CN103020736A - 一种基于异构系统集成的信息挖掘与进度预测方法 - Google Patents

一种基于异构系统集成的信息挖掘与进度预测方法 Download PDF

Info

Publication number
CN103020736A
CN103020736A CN2012105346399A CN201210534639A CN103020736A CN 103020736 A CN103020736 A CN 103020736A CN 2012105346399 A CN2012105346399 A CN 2012105346399A CN 201210534639 A CN201210534639 A CN 201210534639A CN 103020736 A CN103020736 A CN 103020736A
Authority
CN
China
Prior art keywords
progress
data
task
information
regression
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012105346399A
Other languages
English (en)
Other versions
CN103020736B (zh
Inventor
仇原鹰
常建涛
孔宪光
邵晓东
李申
盛英
殷磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201210534639.9A priority Critical patent/CN103020736B/zh
Publication of CN103020736A publication Critical patent/CN103020736A/zh
Application granted granted Critical
Publication of CN103020736B publication Critical patent/CN103020736B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于异构系统集成的信息挖掘与进度预测方法。当前的多个异构系统下的项目或任务进度估算主要存在如下问题：①未实现异构系统的统一集成和信息共享；②对各个系统进度信息挖掘的深度不够；③没有一套完整的进度预测方法。本发明实现异构信息系统的集成，进而建立数据仓库，通过数据挖掘得到相应的项目或任务进度信息，将获取的进度信息代入多元线性回归模型，通过优化，得到更加准确的数学模型，将项目或任务的进度通过模型计算出来，再通过数据库底层技术以及C++Builder的可视化控件，使得显示出来的图形直观，易读。本发明将多元线性回归模型引入到项目或任务的进度预测的算法中，提高了进度预测的准确性。

Description

一种基于异构系统集成的信息挖掘与进度预测方法
技术领域
本发明涉及一种基于异构系统集成的信息挖掘与进度预测方法。
背景技术
所谓“异构系统集成”，是指将不同数据库平台、不同厂商提供的系统，有机的集成在一起，实现信息的共享和相互通信。所谓“信息挖掘与进度估算”，是在异构系统集成的基础上挖掘出与一个项目或任务相关信息和数据，运用科学的数学模型估算出任务或项目的进展情况。
在工程应用中，广泛存在着基于异构系统集成的信息挖掘与进度估算需求。例如在产品设计和生产中，存在着各种软件，如CAPP（计算机辅助工艺系统）PDM（产品数据管理系统）、ERP（企业资源计划系统）、MES（制造执行系统）、WMS（库房管理系统），这些软件的信息量很大，结构非常复杂，因此需要用一套方法来挖掘出有用的信息，并用科学的数学模型将产品设计和生产的进度估算出来，而当前只是根据计划制定人员和生产人员的片面描述或者单个系统的片面数据估算来产品的进度的情况。在其他领域，如建筑、服装、各类办公等行业中，也在使用各种各样的异构软件系统，也存在着工程进度或任务进度的估算问题。
当前的多个异构系统下的项目或任务进度估算主要存在如下问题：①未实现异构系统的统一集成和信息共享。当前各个领域的异构系统（如产品设计生产中的ERP、MES、CAPP、WMS）等自成体系并相互孤立，很难实现多个系统的集成，故综合的挖掘进度信息相当困难。②对各个系统进度信息挖掘的深度不够。当前，各个行业中，并没有将各个异构系统集成起来对进度信息的挖掘，只是片面的获取某个或某几个系统的数据，这对于项目或任务进度的估算是不够准确的。例如零件的生产进度，需要通过对ERP、MES、CAPP、WMS系统中成百上千的流程信息、工序信息、入库信息等数据进行深入处理，这样才能最终得到项目或任务的进度信息。③没有一套完整的进度预测方法。当前各个行业的项目进度和任务进度都是一种大概的估计，没有一种科学的数学模型作为预测依据，本方法利用多元线性回归模型作为预测的办法，具有较高的准确性和实用性。
发明内容
本发明的目的是提供一种基于异构系统集成的信息挖掘与进度预测方法。
为实现上述目的，本发明采用的技术方案为：
一种基于异构系统集成的信息挖掘与进度预测方法，所述的方法如下：
（1）、首先连接异构系统的各个数据库，实现异构系统的集成，进而建立数据仓库；
（2）、通过数据挖掘得到相应的项目或任务进度信息；
（3）、将获取的进度信息代入多元线性回归模型，通过优化验证，得到准确的数学模型，将项目或任务的进度通过模型计算出来，
（4）、通过数据库底层技术以及C++Builder的可视化控件，将挖掘出来的进度相关数据直观的展示出来。
上述的步骤（1）中建立数据仓库，其建立的步骤方法和步骤如下如下：
1）收集和分析业务需求； 
2）建立数据模型和数据仓库的物理设计； 
3）定义数据源； 
4）选择数据仓库技术和平台； 
5）从操作型数据库中抽取、净化、和转换数据到数据仓库； 
6）选择访问和报表工具； 
7）选择数据库连接软件； 
8）选择数据分析和数据展示软件； 
9)更新数据仓库 。 
上述的步骤（2）中：运用数据挖掘的方法，从数据集成平台上获取与项目或任务进度估算相关的数据，对比一下获取的数据是否符合要求，如果不符合要求，需要重新获取数据，如果符合要求，则建立任务自动分解模板；
数据挖掘的算法方面，采用的是关联规则挖掘的Apriori算法，步骤如下：
1）  首先扫描数据库，对每个项目进行计数
2）  得到第1阶段的候选项目集，并判断是否大于最小支持度
3）  如果大于最小支持度，则生成第1阶段频繁项目集
4）  运用Apriori-Gen算法进行运算，得到第2阶段候选项目集
5）  扫描数据库，对每个项目进行计数，并判断是否大于最小支持度
6）  若大于最小支持度，则生成第2阶段频繁项目集；反之，则算法结束
7）  重复5）、6）步骤，生成第K+1阶段频繁项目集直至算法结束。
上述的步骤（3）中，运用多元线性回归模型建立项目或进度的改进多元线性回归模型；设因变量为                                                
Figure 2012105346399100002DEST_PATH_IMAGE001
，自变量为
Figure 495825DEST_PATH_IMAGE002
，自变量共有
Figure 2012105346399100002DEST_PATH_IMAGE003
个，他们的
Figure 859811DEST_PATH_IMAGE004
组观测值为： 
Figure 2012105346399100002DEST_PATH_IMAGE005
                (1)
写成矩阵形式为：
Figure 689226DEST_PATH_IMAGE006
其中
Figure DEST_PATH_IMAGE007
Figure 669821DEST_PATH_IMAGE008
是多元线性回归的未知参数，即回归系数。采用最小二乘法估计其值，最小二乘法是使估计值与观测值
Figure 508464DEST_PATH_IMAGE010
之间的残差在所有样本点上达到最小。
Figure DEST_PATH_IMAGE011
            (2)
其中，
Figure 258114DEST_PATH_IMAGE012
。
根据微分学中求极值的原理可以得到当
Figure DEST_PATH_IMAGE013
存在时，有，这就是
Figure 132846DEST_PATH_IMAGE008
的最小二乘估计，有了回归系数的最小二乘估计，就可以得到反映回归效果的5个参数，即残差平方和
Figure DEST_PATH_IMAGE015
、回归平方和、值统计量
Figure 113757DEST_PATH_IMAGE018
、相关系数
Figure DEST_PATH_IMAGE019
和
Figure 675189DEST_PATH_IMAGE020
值统计量
Figure DEST_PATH_IMAGE021
。
Figure 974583DEST_PATH_IMAGE022
                          (3)
式中，
Figure DEST_PATH_IMAGE023
为第个样本点
Figure 545242DEST_PATH_IMAGE024
上的回归值。
 
Figure DEST_PATH_IMAGE025
                           (4)
式中，为
Figure 877183DEST_PATH_IMAGE010
的样本平均值。
Figure DEST_PATH_IMAGE027
                         (5)
Figure 663873DEST_PATH_IMAGE028
                           (6)
Figure DEST_PATH_IMAGE029
                   (7)
Figure 507064DEST_PATH_IMAGE030
              (8)
其中，相关系数
Figure DEST_PATH_IMAGE031
表示回归方程对原有数据拟合程度的好坏，越接近1说明回归效果越好，
Figure 226759DEST_PATH_IMAGE017
值统计量表示了多元线性回归方程的显著性，该值服从
Figure 536517DEST_PATH_IMAGE017
分布。它们必须满足一定的显著性检验要求在回归效果较差的情况下，根据
Figure 935138DEST_PATH_IMAGE032
的大小采用后推法依次剔除不显著的自变量，用剩余的显著性因素再次进行回归分析，最后其回归结果就确定了项目或任务进度的预测模型。
上述的步骤（4）中，通过数据库底层技术以及C++Builder的可视化控件，如DBChart_Bar、DBChart_Gantt、DBChart_Pie可以将挖掘出来的进度相关数据直观的展示出来；可视化区域通过指定Windows组件：Form、Panel、ScrollBox、PageControl的设置，使得显示出来的图形直观，易读。
与现有技术相比，本发明的有益效果：
1、建立异构系统集成平台，通过此平台可以通过数据挖掘的Apriori算法获取综合的项目或任务的进度信息。
2、封装了接口函数的使用，提高了技术的重用性和可移植性，可跨平台应用。
3、将“多元线性回归模型”引入到项目或任务的进度预测的算法中，提高了进度预测的准确性。
附图说明
图1是任务或项目进度估算基本思想；
图2是任务或项目进度估算的详细算法；
图3是 Apriori算法流程图；
图4是异构信息平台建立与进度信息函数封装；
图5为项目或任务进度显示。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明是一种基于异构系统集成的信息挖掘与进度估算方法。该技术首先实现异构信息系统的集成，进而建立数据仓库，通过数据挖掘得到相应的项目或任务进度信息，将获取的进度信息代入多元线性回归模型，通过优化，得到更加准确的数学模型，将项目或任务的进度通过模型计算出来，再通过数据库底层技术以及C++Builder的可视化控件，如DBChart_Bar、DBChart_Gantt、DBChart_Pie可以将挖掘出来的进度相关数据直观的展示出来。可视化区域通过指定Windows组件（Form、Panel、ScrollBox、PageControl）设置，使得显示出来的图形直观，易读。
该技术可在Microsoft Windows98/2000/XP/NT等平台下运行，适用的数据库平台包括ORACLE/SQLSEVER2000/SQLSEVER2005/MYSQL等。
参见图1，任务或项目进度估算的基本思路：首先建立异构信息化系统的数据库底层集成平台，之后建立项目或任务的自动分解模板，根据一定的规则进行任务自动分解，接下来建立异构系统统一信息模型，进而建立可供挖掘进度信息的数据仓库，根据相关的规则从数据仓库中挖掘进度信息，若挖掘出的信息不合理，则重复此挖掘步骤，若信息对比合理，即利用多元线性回归模型进行项目或任务进度估算，并最终转换为直观的可视化图形。在转换为直观图形时，运用到三种技术，即饼状图可视化技术、甘特图可视化技术和柱状图可视化技术。   
参见图2，图2即任务或项目进度估算的详细算法，其主要步骤如下：
Step1：首先需要连接异构系统的各个数据库，实现异构系统的集成（如ERP、MES、PDM等），在此基础上建立底层数据库的异构集成平台。异构信息集成平台的构建方面，我们采用数据仓库技术。其建立的步骤方法和步骤如下：
1）收集和分析业务需求。 
2）建立数据模型和数据仓库的物理设计。 
3）定义数据源。 
4）选择数据仓库技术和平台。 
5）从操作型数据库中抽取、净化、和转换数据到数据仓库。 
6）选择访问和报表工具。 
7）选择数据库连接软件。 
8）选择数据分析和数据展示软件。 
9)更新数据仓库 。 
Step2：运用数据挖掘的方法，从数据集成平台上获取与项目或任务进度估算相关的数据，对比一下获取的数据是否符合要求，如果不符合要求，需要重新获取数据，如果符合要求，则建立任务自动分解模板。数据挖掘的算法方面，采用的是关联规则挖掘的Apriori算法，Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递归的方法。
算法的流程图参见图3，图3是 Apriori算法流程图；
Step3：运用多元线性回归模型建立项目或进度的改进多元线性回归模型。设因变量为
Figure 988544DEST_PATH_IMAGE001
，自变量为
Figure 31587DEST_PATH_IMAGE002
，自变量共有
Figure 512246DEST_PATH_IMAGE003
个，他们的
Figure 929321DEST_PATH_IMAGE004
组观测值为： 
Figure 989681DEST_PATH_IMAGE005
                (1)
写成矩阵形式为：
Figure 949547DEST_PATH_IMAGE006
其中
Figure 194584DEST_PATH_IMAGE007
Figure 974321DEST_PATH_IMAGE008
是多元线性回归的未知参数，即回归系数。采用最小二乘法估计其值，最小二乘法是使估计值
Figure 838372DEST_PATH_IMAGE009
与观测值
Figure 652744DEST_PATH_IMAGE010
之间的残差在所有样本点上达到最小。
Figure 803102DEST_PATH_IMAGE011
            (2)
其中，
Figure 70136DEST_PATH_IMAGE012
。
根据微分学中求极值的原理可以得到当
Figure 3457DEST_PATH_IMAGE013
存在时，有
Figure 672335DEST_PATH_IMAGE014
，这就是
Figure 259174DEST_PATH_IMAGE008
的最小二乘估计，有了回归系数的最小二乘估计，就可以得到反映回归效果的5个参数，即残差平方和、回归平方和
Figure 219357DEST_PATH_IMAGE016
、
Figure 742742DEST_PATH_IMAGE017
值统计量
Figure 766062DEST_PATH_IMAGE018
、相关系数和
Figure 17232DEST_PATH_IMAGE020
值统计量。
Figure 589345DEST_PATH_IMAGE022
                          (3)
式中，
Figure 52687DEST_PATH_IMAGE023
为第个样本点
Figure 865922DEST_PATH_IMAGE024
上的回归值。
 
Figure 98320DEST_PATH_IMAGE025
                           (4)
式中，
Figure 197863DEST_PATH_IMAGE026
为
Figure 148502DEST_PATH_IMAGE010
的样本平均值。
Figure 765428DEST_PATH_IMAGE027
                         (5)
Figure 117912DEST_PATH_IMAGE028
                           (6)
Figure 653936DEST_PATH_IMAGE029
                   (7)
Figure 91870DEST_PATH_IMAGE030
              (8)
其中，相关系数
Figure 981329DEST_PATH_IMAGE031
表示回归方程对原有数据拟合程度的好坏，越接近1说明回归效果越好，值统计量表示了多元线性回归方程的显著性，该值服从分布。它们必须满足一定的显著性检验要求在回归效果较差的情况下，根据
Figure 86054DEST_PATH_IMAGE032
的大小采用后推法依次剔除不显著的自变量，用剩余的显著性因素再次进行回归分析，最后其回归结果就确定了项目或任务进度的预测模型。
Step4：项目或任务的进度演示。即利用信息的可视化方法，如直方图、甘特图、趋势图、折线图等，显示项目或任务进度信息。
考虑到技术的重用性与各个不同开发平台之间的可移植性，我们将该技术用到的控件和API封装起来，从而实现功能需求上的“即插即用”。下面以产品的生产进度和Windows环境下C++Builder开发工具为例，说明项目或任务信息获取函数和以及进度估算和显示的具体实施步骤，其他行业的项目或任务的信息获取，以及项目或任务进度的估算也同样运用类似的方法，只是变量和函数做一下调整，故此方法具有通用性。
1.异构信息平台的建立及进度信息函数的封装
参见图4，图4 异构信息平台建立与进度信息函数封装，我们以产品生产领域用到的异构系统为例，说明一下异构信息平台的建立、进度信息获取以及挖掘函数的封装过程，其他行业的项目或任务的信息获取也与此方法类似。
首先运用ETL（Extract/Transformation/Load）方法，从数据源（ERP、MES、PDM等异构系统）抽取出所需的数据，经过数据清洗、转换，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去，建立相应的数据仓库，即异构信息平台。在此平台上通过上述Apriori算法创建各种进度信息获取函数，算法实施的步骤如下：
（1） L1 = find_frequent_1-itemsets(D); 
　　（2） for (k=2;Lk-1 ≠Φ ;k++) { 
　　（3） Ck = apriori_gen(Lk-1 ,min_sup); 
　　（4） for each transaction t ∈ D {//scan D for counts 
　　（5） Ct = subset(Ck,t);//get the subsets of t that are candidates 
　　（6） for each candidate c ∈ Ct 
　　（7） c.count++; 
　　（8） } 
　　（9） Lk ={c ∈ Ck|c.count≥min_sup} 
　　（10） } 
　　（11） return L= ∪ k Lk;
通过上述步骤获取的函数如表1所示。
表1 决策信息获取函数
Figure DEST_PATH_IMAGE034
2. 建立多元线性回归的预测模型，因变量为项目或任务进度
Figure DEST_PATH_IMAGE036
，选择的自变量如下：
Figure DEST_PATH_IMAGE038
：任务数量
Figure DEST_PATH_IMAGE040
：产品的工序数量
Figure DEST_PATH_IMAGE042
：生产计划预定周期
Figure DEST_PATH_IMAGE044
：流转车间数量
：设备负荷率
首先根据相对简单的任务（即任务数量较少、任务权值分配较为明确）的历史数据所对应的生产进度与五个自变量的关系建立数学预测模型，并根据
Figure DEST_PATH_IMAGE048
值后推法得到改进的预测模型（可去掉
Figure 903837DEST_PATH_IMAGE040
，即产品工序数量），最后将当前的自变量代入改进的预测模型，如此可求得项目或任务的进度值。
3. 进度信息的可视化显示
在DBChart的Series选项中点击Add按钮，选择Gantt类型，则将甘特图添加到控件中。设置“DataSourceàDataSetà“DatabaseName””。用户接口函数GET_PLAN_SDATE()、GET_PLAN_FDATE()、 GET_ACTUAL_SDATE()以及GET_ACTUAL_FDATE()分别获取生产计划的预计开工日期、预计完工日期、实际开工日期、实际完工日期后，将数据插入甘特图控件，生成反映生产进度的计划的执行情况的可视化图形。
在DBChart的Series选项中点击Add按钮，选择Bar类型，则将柱状图添加到控件中。设置“DataSourceàDataSetà“DatabaseName””。运用接口函数GET_PRODUCT_QTY()、GET_REJECT_QTY()可以获取产品的投产数量和报废数量，将数据插入柱状图控件，实现反映产品生产进度的投产数量和报废数量的对比。
参见图5，最后可将利用“多元线性回归模型”计算出的生产进度用柱状图或甘特图直观显示出来。

Claims (5)

1.一种基于异构系统集成的信息挖掘与进度预测方法，其特征在于：所述的方法如下：
（1）、首先连接异构系统的各个数据库，实现异构系统的集成，进而建立数据仓库；
（2）、通过数据挖掘得到相应的项目或任务进度信息；
（3）、将获取的进度信息代入多元线性回归模型，通过优化验证，得到准确的数学模型，将项目或任务的进度通过模型计算出来，
（4）、通过数据库底层技术以及C++Builder的可视化控件，将挖掘出来的进度相关数据直观的展示出来。
2.根据权利要求1所述的一种基于异构系统集成的信息挖掘与进度预测方法，其特征在于：所述的步骤（1）中建立数据仓库，其建立的步骤方法和步骤如下如下：
1）收集和分析业务需求； 
2）建立数据模型和数据仓库的物理设计； 
3）定义数据源； 
4）选择数据仓库技术和平台； 
5）从操作型数据库中抽取、净化、和转换数据到数据仓库； 
6）选择访问和报表工具； 
7）选择数据库连接软件； 
8）选择数据分析和数据展示软件； 
9)更新数据仓库。
3.根据权利要求1所述的一种基于异构系统集成的信息挖掘与进度预测方法，其特征在于：所述的步骤（2）中：
运用数据挖掘的方法，从数据集成平台上获取与项目或任务进度估算相关的数据，对比一下获取的数据是否符合要求，如果不符合要求，需要重新获取数据，如果符合要求，则建立任务自动分解模板；
数据挖掘的算法方面，采用的是关联规则挖掘的Apriori算法，步骤如下：
1）首先扫描数据库，对每个项目进行计数
2)得到第1阶段的候选项目集，并判断是否大于最小支持度
3)如果大于最小支持度，则生成第1阶段频繁项目集
4)运用Apriori-Gen算法进行运算，得到第2阶段候选项目集
5)扫描数据库，对每个项目进行计数，并判断是否大于最小支持度
6)若大于最小支持度，则生成第2阶段频繁项目集；反之，则算法结束
7)重复5）、6）步骤，生成第K+1阶段频繁项目集直至算法结束。
4.根据权利要求1所述的一种基于异构系统集成的信息挖掘与进度预测方法，其特征在于：所述的步骤（3）中，运用多元线性回归模型建立项目或进度的改进多元线性回归模型；设因变量为y，自变量为x，自变量共有p个，他们的n组观测值为： 
Figure 991574DEST_PATH_IMAGE001
              公式(1)
写成矩阵形式为：
Figure 439872DEST_PATH_IMAGE002
其中
Figure 219610DEST_PATH_IMAGE003
Figure 614819DEST_PATH_IMAGE004
是多元线性回归的未知参数，即回归系数，采用最小二乘法估计其值，最小二乘法是使估计值
Figure 835716DEST_PATH_IMAGE005
与观测值y之间的残差在所有样本点上达到最小,
            公式(2)
其中，
Figure 925211DEST_PATH_IMAGE007
根据微分学中求极值的原理可以得到当
Figure 655270DEST_PATH_IMAGE008
存在时，有
Figure 324149DEST_PATH_IMAGE009
，这就是
Figure 973305DEST_PATH_IMAGE004
的最小二乘估计，有了回归系数的最小二乘估计，就可以得到反映回归效果的5个参数，即残差平方和(q)、回归平方和(u)、F值统计量(F)、相关系数(r)和t值统计量
Figure 727634DEST_PATH_IMAGE010
,
Figure 995805DEST_PATH_IMAGE011
                          公式(3)
式中，
Figure 519190DEST_PATH_IMAGE012
为第个样本点
Figure 949034DEST_PATH_IMAGE013
上的回归值,
 
Figure 597184DEST_PATH_IMAGE014
                           公式(4)
式中，
Figure 872308DEST_PATH_IMAGE015
为的样本平均值,
Figure 382104DEST_PATH_IMAGE017
                         公式(5)
Figure 111025DEST_PATH_IMAGE018
                           公式(6)
Figure 845632DEST_PATH_IMAGE019
                  公式(7)
Figure 343609DEST_PATH_IMAGE020
             公式(8)
其中，相关系数r表示回归方程对原有数据拟合程度的好坏，越接近1说明回归效果越好，F值统计量表示了多元线性回归方程的显著性，该值服从F分布,它们必须满足一定的显著性检验要求在回归效果较差的情况下，根据
Figure 115256DEST_PATH_IMAGE021
的大小采用后推法依次剔除不显著的自变量，用剩余的显著性因素再次进行回归分析，最后其回归结果就确定了项目或任务进度的预测模型。
5.根据权利要求1所述的一种基于异构系统集成的信息挖掘与进度预测方法，其特征在于：所述的步骤（4）中，通过数据库底层技术以及C++Builder的可视化控件，如DBChart_Bar、DBChart_Gantt、DBChart_Pie可以将挖掘出来的进度相关数据直观的展示出来；可视化区域通过指定Windows组件：Form、Panel、ScrollBox、PageControl的设置，使得显示出来的图形直观，易读。
CN201210534639.9A 2012-12-12 2012-12-12 一种基于异构系统集成的信息挖掘与进度预测方法 Expired - Fee Related CN103020736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210534639.9A CN103020736B (zh) 2012-12-12 2012-12-12 一种基于异构系统集成的信息挖掘与进度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210534639.9A CN103020736B (zh) 2012-12-12 2012-12-12 一种基于异构系统集成的信息挖掘与进度预测方法

Publications (2)

Publication Number Publication Date
CN103020736A true CN103020736A (zh) 2013-04-03
CN103020736B CN103020736B (zh) 2016-03-23

Family

ID=47969318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210534639.9A Expired - Fee Related CN103020736B (zh) 2012-12-12 2012-12-12 一种基于异构系统集成的信息挖掘与进度预测方法

Country Status (1)

Country Link
CN (1) CN103020736B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462415A (zh) * 2014-12-12 2015-03-25 国家电网公司 一种保护私有信息的电网大数据关联规则挖掘方法
CN106095810A (zh) * 2016-05-31 2016-11-09 哈尔滨理工大学 基于数据仓库切削参数挖掘方法
CN106951993A (zh) * 2017-03-20 2017-07-14 国网江苏省电力公司常州供电公司 一种电能量数据预估方法
CN106991524A (zh) * 2017-03-20 2017-07-28 国网江苏省电力公司常州供电公司 一种台区线损率预估方法
CN107392425A (zh) * 2017-06-15 2017-11-24 中国烟草总公司 一种烟草行业项目实施sop的管理方法及系统
CN110120873A (zh) * 2019-05-08 2019-08-13 西安电子科技大学 基于云外包交易数据的频繁项集挖掘方法
CN110858355A (zh) * 2018-08-22 2020-03-03 北京国双科技有限公司 项目预算结余预测方法及装置
CN111783308A (zh) * 2020-07-08 2020-10-16 西南交通大学 一种精确预测隧道围岩位移的方法
CN111798014A (zh) * 2019-03-21 2020-10-20 安徽海汇金融投资集团有限公司 一种应收账款债权流转业务量预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101350082A (zh) * 2008-09-04 2009-01-21 中科院成都信息技术有限公司 企业应用集成平台构建方法和体系结构
US20090228898A1 (en) * 2005-09-09 2009-09-10 Standard Life Employee Services Limited Service Oriented Architecture

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090228898A1 (en) * 2005-09-09 2009-09-10 Standard Life Employee Services Limited Service Oriented Architecture
CN101350082A (zh) * 2008-09-04 2009-01-21 中科院成都信息技术有限公司 企业应用集成平台构建方法和体系结构

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462415A (zh) * 2014-12-12 2015-03-25 国家电网公司 一种保护私有信息的电网大数据关联规则挖掘方法
CN106095810A (zh) * 2016-05-31 2016-11-09 哈尔滨理工大学 基于数据仓库切削参数挖掘方法
CN106951993A (zh) * 2017-03-20 2017-07-14 国网江苏省电力公司常州供电公司 一种电能量数据预估方法
CN106991524A (zh) * 2017-03-20 2017-07-28 国网江苏省电力公司常州供电公司 一种台区线损率预估方法
CN107392425A (zh) * 2017-06-15 2017-11-24 中国烟草总公司 一种烟草行业项目实施sop的管理方法及系统
CN110858355A (zh) * 2018-08-22 2020-03-03 北京国双科技有限公司 项目预算结余预测方法及装置
CN111798014A (zh) * 2019-03-21 2020-10-20 安徽海汇金融投资集团有限公司 一种应收账款债权流转业务量预测方法及系统
CN111798014B (zh) * 2019-03-21 2024-04-09 安徽海汇金融投资集团有限公司 一种应收账款债权流转业务量预测方法及系统
CN110120873A (zh) * 2019-05-08 2019-08-13 西安电子科技大学 基于云外包交易数据的频繁项集挖掘方法
CN110120873B (zh) * 2019-05-08 2021-04-27 西安电子科技大学 基于云外包交易数据的频繁项集挖掘方法
CN111783308A (zh) * 2020-07-08 2020-10-16 西南交通大学 一种精确预测隧道围岩位移的方法

Also Published As

Publication number Publication date
CN103020736B (zh) 2016-03-23

Similar Documents

Publication Publication Date Title
CN103020736A (zh) 一种基于异构系统集成的信息挖掘与进度预测方法
Qi et al. A systematic review of emerging technologies in industrialized construction
Huang et al. Predicting BIM labor cost with random forest and simple linear regression
CN104778540B (zh) 一种建材装备制造bom管理方法及管理系统
US20070021992A1 (en) Method and system for generating a business intelligence system based on individual life cycles within a business process
Wang et al. Information processing structures and decision making delays in MRP and JIT
AU2019245374A1 (en) Digital design tools for building construction
CN109241669A (zh) 一种自动建模方法、装置及其存储介质
Chien et al. Smart semiconductor manufacturing for pricing, demand planning, capacity portfolio and cost for sustainable supply chain management
Agyapong-Kodua et al. Towards the derivation of an integrated process cost-modelling technique for complex manufacturing systems
EP4339857A1 (en) System and method for automatically calculating quantity and construction cost of railway facilities based on building information modeling
Cha et al. A study on 3D/BIM-based on-site performance measurement system for building construction
Erden et al. Solving integrated process planning, dynamic scheduling, and due date assignment using metaheuristic algorithms
Cao et al. A graph-based approach for module library development in industrialized construction
Lu et al. Identification of Learning Effects in Modular Construction Manufacturing
KR20100034258A (ko) 디지털 팩토리를 이용한 기업 맞춤형 디지털 생산시스템 구축방법
Inzerillo et al. Exploring 4d and 5d Analysis in BIM Environment for Infrastructures: A Case Study
JP6173885B2 (ja) 工程計画支援装置及び工程計画支援方法
US20220374801A1 (en) Plan evaluation apparatus and plan evaluation method
Wefki et al. BIM-based schedule generation and optimization using genetic algorithms
Lau The role of TRIZ as an inventive tool in technology development and integration in China
CN114819886A (zh) 仿古建筑项目的构件跟踪方法和装置
KR101071908B1 (ko) 디지털 팩토리를 이용한 공장 신축 방법
Hoffmann et al. Multi-dimensional production planning using a vertical data integration approach: A contribution to modular factory design
KR20100102086A (ko) 디지털 팩토리를 이용한 기업 맞춤형 디지털 생산시스템 구축방법

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160323

Termination date: 20211212