[发明专利]一种基于人工智能的卫生监督执法自由裁量算法

摘要

本发明公开了一种基于人工智能的卫生监督执法自由裁量算法，制定了一种处罚裁量等级机制，建立管理相对人、规范用语、违法行为影响危害后果、处罚金额范围四者之间的关系库，建立了全国优秀案例库并用于训练模型，实现了高度的数据共享与有效利用，构建了一种基于优秀案例样本数据来预测新的处罚案件处罚金额的算法模型，辅助执法人员准确行使卫生监督行政处罚自由裁量权，科学执法科学决策。本发明解决了卫生行政执法中执法人员单凭个人主观意识和经验无法准确行使行政处罚自由裁量权的问题。

主权项

1.一种基于人工智能的卫生监督执法自由裁量算法，其特征在于，包括以下步骤：步骤S1，建立算违法行为库；违法行为库由规范用语代码，罚款金额的范围组成，且规范用语代码和罚款金额范围存在预定的映射关系，并通过one‑hot编码；步骤S2，建立处罚裁量等级机制；设定4个裁量等级，1代表轻微、2代表一般、3代表较重、4代表严重；并根据管理相对人的性质进行等级划分，总共分为3个等级，1代表公民、2代表法人、3代表其他组织；步骤S3，整合违法行为库和处罚裁量等级机制，建立管理相对人、规范用语、违法行为危害影响后果、处罚金额范围四者之间的关系库建立管理相对人、规范用语、违法行为危害影响后果、处罚金额范围四者之间的关系库；步骤S4，建立全国优秀案例库，通过各省的案件分享功能与案件评查筛选优秀的处罚案例；步骤S5，搭建神经网络，并采用多层感知机模型进行训练，建立处罚裁量算法模型；多层感知机深度学习模型的结构，分为输入层、隐藏层和输出层，模型输入层尺寸为特征的尺寸，由输出只有一个神经元节点，并且最后一层只需线性变换，无需激活函数；步骤S6，从S4的优秀案件数据中提取模型所需要的管理相对人等级、规范用语代码、违法行为的等级、本案违法行为在管理相对人历史案件中出现的频次，调用S3中建立的关系库，获取罚款范围，建立自由裁量模型输入的矩阵，案件的实际罚款金额作为输出，80％案件数据用于训练，20％用于结果验证；对输入的张量利用Embedding转为高维向量，然后连接到全连接网络中，使用Dropout防止过拟合，激活函数使用ReLu，优化算法使用Adam优化算法，相对于小批量随机梯度下降(SGD)，对学习率相对不那么敏感，损失函数使用均方误差(MSE)，均方误差越小表示预测效果越好；步骤S7，调整算法模型运行状态，由训练模式改为预测模式，从新的处罚案件中提取S5中确定的模型输入所需要的数据以及违法行为在管理相对人的历史案件中出现的频次，通过one‑hot编码进行数据转换，转换为模型输入所需的矩阵，调用算法模型预测处罚金额，并根据案件违反的规范用语调取类似案例，一并推送给执法人员作为参考，辅助执法人员进行决策。