一种基于大数据多模态的企业项目管理系统及方法与流程

本发明属于企业项目管理系统，尤其涉及一种基于大数据多模态的企业项目管理系统及方法。

背景技术：

1、当前企业研发项目管理普遍依靠线下台账、人工归档的传统模式，企业在项目立项、研发日志填写、试验记录留存、研发费用归集全流程中产生大量结构化指标数据与非结构化文本资料，各类数据分散存储、互不关联，管理人员只能依托人工梳理台账、凭借过往经验判断研发风险，不仅流程繁琐、人力成本高昂，还难以挖掘多维度数据背后隐藏的合规与进度隐患。现有智能化项目风控方案大多仅采用单一维度数据搭配固定阈值开展异常判别，无法适配研发立项、迭代开发、试验测试等不同阶段的动态工况，容易受人工录入偏差、台账漏填等数据干扰产生大量误报，同时仅能识别表层数值异常，无法完整追溯偏差产生的底层诱因，风险分析缺少完整可解释的逻辑链条。

2、现阶段面向研发场景的风险分析模型普遍存在场景适配性不足的问题，针对研发费用归集异常、试验数据偏差、研发周期延误、团队协同滞后等小众、临界风险场景的样本储备匮乏，模型判定规则长期固化，无法结合企业研发业务变化自主迭代优化。多数管理系统仅简单完成数据关联统计，无法区分数据表面相关性与真实业务因果逻辑，容易出现伪关联特征干扰风险研判结果，且缺少人机协同的样本沉淀、数据扩充与定向训练闭环，难以持续提升研发异常识别、根因溯源的精准度，无法满足企业研发流程标准化搭建、研发费用合规管控、研发项目全流程精细化管理的实际业务需求。

技术实现思路

1、鉴于上述提及的问题，结合本发明的第一方面，本发明实施例提供一种基于大数据多模态的企业项目管理方法，所述方法包括：

2、对项目多模态异构数据实施模态分层解耦式差异化特征挖掘，针对结构化时序数据、文本数据、视听多媒体数据三类模态分别采用特征提取策略，独立挖掘各模态对应的项目风险关联特征，并对各模态原始特征执行模态内降噪过滤，剔除冗余噪声与无效波动特征，获得无交叉干扰的多模态纯净特征集合；

3、建立跨模态数据精准对齐机制，以项目唯一工序标识为绑定主键，对同源项目任务下的多类异构数据进行主体、场景、时间维度统一关联校准，通过时序修正与空间匹配算法剔除异源无关数据；

4、构建统计动态阈值与业务刚性阈值融合的双层风险判定机制，依托历史数据分布特征生成适配项目动态变化的波动阈值，结合行业与制度标准配置固定业务阈值，通过双条件联合约束完成真实风险与正常数据波动的精准区分；

5、构建项目风险因果知识体系并引入因果推理网络，基于历史风险案例建立特征因果关联关系，通过因果结构学习剔除伪关联特征，结合反向溯源推理实现风险表象与本质诱因的分层解析；

6、建立人机协同的风险研判自迭代优化闭环，对模型研判结果进行样本分类标注与回灌训练，结合风险场景样本增强策略，持续迭代更新模型推理权重、特征筛选规则与风险判定参数；

7、采用多模态特征交叉验证与投票融合研判机制，以单模态异常为疑似线索、多模态同源特征联合校验为判定依据，通过多维度特征一致性约束甄别数据噪声与真实风险。

8、再一方面，本发明实施例还提供一种基于大数据多模态的企业项目管理系统，其特征在于，包括：

9、处理器；机器可读存储介质，用于存储所述处理器的机器可执行指令；其中，所述处理器配置为经由执行所述机器可执行指令来执行上述的基于大数据多模态的企业项目管理方法。

10、再一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括机器可执行指令，所述机器可执行指令存储在计算机可读存储介质中，计算机设备的处理器从所述计算机可读存储介质读取所述机器可执行指令，所述处理器执行所述机器可执行指令，使得所述计算机设备执行上述的基于大数据多模态的企业项目管理方法。

11、基于以上方面，通过对多模态异构数据实施分层解耦、跨维度对齐与双层阈值联合判定，有效解决传统单一维度研判易受数据噪声干扰、误报率高的问题。依托因果结构学习剔除伪关联特征，并搭建四级反向溯源架构，实现从表层异常、中层偏差到底层本质根因的逐层解析，让风险研判具备完整因果逻辑与可解释性，大幅提升项目风险识别、甄别与溯源的精准度，能够全面适配项目不同阶段的动态工况变化。

12、本发明构建了集样本沉淀、数据增强、分层训练、参数更新于一体的人机协同自迭代闭环，持续补齐小众、临界、极端场景样本短板，定向优化模型推理权重、特征规则与判定参数。结合多模态交叉验证与投票融合机制进一步强化抗干扰能力，使系统可随项目工况、风险类型的变化自主进化，长期保持稳定的风控能力，全面满足企业项目全流程智能化、精细化、动态化的风险管理需求。

1.一种基于大数据多模态的企业项目管理方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种基于大数据多模态的企业项目管理方法，其特征在于：所述建立跨模态数据精准对齐机制，以项目唯一工序标识为绑定主键，对同源项目任务下的多类异构数据进行主体、场景、时间维度统一关联校准，通过时序修正与空间匹配算法剔除异源无关数据，包括：

3.根据权利要求1所述的一种基于大数据多模态的企业项目管理方法，其特征在于：所述构建统计动态阈值与业务刚性阈值融合的双层风险判定机制，依托历史数据分布特征生成适配项目动态变化的波动阈值，结合行业与制度标准配置固定业务阈值，通过双条件联合约束完成真实风险与正常数据波动的精准区分，包括：

4.根据权利要求3所述的一种基于大数据多模态的企业项目管理方法，其特征在于：所述建立动态波动容忍与刚性规则约束相结合的双层递进式风险校验机制，以统计动态阈值界定项目正常数据波动容忍范围，以业务刚性阈值界定项目违规风险判定边界，对实时采集的项目多模态指标数据进行双阈值分层联合校验，根据指标数值分别处于动态阈值区间、刚性阈值边界的不同层级状态，区分正常工况波动、轻微异常波动与真实违规风险，实现分级判定、差异化处理与精准风险甄别，包括：

5.根据权利要求3所述的一种基于大数据多模态的企业项目管理系统及方法，其特征在于：所述构建双阈值动态迭代更新机制，基于项目实时运行数据与人工校验样本持续迭代优化工况基准数据分布特性，周期性自适应更新动态统计阈值，使波动容忍区间适配项目实时工况变化，同时固化业务刚性阈值规则参数，保持合规判定边界恒定，依托动态自适应约束与固定刚性约束的协同判别逻辑，包括：

6.根据权利要求1所述的一种基于大数据多模态的企业项目管理方法，其特征在于：所述构建项目风险因果知识体系并引入因果推理网络，基于历史风险案例建立特征因果关联关系，通过因果结构学习剔除伪关联特征，结合反向溯源推理实现风险表象与本质诱因的分层解析，包括：

7.根据权利要求6所述的一种基于大数据多模态的企业项目管理方法，其特征在于：所述构建多模态因果推理网络模型结构，以预处理得到的多模态纯净特征向量作为网络输入层，以项目各类风险事件为观测变量，以项目各类潜在风险诱因作为隐变量，构建适配项目管理场景的因果结构图，通过因果结构学习算法对海量多模态特征数据进行遍历训练，挖掘各特征变量之间的条件独立关系与真实因果边，计算各特征相对风险事件的因果关联度，筛选得到高关联因果特征，剔除仅存在统计学相关、无实际业务因果逻辑的伪关联特征、噪声特征及冗余干扰特征，包括：

8.根据权利要求6所述的一种基于大数据多模态的企业项目管理系统及方法，其特征在于：所述搭建多层级反向溯源推理链路，基于构建完成的因果结构与提纯后的因果特征，构建包含观测层、现象层、诱因层、根因层的四级反向推理架构，将识别到的项目风险异常特征作为观测层表层现象，逐层反向推演各级影响因子，先识别风险对应的表层直接异常因素，再拆解表层异常背后的过程偏差、资源偏差、管理偏差、执行偏差等中层诱发因素，最终定位至制度流程、人员协同、物料设备、方案设计、研发流程操作对应的底层本质风险根因，包括：

9.根据权利要求1所述的一种基于大数据多模态的企业项目管理方法，其特征在于：所述建立人机协同的风险研判自迭代优化闭环，对模型研判结果进行样本分类标注与回灌训练，结合风险场景样本增强策略，持续迭代更新模型推理权重、特征筛选规则与风险判定参数，包括：

10.一种基于大数据多模态的企业项目管理系统，其特征在于，包括：