CN108241900A - 工程项目建设周期预测方法、装置和系统 - Google Patents
工程项目建设周期预测方法、装置和系统 Download PDFInfo
- Publication number
- CN108241900A CN108241900A CN201611217584.3A CN201611217584A CN108241900A CN 108241900 A CN108241900 A CN 108241900A CN 201611217584 A CN201611217584 A CN 201611217584A CN 108241900 A CN108241900 A CN 108241900A
- Authority
- CN
- China
- Prior art keywords
- influence factor
- project
- engineering project
- vector regression
- regression model
- 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.)
- Withdrawn
Links
- 238000010276 construction Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 119
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004140 cleaning Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 51
- 238000005457 optimization Methods 0.000 claims description 50
- 238000013480 data collection Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 43
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000013277 forecasting method Methods 0.000 claims description 19
- 230000009977 dual effect Effects 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000000546 chi-square test Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了工程项目建设周期预测方法、装置和系统。其中，该方法包括：对多个工程项目的历史数据中的项目信息进行数据清洗，获取多个工程项目的持续时间数据集；对持续时间数据集，进行支持向量回归训练，生成支持向量回归模型，支持向量回归模型对工程项目建设周期实际值与持续时间数据集之间的函数关系进行拟合；根据支持向量回归模型和待预测的工程项目已有的项目信息，对待预测的工程项目的建设周期进行预测。根据本发明实施例的工程项目建设周期预测方法、装置和系统，通过建立支持向量回归模型，对工程项目的建设周期进行预测。
Description
技术领域
本发明涉及工程建设状态分析领域，尤其涉及工程项目建设周期预测方法、装置和系统。
背景技术
工程项目例如风电工程项目，普遍存在工程量较大，周期较长的特点，在建设前期对工程项目建设周期作出合理有效的预测，对于整个工程的管理和实施都有着很重要的作用。根据预测结果对工程项目进行资源调度或资源需求的调整，确保其设计合理，避免因规划、设计失误或设备选型错误造成影响工程进度和使用效果的问题，为工程项目组织管理决策的优化，帮助企业提高资产运营效率具有重要的意义。
目前，针对事件持续时间的预测方法多通过在线监控修正误差或通过概率分布函数进行预测，但是这些方法只能适用于特定领域，并不适合用于工程建设周期预测，而靠人经验判断的风电工程建设周期，效率低，准确度低。
发明内容
本发明实施例提供一种工程项目建设周期预测方法、装置和系统，通过建立持向量回归模型，实现对工程项目的建设周期进行预测。
一方面，本发明实施例提供一种工程项目建设周期预测方法，包括：对多个工程项目的历史数据中的项目信息进行数据清洗，获取多个工程项目的持续时间数据集；对持续时间数据集，进行支持向量回归训练，生成支持向量回归模型，支持向量回归模型对工程项目建设周期实际值与持续时间数据集之间的函数关系进行拟合；根据支持向量回归模型和待预测的工程项目已有的项目信息，对待预测的工程项目的建设周期进行预测。
另一方面，本发明实施例提供一种工程项目建设周期预测装置，包括：持续时间数据集获取模块，被配置为对多个工程项目的历史数据中的项目信息进行数据清洗，获取多个工程项目的持续时间数据集；支持向量回归模型生成模块，被配置为对持续时间数据集，进行支持向量回归训练，生成支持向量回归模型，支持向量回归模型对工程项目建设周期实际值与持续时间数据集之间的函数关系进行拟合；工程项目建设周期预测模块，被配置为根据支持向量回归模型和待预测的工程项目已有的项目信息，对待预测的工程项目的建设周期进行预测。
再一方面，本发明实施例提供一种工程项目建设周期预测系统，包括：存储器，被配置为存储程序；处理器，被配置为运行存储器中存储的程序，以执行以下步骤：对多个工程项目的历史数据中的项目信息进行数据清洗，获取多个工程项目的持续时间数据集；对持续时间数据集进行支持向量回归训练，生成支持向量回归模型，支持向量回归模型对工程项目建设周期实际值与持续时间数据集之间的函数关系进行拟合；根据支持向量回归模型和待预测的工程项目已有的项目信息，对待预测的工程项目的建设周期进行预测；显示器，被配置为对待预测的工程项目的建设周期的预测结果进行显示。
通过本发明实施例提供的工程项目建设周期预测方法、装置和系统，收集工程建设的项目信息，根据工程建设的历史数据进行筛选，分析，生成对应的支持向量模型，从而对未完成的在建项目或未来的工程项目的建设周期进行预测，为工程建设的实施和管理提供了重要的支持。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是示出本发明一实施例提供的工程项目建设周期预测方法的流程图。
图2是图1中生成支持向量回归模型步骤的详细的流程图。
图3是根据本发明一实施例的工程项目建设周期预测装置的结构示意图。
图4是图3中支持向量回归模型生成模块的具体的结构示意图。
图5是示出能够实现根据本发明实施例的工程项目建设周期预测方法和装置的计算设备的示例性硬件架构的结构图。
在附图中，相同的部件使用相同的附图标记。
标记说明：
300、工程项目建设周期预测装置；310、持续时间数据集获取模块；320、支持向量回归模型生成模块；330、工程项目建设周期预测模块；321、显著性影响因素筛选单元；322、训练样本获取单元；323、最优超平面构造单元；324、优化求解单元；325、回归函数构建单元；326、参数寻优单元；327、最优回归模型获取单元；
500、计算设备；501、输入设备；502、输入接口；503、处理器；504、存储器；505、输出接口；506、输出设备；510、总线。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，以风电工程建设为例，详细描述根据本发明实施例的工程项目建设周期预测方法、装置和系统。
图1是示出了本发明一实施例提供的工程项目建设周期预测方法的流程图。如图1所示，本实施例中工程项目建设周期预测方法100包括以下步骤：
步骤S110，对多个工程项目的历史数据中的项目信息进行数据清洗，获取多个工程项目的持续时间数据集。
步骤S120，对持续时间数据集，进行支持向量回归训练，生成支持向量回归模型，支持向量回归模型对工程项目建设周期实际值与持续时间数据集之间的函数关系进行拟合。
步骤S130，根据支持向量回归模型和待预测的工程项目已有的项目信息，对待预测的工程项目的建设周期进行预测。
根据本发明实施例提供的工程项目建设周期预测方法，通过工程项目的历史数据建立持续时间数据集，并基于该持续时间数据集建立支持向量回归模型，从而对工程项目的建设周期进行预测。
在上述步骤S110中，首先收集多个工程项目的历史数据中的项目信息。
具体地，可以从工程项目管理数据库中收集项目信息，导出所有已建和在建项目的项目信息作为历史数据汇集成数据集。
在一些实施例中，每个工程项目的项目信息包括项目阶段时间信息和/或影响建设周期预测结果的多个影响因素。
具体地，项目阶段时间信息包括每个项目阶段例如每个项目的接货、吊装、调试的开始时间、完成时间和/或持续时间。其中，通过项目阶段的完成时间减去开始时间计算得出该项目阶段的持续时间。如果在建项目还未到达某个指定的阶段，则该指定的阶段对应的开始时间、完成时间或持续时间记录为空。
需要记录的项目信息还包括影响建设周期预测结果的多个影响因素，例如项目经理、片区、机组型号、机组数量、业主、省份、地形和环境，以及根据项目阶段时间得到的项目开始所在的季节等对项目工程建设周期产生影响的特征信息。
在步骤S110中，还可以工程项目的历史数据中的项目信息进行数据整理和数据清洗，得到多个工程项目的持续时间数据集。
数据整理包括填写缺失的数据值、识别或删除离群点，以及删除重复数据并解决数据的不一致性；数据清洗用于发现并纠正工程项目历史数据文件中可识别的错误，例如检查数据一致性，处理无效值和缺失值。
数据整理和数据清洗可以从工程项目的历史数据中的项目信息找出问题数据，使用经过清洗的数据进行分析处理建模，可以提高后续进行分析预测的准确定。
在步骤S120中，影响事件持续时间的因素有很多，为了减少预测成本，提高预测精度，可以通过显著性分析筛选出具有显著性的影响因素，通过具有显著性的影响因素来对事件持续时间进行预测。
图2是图1中生成支持向量回归模型步骤的详细的流程图。如图2所示，在一些实施例中，步骤S120中的生成支持向量回归模型的步骤具体可以包括以下子步骤：
步骤S121，通过秩和检验对多个影响因素进行显著性分析，筛选出具有显著性的影响因素。
步骤S122，对包含具有显著性的影响因素的持续时间数据集进行支持向量回归训练，生成支持向量回归模型。
在本发明实施例中，如果影响因素符合正态分布，可以使用参数检验中的方差分析来确定影响因素的显著性；如果影响因素不符合正态分布，可以使用非参数检验中的秩和检验(Rank Sum Test)、卡方检验(Chi-square test)、柯尔莫哥洛夫-斯米尔洛夫(Kolmogorov-Smirnov，K-S)检验。
作为一个示例，如果风电工程建设周期不符合正态性、齐方差的特点，可以采用非参数检验方法中的秩和检验，对影响因素的显著性进行分析。
具体地，在步骤S121中，秩和检验可以是克鲁斯卡尔-沃利斯检验。
秩和检验是基于秩和的非参数检验，在比较两个以上的样本时，可以选择克鲁斯卡尔-沃利斯Kruskal-Wallis秩和检验，Kruskal-Wallis秩和检验又称为K-W检验或H检验，可以利用多个样本的秩和来推断各样本分别代表的总体分布有无差别。
在本发明的实施例中，持续时间数据集是一个数据集合，该数据集合的每行代表一个工程项目，每列记录该工程项目的项目信息，将持续时间数据集中的各工程项目作为各个样本，检验各影响因素的显著性。
首先，建立假设检验以及显著性水平∝。
具体地，建立假设检验问题为：
H0：各影响因素显著性分布都相同；
H1：各影响因素的显著性分布不全相同；
显著性水平表示原假设H0为真时，拒绝原假设的概率，显著性水平可以用∝表示。作为一个示例∝＝0.05。
在一些实施例中，步骤S121中的通过秩和检验对多个影响因素进行显著性分析，筛选出具有显著性的影响因素的步骤，具体可以包括以下步骤：
步骤S1211，对每个影响因素分别在每个工程项目中的秩求和，得到每个影响因素的秩和。
在该步骤中，秩是指检测量按预定的排序规则进行顺序排列的位序，例如检测量数据从小到大或等级从弱到强。作为一个示例，当检测量为影响因素中的机组数量时，可以按照机组数量取值从小到大进行排序并编秩。作为一个示例，对第i个影响因素的秩求和，得到的第i个影响因素的秩和可以用∑Ri来表示。
步骤S1212，根据每个影响因素的秩和、包含每个影响因素的工程项目的数量，计算每个影响因素的平均秩。
在该步骤中，使用每个影响因素的秩和除以样本量，得到每个影响因素的平均秩
步骤S1213，基于每个影响因素的平均秩、工程项目的数量，计算多个影响因素的总平均秩。
在该步骤中，通过下面的公式计算总平均秩：
在上述公式(1)中，表示多个影响因素的总平均秩，表示持续时间数据集中每个影响因素的秩和，其中，N表示总样本量，即所有工程项目的数量，也是持续时间数据集的行数；k表示样本中所包含的影响因素的数量，例如，持续时间数据集中的影响因素为片区、机组型号和机组数量，则k的值为3。
步骤S1214，根据平均秩、总平均秩、以及工程项目的数量，计算通过克鲁斯卡尔-沃利斯检验构造的多个影响因素的检验统计量。
在该步骤中，使用下面的公式计算Kruskal-Wallis检验构造的检验统计量：
在上述公式(2)中，H表示通过Kruskal-Wallis检验构造的检验统计量；k表示第i个工程项目中影响因素的数量，ni表示第i个影响因素的样本量，即包含第i个影响因素的工程项目的数量；表示第i个影响因素的平均秩，表示总平均秩。
步骤S1215，基于计算得到的检验统计量对每个影响因素进行显著性分析，确定每个影响因素是否符合预设的显著性条件，将符合显著性条件的影响因素设置为具有显著性的影响因素。
作为一个示例，在小样本情况下，即k＝3，ni≤5，也就是说，当存在3个影响因素，并且每个影响因素的样本数量不大于5的情况下，通过查询KW表，即查询Kruskal-Wallis检验的界值表得到检验统计量H在显著性水平∝下的临界值c，从而确定检验统计量的P值，P值相当于接受还是拒绝H0的临界值时的显著性水平，即检验统计量H大于临界值c的概率。
当P＞显著性水平∝，支持原假设H0，也就是说，当前第i个影响因素并不是具有显著性的影响因素；当P≤显著性水平∝，拒绝原假设H0，接受假设H1，表示当前第i个影响因素是具有显著性的影响因素，即可以认为，当前第i个影响因素在每个项目中分布的差别具有统计学意义。
作为另一个示例，在大样本情况下，即k＞3，或者ni＞5的情况下，检验统计量H在零假设下近似服从自由度为k-1的χ2分布，即H近似服从χ2(k-1)分布，可以通过查询χ2界值表，确定检验统计量的P值。
当时，支持原假设H0，也就是说，当前第i个影响因素并不是具有显著性的影响因素；当时，拒绝原假设，表示当前第i个影响因素是具有显著性的影响因素。
作为一个具体的示例，表1给出了对各影响因素进行Kruskal-Wallis检验后的检验结果的示例性说明。
表1 Kruskal-Wallis检验结果
| 影响因素 | 自由度 | P值 | 显著性 |
| 在建项目经理 | 159 | 0.009404 | 显著 |
| 片区 | 7 | 0.0004363 | 显著 |
| 机组型号 | 4 | 0.008176 | 显著 |
| 机组数量 | 43 | 0.0002213 | 显著 |
如表1所示，影响工程建设周期持续时间的影响性因素可以包括：在建项目经理、片区、机组型号和机组数量，并且这四个影响因素的P值均小于预设的显著性水平∝＝0.05，因此这四个影响因素均为具有显著性的影响因素。
表1中的自由度在统计学中表示当前影响因素统计量中，取值可以自由变化的个数。作为一个示例，如果有5种不同的机组型号，其中能自由变化的个数为4，则机组型号这个影响因素的自由度为4。
在表1中，在建项目经理的自由度过高，如果将其作为具有显著性的影响因素会导致模型过拟合。因此选用片区、机组型号和机组数量三个影响因素作为持续时间数据集中具有显著性的影响因素。
作为一个示例，表2示出了这三个具有显著性的影响因素的取值范围。
表2影响因素取值范围
本发明实施例分析出了影响风电工程建设的关键因素，采用Kruskal-Wallis检验对持续时间数据集的样本进行了特征分析，筛选出对工程建设周期预测有显著性的影响因素，提高了后续使用支持向量回归模型进行预测的效率。
下面详细描述对持续时间数据集进行支持向量回归训练，生成支持向量回归模型的步骤。
在一些实施例中，可以根据上述实施例中对工程建设周期的各影响因素进行的显著性分析，利用具有显著性的影响因素的持续时间数据集，进行支持向量回归训练，生成支持向量回归模型。
具体地，步骤S122中的生成支持向量回归模型具体可以包括以下子步骤：
步骤S1221，将持续时间数据集中已经获知其工程项目建设周期实际值的至少一部分工程项目的项目信息作为训练样本。
在步骤S1221中，训练样本可以用于构建支持向量回归模型，测试集可以用于检验构建的模型的性能检验。在一些实施例中，可以将已经获知其工程项目建设周期的工程项目分为两部分，一部分作为训练样本，一部分作为测试样本。
步骤S1222，通过预设的核函数，将训练样本中的项目信息作为输入量映射到高维特征空间，并在高维特征空间中构造最优超平面，使得训练样本中的所有样本点到最优超平面的距离不大于预定精度。
在支持向量回归中，首先通过核函数g(x)，将训练样本中的项目信息作为低维数据映射到高维特征空间，然后在该高维特征空间构造一个最优超平面，该最优超平面通过下面的公式表示：
f(x)＝WTg(x)+b (3)
在上述公式(3)中，核函数g(x)是一个将训练样本中的项目信息作为低维数据映射到高维特征空间的函数，W表示该高维权重向量，b是一个常数项，表示偏置量，例如b是一个可以在该最优超平面上下平移的数值。
构造该最优超平面期望的效果是使所有的样本点到该平面的距离不大于预定精度ε，并且ε为一个正数，即ε≥0。
通过下面的公式表示利用支持向量回归模型拟合f(x)的训练目标：
|yi-f(xi)|≤ε (4)
在上述公式(4)中，f(xi)表示根据样本点xi预测的数值，yi表示数据数值。公式(4)中，理想的回归期望yi与f(xi)的差值均在预定精度ε之内。
步骤S1223，引入惩罚系数和非负松弛变量，将构造最优超平面转化为求解凸二次优化问题，并通过拉格朗日乘子法将求解凸二次优化问题转化成对偶形式，利用预设的优化算法对该对偶形式进行求解得到的最优超平面作为回归函数。
在步骤S1223中，假设训练样本中的所有数据在精度ε下用线性函数进行拟合，并考虑到误差例如最优超平面上的离群点，可以将构造最优超平面的问题转化为求解凸二次优化问题。也就是说，将构造最优超平面的问题转化为求解优化目标函数最小化问题，对下面的公式求解：
公式(6)为公式(5)的约束条件，在上述公式中，ξ∨和ξ∧为松弛变量，由于ξ∨和ξ∧取值均为正数，也可以称ξ∨和ξ∧为非负松弛变量，当拟合有误差时，ξ∨和ξ∧取值均大于0，不存在误差时，ξ∨和ξ∧取值均为0；惩罚系数C表示对超出误差精度ε的样本的惩罚程度，C的取值范围为C＞0。
通过公式(5)中的对优化函数求解可以使拟合函数f(xi)更为平坦。
在一些实施例中，为了有助于凸二次优化问题的求解和分析，达到简化凸二次优化问题的目的，可以引入非负拉格朗日乘子，通过拉格朗日乘子法(LagrangeMultiplier)，将上述求解凸二次优化问题转化成如下公式表示的对偶形式：
上述公式(8)是公式(7)的约束条件，其中，∝i ∨和∝i ∧为拉格朗日乘子，由于∝i ∨和∝i ∧取值均不小于零，也将∝i ∨和∝i ∧称为非负拉格朗日乘子。
根据上述公式(7)和(8)选择优化算法求解该对偶问题得到如下公式所述的最优超平面即回归函数：
步骤S1224，基于得到的回归函数，引入核函数点，从而在高维特征空间中构造出基于支持向量的回归函数，作为支持向量回归模型。
在该步骤中，对于上述公式(9)，可以通过引入核函数点k(xi,xj)代替g(xi)g(xj)，将线性不可分的数据从低维空间映射到高维空间，从而在高维空间线性可分构造最优超平面。
其中，k(xi,xj)＝xT i×xj，并使用下面的公式表示得到的基于支持向量的回归函数：
上述公式(10)中，k(xi,xj)为引入的核函数点，取值为两个向量xT i和xj在特征空间gT(xi)g(xj)的内积，非负拉格朗日乘子∝i ∨和∝i ∧，以及常数b可以通过样本训练得到。
作为一个示例，核函数点k(xi,xj)可以是径向基函数，并使用如下述公式表示：
k(xi,xj)＝exp(-|xi-xj|2/σ2) (11)
在采用上述公式(11)表示的径向基函数作为核函数的支持向量回归模型中，需要确定核函数参数σ。
通过上述步骤S1221～S1224，得到基于持续时间数据集构建的支持向量回归模型。
在构建的支持向量回归模型所涉及的上述优化问题求解的过程中，涉及到两个参数：惩罚系数C和核函数的参数σ。这两个参数都不是变量，而是在问题求解时需要事先给出的定值。
在给定惩罚系数C和核函数参数σ的情况下，可以求解得到一个的支持向量回归模型，然后使用该支持向量回归模型用测试样本检验一下测试结果，如果不符合要求，则可以对惩罚系数C和核函数参数σ进行调整，使用训练样本训练得到另一个支持向量回归模型，再使用测试样本检验一下测试结果，如此就是一个参数寻优的过程，通过参数寻优构建最优的支持向量回归模型。
在另一些实施例中，步骤S120中的生成支持向量回归模型的步骤还可以包括以下步骤：
步骤S123，利用参数优化算法对惩罚系数和核函数的参数进行参数寻优，寻找到最优惩罚系数和最优核函数参数。
在该步骤中，参数优化算法可以是网格搜索法。网格搜索法的基本思想是：将待搜索参数在一定的空间范围中划分成网格，通过遍历网格中所有的点来寻找最优参数。这种方法首先确定一个寻优区间，通过一定步距不断获取不同的参数值，并根据获取的不同的参数值在支持向量回归模型中进行检验，最终可以找出此参数范围下的支持向量回归模型的最优参数。
具体地，步骤S123中利用参数优化算法对惩罚系数和核函数的参数进行参数寻优的步骤具体可以包括：
步骤S1231，将预设的惩罚系数取值范围和预设的核函数的参数取值范围作为参数寻优空间。
步骤S1232，利用预设的搜索步距值、惩罚系数取值范围和核函数的参数取值范围将参数寻优空间划分成网格。
步骤S1233，遍历网络中的各个参数点，通过交叉验证方法，得到最优惩罚系数和最优核函数参数。
步骤S1233中所使用的交叉验证方法是用来根据获得的参数，在支持向量中验证预测性能的一种统计方法，基本思想是将包含多个工程项目的持续时间数据集作为原始数据进行分组，一部分作为训练集，另一部分作为验证集。首先用训练集对支持向量回归模型进行训练，再利用验证集来测试训练得到的支持向量回归模型，以此作为评价支持向量回归模型的性能指标。
通常人们都采用K-fold CV(K-fold cross validation，K折交叉验证)，将原始数据随机分成K组子集数据，轮流将其中一个子集数据做验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型，进行K次验证，并用K次验证结果的均值作为此K-fold CV下回归模型的性能指标。
在原始数据的样本总量较少时，使用交叉验证法可以反复运用随机产生的子集数据进行充分的训练和验证。
在一些实施例中，也可以采用交叉验证的方法对上述步骤S122中生成的支持向量回归模型进行验证。
在另一些实施例中，也可以采用其他验证方法对步骤S122中生成的支持向量回归模型或步骤S123中通过参数寻优寻找到的惩罚系数和核函数参数进行验证。
作为一个示例，可以将包含多个工程项目的持续时间数据集作为原始数据随机分为两部分，一部分作为训练集，一部分作为验证集；或者将该原始数据的其中70％作为训练集，其中30％作为验证集。
步骤S124，利用寻找到的最优惩罚系数和最优核函数参数，获得最优支持向量回归模型。
作为一个示例，惩罚系数C的取值范围为2-2-22，通过网格搜寻最优参数并交叉验证，得到最优参数为C＝2。以2016年的工程项目的项目信息作为预测对象，将预测结果和实际工程结果作为对比，相关系数为0.79，预测效果较好。
本发明实施例使用网格寻优参数法对支持向量回归模型的参数进行了优化，使用优化参数得到在一定条件下训练集最优的支持向量回归模型，提高了预测的准确度。
在步骤S130中，预测的工程项目可以是在建但还未完成的工程项目，也可以是未来准备实施的工程项目，利用上述实施例中获得的支持向量回归模型或最优的支持向量回归模型，根据已有的项目信息预测得到工程项目的建设周期。
在另一些实施例中，工程项目建设周期预测方法还可以包括：通过最优支持向量回归模型和待预测的工程项目的各项目阶段已有的项目信息，对待预测的工程项目的各项目阶段的持续时间进行预测。
根据上述实施例提供的工程项目建设周期预测方法，可以解决风电工程建设周期以往靠人经验判断，效率低，准确度低的问题。
图3是示出本发明一实施例提供的工程项目建设周期预测装置的结构示意图。如图3所示，该工程项目建设周期预测装置300包括：
持续时间数据集获取模块310，被配置为对多个工程项目的历史数据中的项目信息进行数据清洗，获取多个工程项目的持续时间数据集。
支持向量回归模型生成模块320，被配置为对持续时间数据集，进行支持向量回归训练，生成支持向量回归模型，支持向量回归模型对工程项目建设周期实际值与持续时间数据集之间的函数关系进行拟合。
工程项目建设周期预测模块330，被配置为根据支持向量回归模型和待预测的工程项目已有的项目信息，对待预测的工程项目的建设周期进行预测。
根据本发明实施例提供的工程项目建设周期预测装置，可以根据持续时间数据集建立支持向量回归模型，从而对工程项目的建设周期进行预测。
在一些实施例中，持续时间数据集获取模块获取的每个工程项目的项目信息包括项目阶段时间信息和/或影响建设周期预测结果的多个影响因素。
在一些实施例中，项目阶段时间信息包括每个项目阶段的开始时间、完成时间和/或持续时间。
图4是图3中支持向量回归模型生成模块的具体的结构示意图。如图4所示，支持向量回归模型生成模块320具体可以包括以下模块：
显著性影响因素筛选单元321，被配置为通过秩和检验对所述多个影响因素进行显著性分析，筛选出具有显著性的影响因素。
具体地，显著性影响因素筛选单元321可以包括以下子单元：
秩计算子单元，被配置为对每个影响因素分别在每个工程项目中的秩求和，得到每个影响因素的秩和，根据每个影响因素的秩和、包含每个影响因素的工程项目的数量，计算每个影响因素的平均秩，以及基于每个影响因素的平均秩、工程项目的数量，计算多个影响因素的总平均秩；
检验统计量计算子单元，被配置为根据平均秩、总平均秩、以及工程项目的数量，计算通过克鲁斯卡尔-沃利斯检验构造的多个影响因素的检验统计量；
影响因素显著性分析子单元，被配置为基于计算得到的检验统计量对每个影响因素进行显著性分析，确定每个影响因素是否符合预设的显著性条件，将符合显著性条件的影响因素设置为具有显著性的影响因素。
支持向量回归模型生成模块320还被配置为对包含具有显著性的影响因素的持续时间数据集进行支持向量回归训练，生成支持向量回归模型。
通过显著性影响因素筛选单元321，可以筛选出对工程建设周期预测有显著影响的特征，从而提高了生成的支持向量回归模型的运行效率。
在一些实施例中，支持向量回归模型生成模块320具体还可以包括：
训练样本获取单元322，被配置为将持续时间数据集中已经获知其工程项目建设周期实际值的至少一部分工程项目的项目信息作为训练样本。
最优超平面构造单元323，被配置为通过预设的核函数，将训练样本中的项目信息作为输入量映射到高维特征空间，并在高维特征空间中构造最优超平面，使得训练样本中的所有样本点到最优超平面的距离不大于预定精度。
优化求解单元324，被配置为引入惩罚系数和非负松弛变量，将构造最优超平面转化为求解凸二次优化问题，并通过拉格朗日乘子法将求解凸二次优化问题转化成对偶形式，利用预设的优化算法对该对偶形式进行求解得到的最优超平面作为回归函数。
回归函数构建单元325，被配置为基于回归函数，引入核函数点，从而在高维特征空间中构造出基于支持向量的回归函数，作为支持向量回归模型。
在一些实施例中，如图4所示，支持向量回归模型生成模块320还可以包括：
参数寻优单元326，被配置为利用参数优化算法对惩罚系数和核函数的参数进行参数寻优，寻找到最优惩罚系数和最优核函数参数。
具体地，参数寻优单元326具体可以包括以下子单元：参数寻优空间范围设置子单元，被配置为将预设的惩罚系数取值范围和预设的核函数参数取值范围作为参数寻优空间；网格划分子单元，被配置为利用预设的搜索步距值、惩罚系数取值范围和核函数参数取值范围将参数寻优空间划分成网格；最优参数寻找子单元，被配置为遍历网络中的各个参数点，通过交叉验证方法，得到最优惩罚系数和最优核函数参数。
最优回归模型获取单元327，被配置为利用寻找到的最优惩罚系数和最优核函数参数，获得最优支持向量回归模型。
本发明实施例使用网格寻优参数法对支持向量回归模型的参数进行了优化，获得了在一定条件下训练集最优的支持向量回归模型，提高了预测的准确度。
在另一些实施例中，工程项目建设周期预测装置还包括：工程项目阶段持续时间预测模块，通过最优支持向量回归模型和待预测的工程项目的各项目阶段已有的项目信息，对待预测的工程项目的各项目阶段的持续时间进行预测。
本发明实施例的工程项目建设周期预测装置的其他细节与以上结合图1和图2描述的根据本发明实施例的工程项目建设周期预测方法类似，在此不再赘述。
结合图1至4描述的根据本发明实施例的工程项目建设周期预测方法和装置可由可拆卸地或者固定地安装在工程项目管理系统上的计算设备来实现。图5示出了能够实现根据本发明实施例的工程项目建设周期预测方法和装置的计算设备的示例性硬件架构的结构图。如图5所示，计算设备500包括：输入设备501、输入接口502、处理器503、存储器504、输出接口505、以及输出设备506。其中，输入接口502、处理器503、存储器504、以及输出接口505通过总线510相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接，进而与计算设备500的其他组件连接。具体地，输入设备501接收来自外部的输入信息，并通过输入接口502将输入信息传送到处理器503；处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506例如显示器；输出设备506将输出信息输出到计算设备500的外部供用户使用。
在一个实施例中，图5所示的计算设备500可以是工程项目建设周期预测系统，该工程项目建设周期预测系统包括：存储器，被配置为存储程序；处理器，被配置为运行存储器中存储的程序，以执行以下步骤：对多个工程项目的历史数据中的项目信息进行数据清洗，获取多个工程项目的持续时间数据集；对持续时间数据集进行支持向量回归训练，生成支持向量回归模型，支持向量回归模型对工程项目建设周期实际值与持续时间数据集之间的函数关系进行拟合；根据支持向量回归模型和待预测的工程项目已有的项目信息，对待预测的工程项目的建设周期进行预测；显示器，被配置为对待预测的工程项目的建设周期的预测结果进行显示。
通过本发明实施例的工程项目建设周期预测系统，可以将工程项目建设周期预测方法和装置集成到工程项目建设周期预测系统的软件中，根据支持向量回归模型和待预测的工程项目已有的项目信息，对待预测的工程项目的建设周期进行预测。易于传播推广，没有相关经验的人员也可以使用本发明实施例提供的工程项目建设周期预测系统进行工程周期预测。
本发明实施例的工程项目建设周期预测方法、装置和系统，不仅可以对风电工程项目建设周期进行预测，还适用于其他工程领域中，对工程项目建设周期进行预测，具有较强的推广应用性。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (17)
1.一种工程项目建设周期预测方法，其特征在于，包括：
对多个工程项目的历史数据中的项目信息进行数据清洗，获取所述多个工程项目的持续时间数据集；
对所述持续时间数据集进行支持向量回归训练，生成支持向量回归模型，所述支持向量回归模型对工程项目建设周期实际值与所述持续时间数据集之间的函数关系进行拟合；
根据所述支持向量回归模型和待预测的工程项目已有的项目信息，对所述待预测的工程项目的建设周期进行预测。
2.根据权利要求1所述的方法，其特征在于，
每个工程项目的项目信息包括项目阶段时间信息和/或影响建设周期预测结果的多个影响因素。
3.根据权利要求2所述的方法，其特征在于，所述生成支持向量回归模型的步骤还包括：
通过秩和检验对所述多个影响因素进行显著性分析，筛选出具有显著性的影响因素；
对包含所述具有显著性的影响因素的持续时间数据集进行支持向量回归训练，生成所述支持向量回归模型。
4.根据权利要求3所述的方法，其特征在于，所述秩和检验为克鲁斯卡尔-沃利斯检验，所述通过秩和检验对所述多个影响因素进行显著性分析，筛选出具有显著性的影响因素的步骤包括：
对每个影响因素分别在每个工程项目中的秩求和，得到所述每个影响因素的秩和；
根据所述每个影响因素的秩和、包含所述每个影响因素的工程项目的数量，计算所述每个影响因素的平均秩；
基于所述每个影响因素的平均秩、所述工程项目的数量，计算所述多个影响因素的总平均秩；
根据所述平均秩、所述总平均秩、以及所述工程项目的数量，计算通过所述克鲁斯卡尔-沃利斯检验构造的所述多个影响因素的检验统计量；
基于计算得到的检验统计量对所述每个影响因素进行显著性分析，确定所述每个影响因素是否符合预设的显著性条件，将符合所述显著性条件的影响因素设置为具有显著性的影响因素。
5.根据权利要求1或3所述的方法，其特征在于，所述生成支持向量回归模型的步骤还包括：
将所述持续时间数据集中已经获知其工程项目建设周期实际值的至少一部分工程项目的项目信息作为训练样本；
通过预设的核函数，将所述训练样本中的项目信息作为输入量映射到高维特征空间，并在所述高维特征空间中构造最优超平面，使得所述训练样本中的所有样本点到所述最优超平面的距离不大于预定精度；
引入惩罚系数和非负松弛变量，将所述构造最优超平面转化为求解凸二次优化问题，并通过拉格朗日乘子法将所述求解凸二次优化问题转化成对偶形式，利用预设的优化算法对所述对偶形式进行求解得到的最优超平面作为回归函数；
基于所述回归函数，引入核函数点，从而在所述高维特征空间中构造出基于支持向量的回归函数，作为所述支持向量回归模型。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
利用参数优化算法对所述惩罚系数和所述核函数的参数进行参数寻优，寻找到最优惩罚系数和最优核函数参数；
利用寻找到的最优惩罚系数和最优核函数参数，获得最优支持向量回归模型。
7.根据权利要求6所述的方法，其特征在于，所述参数优化算法为网格搜索法，所述利用参数优化算法对所述惩罚系数和所述核函数的参数进行参数寻优的步骤还包括：
将预设的惩罚系数取值范围和预设的核函数的参数取值范围作为参数寻优空间；
利用预设的搜索步距值、所述惩罚系数取值范围和所述核函数的参数取值范围将所述参数寻优空间划分成网格；
遍历所述网络中的各个参数点，通过交叉验证方法，得到所述最优惩罚系数和所述最优核函数参数。
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
通过所述最优支持向量回归模型和待预测的工程项目的各项目阶段已有的项目信息，对所述待预测的工程项目的各项目阶段的持续时间进行预测。
9.一种工程项目建设周期预测装置，其特征在于，包括：
持续时间数据集获取模块，被配置为对多个工程项目的历史数据中的项目信息进行数据清洗，获取所述多个工程项目的持续时间数据集；
支持向量回归模型生成模块，被配置为对所述持续时间数据集进行支持向量回归训练，生成支持向量回归模型，所述支持向量回归模型对工程项目建设周期实际值与所述持续时间数据集之间的函数关系进行拟合；
工程项目建设周期预测模块，被配置为根据所述支持向量回归模型和待预测的工程项目已有的项目信息，对所述待预测的工程项目的建设周期进行预测。
10.根据权利要求9所述的装置，其特征在于，
所述持续时间数据集获取模块获取的每个工程项目的项目信息包括项目阶段时间信息和/或影响建设周期预测结果的多个影响因素。
11.根据权利要求9所述的装置，其特征在于，所述支持向量回归模型生成模块还包括：
显著性影响因素筛选单元，被配置为通过秩和检验对所述多个影响因素进行显著性分析，筛选出具有显著性的影响因素；
所述支持向量回归模型生成模块还被配置为对包含所述具有显著性的影响因素的持续时间数据集进行支持向量回归训练，生成所述支持向量回归模型。
12.根据权利要求11所述的装置，其特征在于，所述显著性影响因素筛选单元包括：
秩计算子单元，被配置为对每个影响因素分别在每个工程项目中的秩求和，得到所述每个影响因素的秩和，根据所述每个影响因素的秩和、包含所述每个影响因素的工程项目的数量，计算所述每个影响因素的平均秩，以及基于所述每个影响因素的平均秩、所述工程项目的数量，计算所述多个影响因素的总平均秩；
检验统计量计算子单元，被配置为根据所述平均秩、所述总平均秩、以及所述工程项目的数量，计算通过所述克鲁斯卡尔-沃利斯检验构造的所述多个影响因素的检验统计量；
影响因素显著性分析子单元，被配置为基于计算得到的检验统计量对所述每个影响因素进行显著性分析，确定所述每个影响因素是否符合预设的显著性条件，将符合所述显著性条件的影响因素设置为具有显著性的影响因素。
13.根据权利要求9或11所述的装置，其特征在于，所述支持向量回归模型生成模块还包括：
训练样本获取单元，被配置为将所述持续时间数据集中已经获知其工程项目建设周期实际值的至少一部分工程项目的项目信息作为训练样本；
最优超平面构造单元，被配置为通过预设的核函数，将所述训练样本中的项目信息作为输入量映射到高维特征空间，并在所述高维特征空间中构造最优超平面，使得所述训练样本中的所有样本点到所述最优超平面的距离不大于预定精度；
优化求解单元，被配置为引入惩罚系数和非负松弛变量，将所述构造最优超平面转化为求解凸二次优化问题，并通过拉格朗日乘子法将所述求解凸二次优化问题转化成对偶形式，利用预设的优化算法对所述对偶形式进行求解得到的最优超平面作为回归函数；
回归函数构建单元，被配置为基于所述回归函数，引入核函数点，从而在所述高维特征空间中构造出基于支持向量的回归函数，作为所述支持向量回归模型。
14.根据权利要求13所述的装置，其特征在于，所述装置还包括：
参数寻优单元，被配置为利用参数优化算法对惩罚系数和核函数的参数进行参数寻优，寻找到最优惩罚系数和最优核函数参数；
最优回归模型获取单元，被配置为利用寻找到的最优惩罚系数和最优核函数参数，获得最优支持向量回归模型。
15.根据权利要求14所述的装置，其特征在于，所述参数寻优单元还包括：
参数寻优空间范围设置子单元，被配置为将预设的惩罚系数取值范围和预设的核函数参数取值范围作为参数寻优空间；
网格划分子单元，被配置为利用预设的搜索步距值、所述惩罚系数取值范围和所述核函数参数取值范围将所述参数寻优空间划分成网格；
最优参数寻找子单元，被配置为遍历所述网络中的各个参数点，通过交叉验证方法，得到所述最优惩罚系数和所述最优核函数参数。
16.根据权利要求14所述的装置，其特征在于，所述装置还包括：
工程项目阶段持续时间预测模块，通过所述最优支持向量回归模型和待预测的工程项目的各项目阶段已有的项目信息，对所述待预测的工程项目的各项目阶段的持续时间进行预测。
17.一种工程项目建设周期预测系统，其特征在于，包括：
存储器，被配置为存储程序；
处理器，被配置为运行所述存储器中存储的所述程序，以执行以下步骤：
对多个工程项目的历史数据中的项目信息进行数据清洗，获取所述多个工程项目的持续时间数据集；
对所述持续时间数据集进行支持向量回归训练，生成支持向量回归模型，所述支持向量回归模型对工程项目建设周期实际值与所述持续时间数据集之间的函数关系进行拟合；
根据所述支持向量回归模型和待预测的工程项目已有的项目信息，对所述待预测的工程项目的建设周期进行预测；
显示器，被配置为对所述待预测的工程项目的建设周期的预测结果进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611217584.3A CN108241900A (zh) | 2016-12-26 | 2016-12-26 | 工程项目建设周期预测方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611217584.3A CN108241900A (zh) | 2016-12-26 | 2016-12-26 | 工程项目建设周期预测方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108241900A true CN108241900A (zh) | 2018-07-03 |
Family
ID=62704970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611217584.3A Withdrawn CN108241900A (zh) | 2016-12-26 | 2016-12-26 | 工程项目建设周期预测方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108241900A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272140A (zh) * | 2018-08-10 | 2019-01-25 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备运行期成本预测方法 |
| 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 |
| CN113807613A (zh) * | 2021-10-13 | 2021-12-17 | 国网安徽省电力有限公司 | 一种电网工程全周期预算优化配置工具 |
| CN114037193A (zh) * | 2022-01-11 | 2022-02-11 | 成都飞机工业（集团）有限责任公司 | 飞机的装配周期预测方法、装置、终端设备以及存储介质 |
| CN114818127A (zh) * | 2022-04-18 | 2022-07-29 | 中节能工业节能有限公司 | 一种汽轮机劣化程度的量化方法 |
| CN117745247A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种岩土施工智慧工地系统 |
-
2016
- 2016-12-26 CN CN201611217584.3A patent/CN108241900A/zh not_active Withdrawn
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272140A (zh) * | 2018-08-10 | 2019-01-25 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备运行期成本预测方法 |
| CN109272140B (zh) * | 2018-08-10 | 2021-09-28 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备运行期成本预测方法 |
| 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 |
| CN113807613A (zh) * | 2021-10-13 | 2021-12-17 | 国网安徽省电力有限公司 | 一种电网工程全周期预算优化配置工具 |
| CN114037193A (zh) * | 2022-01-11 | 2022-02-11 | 成都飞机工业（集团）有限责任公司 | 飞机的装配周期预测方法、装置、终端设备以及存储介质 |
| CN114818127A (zh) * | 2022-04-18 | 2022-07-29 | 中节能工业节能有限公司 | 一种汽轮机劣化程度的量化方法 |
| CN117745247A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种岩土施工智慧工地系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108241900A (zh) | 工程项目建设周期预测方法、装置和系统 | |
| Ajayi et al. | Deep learning models for health and safety risk prediction in power infrastructure projects | |
| CN104850727B (zh) | 基于云重心理论的分布式大数据系统风险评估方法 | |
| Kou et al. | An integrated expert system for fast disaster assessment | |
| CN108877223A (zh) | 一种基于时空相关性的短时交通流预测方法 | |
| CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
| CN104616212B (zh) | 继电保护系统可靠性分析方法与系统 | |
| CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
| CN107665172A (zh) | 一种基于复杂加权软件网络的软件缺陷预测方法 | |
| He et al. | Big data-oriented product infant failure intelligent root cause identification using associated tree and fuzzy DEA | |
| CN102522709A (zh) | 变压器状态检修的决策方法及系统 | |
| CN114065605A (zh) | 一种智能电能表运行状态检测评估系统和方法 | |
| Li et al. | A spatiotemporal directed graph convolution network for ultra-short-term wind power prediction | |
| Sen et al. | Dominance based fuzzy decision support framework for g-resilient (ecosilient) supplier selection: an empirical modelling | |
| Sandhu et al. | A comparative analysis of conjugate gradient algorithms & PSO based neural network approaches for reusability evaluation of procedure based software systems | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| Nahaei et al. | Review and prioritization of investment projects in the Waste Management organization of Tabriz Municipality with a Rough Sets Theory approach | |
| Ding et al. | Short-term wind speed prediction based on CEEMDAN-SE-improved PIO-GRNN model | |
| Fazlollahtabar et al. | Producer’s behavior analysis in an uncertain bicriteria AGV-based flexible jobshop manufacturing system with expert system | |
| Azadeh et al. | An integrated fuzzy regression–analysis of variance algorithm for improvement of electricity consumption estimation in uncertain environments | |
| CN107368941A (zh) | 一种湿地生态系统服务价值大数据评估方法及装置 | |
| CN106339357A (zh) | 寻优参数化的网络信息安全检测系统和方法 | |
| Zhao | [Retracted] Risk Assessment Method of Agricultural Management Investment Based on Genetic Neural Network | |
| Malhotra et al. | A neuro-fuzzy classifier for website quality prediction | |
| Lin et al. | Analysis and prediction of overloaded extra-heavy vehicles for highway safety using machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180703 |
|
| WW01 | Invention patent application withdrawn after publication |