于所述历史因素发生概率和所述目标转移概率，确定所述事故风险因素的预测因素发生概率。
14、本申请实施例提供一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现上述的事故风险预测方法。
15、本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行所述可执行指令时，实现上述的事故风险预测方法。
16、本申请实施例提供一种计算机程序产品，该计算机程序产品包括可执行指令，可执行指令存储在计算机可读存储介质中；其中，电子设备的处理器从计算机可读存储介质中读取可执行指令，并执行可执行指令时，实现上述的事故风险预测方法。
17、本申请实施例具有以下有益效果：
18、在进行事故风险预测时，首先，获取预设的矿山集合对应的至少一个事故风险因素；然后，获取预设的马尔科夫链和贝叶斯网络；接着，基于马尔科夫链和贝叶斯网络，确定每一事故风险因素造成事故的事故概率；最后，基于待分析矿山对应每一事故风险因素的权重参数和事故概率，对待分析矿山进行事故风险预测。由此可见，本申请实施例的事故风险预测方法，通过将马尔科夫链和贝叶斯网络进行结合，确定每一事故风险因素造成事故的事故概率，再结合每一事故风险因素的权重参数，对待分析矿山进行事故风险预测，能够有效的提升事故风险的预测精度。
1.一种事故风险预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取预设的矿山集合对应的至少一个事故风险因素，包括：
3.根据权利要求1所述的方法，其特征在于，在获取预设的马尔科夫链和贝叶斯网络之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述事故风险因素和所述每一矿山在预设历史时间段内的历史事故相关数据，构建贝叶斯网络，包括：
5.根据权利要求3所述的方法，其特征在于，所述基于对所述每一矿山在预设历史时间段内的历史事故相关数据进行统计后得到的统计数据，构建马尔科夫链，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述概率转移矩阵构建所述马尔科夫链，包括：
7.根据权利要求1所述的方法，其特征在于，所述基于所述马尔科夫链和所述贝叶斯网络，确定每一所述事故风险因素造成事故的事故概率，包括：
8.根据权利要求7所述的方法，其特征在于，所述针对每一所述事故风险因素，基于所述马尔科夫链确定所述事故风险因素的预测因素发生概率，包括：
9.一种事故风险预测装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，包括：
11.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于引起处理器执行所述可执行指令时，实现权利要求1至8任一项所述的事故风险预测方法。
12.一种计算机程序产品，包括计算机可执行指令或计算机程序，其特征在于，所述计算机可执行指令或计算机程序被处理器执行时实现权利要求1至8任一项所述的事故风险预测方法。
