CN109784556A - 一种基于往期数据的基站设备安装项目工期预测方法 - Google Patents
一种基于往期数据的基站设备安装项目工期预测方法 Download PDFInfo
- Publication number
- CN109784556A CN109784556A CN201910012312.7A CN201910012312A CN109784556A CN 109784556 A CN109784556 A CN 109784556A CN 201910012312 A CN201910012312 A CN 201910012312A CN 109784556 A CN109784556 A CN 109784556A
- Authority
- CN
- China
- Prior art keywords
- project
- scale
- base station
- duration
- station equipment
- 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- Withdrawn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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种往期数据的基站设备安装项目工期预测方法。包括:采用K‑Means聚类、BP神经网络等机器学习方法,构建工期划分机制,完成区域、规模两大属性划分。同时,结合项目阶段属性基于往期相关项目数据信息给出不同区域、不同规模、不同阶段基站设备安装项目的稳健估计值。利用各阶段稳健估计值,最终输出基站设备安装项目工期预测结果。解决了现有技术中未考虑项目所处区域的社会、经济、自然等因素,无法准确的预测项目工期的技术问题。达到了总和考虑项目所处区域的社会、经济、自然等因素对项目工期的影响,得到基站设备安装项目工期预测的技术效果。
Description
技术领域
本发明关于一种基于往期数据的基站设备安装项目工期预测方法。
背景技术
电信运营商进行基站设备安装项目施工前,没有统一的度量来标定不同项目从准备到关闭的预测工期。导致项目管控失调,无法有效对相关项目进行跟踪把握。目前基站设备安装项目工期预测方法主要有:(1)基于设备安装工作量计算工时进行预测;(2)根据项目经理经验预估。方法(1)未考虑项目所处区域的社会、经济、自然等因素影响,而方法(2)受项目经理主观认知影响较大,均无法较为准确的预测项目工期。如何考虑项目所处区域的社会、经济、自然等因素对项目工期的影响,得出基站设备安装项目工期预测方法,成为运营商基站工程建设人员急需解决的问题。
发明内容
鉴于上述情况,有必要提供一种基于往期数据的基站设备安装项目工期预测方法,可以有效解决上述问题。
本发明提供一种基于往期数据的基站设备安装项目工期预测方法,包括以下步骤:
(1)分析基站设备安装项目工期影响因素,根据实际业务确定影响工期的因素:区域因素,项目规模因素、项目类型因素、管理因素等。
(2)在获取往期数据的基础上,对获取的数据进行相应的统计性描述,统计标准项目(未逾期)与逾期项目比例、项目区域分布、项目规模,并对异常值、缺失值进行相应的处理。
(3)利用处理后的数据,采用机器学习方法,构建标准工期划分机制,完成不同区域、不同规模、不同阶段的划分。其中,通过K-Means聚类方法用以划分区域,根据BP神经网络找到复杂规律,输出BP规模。
(4)根据上述划分,对不同区域、不同规模、不同阶段的工期数据都给出相应的稳健性估计,最终输出项目工期预测表。
附图说明
图1一种基于往期数据的基站设备安装项目工期预测方法的实施步骤图;
图2收集数据信息表;
图3数据预处理过程的流程图;
具体实施方式
请参照图1,本发明实施一种基于往期数据的基站设备安装项目工期预测方法,包括如下步骤:
S1,分析基站设备安装项目工期影响因素,根据实际业务确定影响工期的因素:区域因素,项目规模因素、项目类型因素、管理因素等;
S2,在获取往期数据的基础上,对获取的数据进行相应的统计性描述,统计标准项目(未逾期)与逾期项目比例、项目区域分布、项目规模,并对异常值、缺失值进行相应的处理;
S3,利用处理后的数据,采用机器学习方法,构建标准工期划分机制,完成不同区域、不同规模、不同阶段的划分。其中,通过K-Means聚类方法用以划分区域,根据BP神经网络找到复杂规律,输出BP规模;
S4,根据上述划分,对不同区域、不同规模、不同阶段的工期数据都给出相应的稳健性估计,最终输出项目工期预测表。
在步骤S1中,充分分析基站设备安装项目工期影响因素:
基站设备安装项目管理是一项长链条工作,涉及计划、工程、采购、网络、财务、审计等多个部门以及众多合作伙伴,影响项目工期的关键环节众多,除工程建设部门所负责的从设计批复到竣工验收阶段的工作外,立项批复不及时、设备到货滞后将影响项目开工时间;验收交货不及时将影响上线投产;项目竣工验收后决算审计、账目调整、工程付款不及时将影响项目关闭,项目总体工期需要各专业部门各司其职、通力协作、形成合力、提高效率,共同推进项目的闭环管理。
基站设备安装项目中涉及的影响因素包括:社会因素(交通条件、治安情况、政策法规变化、资源供应情况、宏观经济条件等)、经济因素(非常规物价上涨、利率变化等)、技术因素(设计变更、方案合适度、技术规范合适度、新技术新工艺等)、管理因素(施工管理人员水平、计划周全性、组织协调、安全事故等)、自然因素(气象条件、自然灾害等)、公共关系因素(与施工单位的沟通、与场地业主的沟通等)。
在步骤S2中,首先确定出数据收集格式(请参考附图2),由于收集到的各区域数据存在异质性,同时在收集数据过程中,存在数据缺失,录入错误或工期异常等问题,因此首先需要对收集到的各区域数据进行预处理,数据预处理流程请参照附图3,主要原则:以项目工期实际系统取数为主,若存在缺失以经验值进行补充,剔除取数和经验值均无法获取的数据,剔除与其他项目规模偏离较大的项目,剔除异常工期项目。
其中因严重自然灾害(如台风、地震等)、非客观原因(机场或者高铁项目只能按照对方业主进度进行建设)而引起的工期延长项目应剔除,不应计入预测工期研究样本。
在步骤S3中,利用处理后的数据,采用机器学习方法,构建标准工期划分机制,完成不同区域、不同规模、不同阶段的划分。其中,通过K-Means聚类方法用以划分区域,根据BP神经网络找到复杂规律,输出BP规模。
(1)通过K-Means聚类方法对项目所述区域进行归类划分:
项目处于不同区域,所在区域的社会、经济、自然因素差异,基站设备安装项目所需工期也相应存在差异,比如:人口密集、经济发达地区站址谈判难度大,施工难度大;高海拔地区施工难度大;立项习惯导致不同区域项目规模不一,对项目工期产生影响。利用K-Means聚类方法,采用以下指标完成区域划分:
城市面积、平均海拔高度、10年风压、最新人口数量、人均GDP、新建宏站数、共址宏站数、新建室分数、共址室分数、扩容数、微站数。其中城市面积、平均海拔高度、10年风压可反映自然因素差异;最新人口数量、人均GDP 可反映社会及经济因素差异;而新建宏站数、共址宏站数、新建室分数、共址室分数、扩容数、微站数反映了区域立项习惯差异。
注:宏站、室分、扩容、微站为不同基站设备类型;新建表示该基站设备在新址进行安装,共址表示该基站设备安装位置为在已安装有其他电信设备地址安装无需在新建机房/机柜安装。
(2)BP神经网络找到复杂规律,输出BP规模:
针对某类区域基站设备安装项目利用BP神经网络算法根据项目中基站设备不同类型确定出项目“BP规模”,要求项目“BP规模”与往期数据中项目工期成明显正相关关系。
基站设备安装项目规模数据中,根据设备类型不同可分为:(1)项目新建宏站数;(2)项目共址宏站数;(3)项目新建室分数;(4)项目共址室分数; (5)项目扩容站点数;(6)项目微站数。由于站点数量和工期存在复杂的关系,对于工期而言,要得到与其正相关的项目规模数值采用简单的加总和依据经验的加权求和均是不可靠的。本发明利用BP神经网络找到工期与项目规模之间潜在的复杂关系,通过该网络模型可将输入的项目规模数据(即:项目中不同设备类型基站数),转变为项目的“BP规模”。网络模型训练流程描述如下:
网络模型输入:项目新建宏站数、项目共址宏站数、项目新建室分数、项目共址室分数、项目扩容站点数、项目微站数
网络模型输出:项目工期(天)
与普通BP神经网络一致,神经网络模型包含了输入层、隐藏层、输出层,其中隐藏层的神经元数与内部层数不固定,由实施者自行确定。
在步骤S4中,根据S3完成的区域和规模划分,对不同区域、不同规模、不同阶段的工期数据都给出相应的稳健性估计,最终输出项目工期预测表:
本发明采用中位数这个统计量作为稳健估计的估计方法,它不仅能准确探测粗差的位置,而且能剔除粗差,消除粗差对平差结果的影响,某新项目工期预测流程如下:
(1)利用K-Means聚类方法根据往期相关数据完成项目所述区域类别划分;
(2)针对不同区域类别,利用BP神经网络方法及往期项目数据训练出项目的相应“BP规模”模型;根据“BP规模”工期的正相关关系,确定出大规模项目、中规模项目、小规模项目分界(可更细);
(3)针对不同区域、不同规模,结合项目的阶段信息,分别利用往期项目工期数据确定出相应区域、相应规模、相应阶段工期的中位数,以此作为其工期稳健估计值,并形成项目工期预测表;
(4)根据新项目所属区域,利用相应神经网络“BP规模”模型,计算出新项目“BP模型”数值,根据大、中、小规模分界,确定新项目分别属于哪种规模;
(5)根据新项目相关属性及得出的“BP规模”数值,查询项目工期预测表,加总各阶段的预测工期确定新项目总体预测工期。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (4)
1.一种基于往期数据的基站设备安装项目工期预测方法,其特征在于:
主要采用K-Means聚类、BP神经网络等机器学习方法,构建工期划分机制,完成区域、规模两大属性划分。同时,结合项目阶段属性基于往期相关项目数据信息给出不同区域、不同规模、不同阶段基站设备安装项目的稳健估计值。利用各阶段稳健估计值,最终输出基站设备安装项目工期预测结果。
2.如权利要求1所述的设计方法,其特征在于,利用K-Means聚类方法完成项目所实施区域划分:
项目处于不同区域,所在区域的社会、经济、自然因素差异,基站设备安装项目所需工期也相应存在差异,比如:人口密集、经济发达地区站址谈判难度大,施工难度大;高海拔地区施工难度大;立项习惯导致不同区域项目规模不一,对项目工期产生影响。利用K-Means聚类方法,采用以下指标完成区域划分:
城市面积、平均海拔高度、10年风压、最新人口数量、人均GDP、新建宏站数、共址宏站数、新建室分数、共址室分数、扩容数、微站数。其中城市面积、平均海拔高度、10年风压可反映自然因素差异;最新人口数量、人均GDP可反映社会及经济因素差异;而新建宏站数、共址宏站数、新建室分数、共址室分数、扩容数、微站数反映了区域立项习惯差异。
注:宏站、室分、扩容、微站为不同基站设备类型;新建表示该基站设备在新址进行安装,共址表示该基站设备安装位置为在已安装有其他电信设备地址安装无需在新建机房/机柜安装。
3.如权利要求1所述的设计方法,其特征在于,在权利要求2完成区域划分的基础上,针对某类区域基站设备安装项目利用BP神经网络算法根据项目中基站设备不同类型确定出项目“BP规模”,要求项目“BP规模”与往期数据中项目工期成明显正相关关系。
基站设备安装项目规模数据中,根据设备类型不同可分为:(1)项目新建宏站数;(2)项目共址宏站数;(3)项目新建室分数;(4)项目共址室分数;(5)项目扩容站点数;(6)项目微站数。由于站点数量和工期存在复杂的关系,对于工期而言,要得到与其正相关的项目规模数值采用简单的加总和依据经验的加权求和均是不可靠的。本发明利用BP神经网络找到工期与项目规模之间潜在的复杂关系,通过该网络模型可将输入的项目规模数据(即:项目中不同设备类型基站数),转变为项目的“BP规模”。网络模型训练流程描述如下:
网络模型输入:项目新建宏站数、项目共址宏站数、项目新建室分数、项目共址室分数、项目扩容站点数、项目微站数
网络模型输出:项目工期(天)
与普通BP神经网络一致,神经网络模型包含了输入层、隐藏层、输出层,其中隐藏层的神经元数与内部层数不固定,由实施者自行确定。
4.如权利要求1所述的设计方法,其特征在于,结合项目阶段属性基于往期相关项目数据信息给出不同区域、不同规模、不同阶段基站设备安装项目工期的稳健估计值:
本发明采用中位数这个统计量作为稳健估计的估计方法,它不仅能准确探测粗差的位置,而且能剔除粗差,消除粗差对平差结果的影响,某新项目工期预测流程如下:
(1)利用K-Means聚类方法根据往期相关数据完成项目所述区域类别划分;
(2)针对不同区域类别,利用BP神经网络方法及往期项目数据训练出项目的相应“BP规模”模型;根据“BP规模”工期的正相关关系,确定出大规模项目、中规模项目、小规模项目分界(可更细);
(3)针对不同区域、不同规模,结合项目的阶段信息,分别利用往期项目工期数据确定出相应区域、相应规模、相应阶段工期的中位数,以此作为其工期稳健估计值,并形成项目工期预测表;
(4)根据新项目所属区域,利用相应神经网络“BP规模”模型,计算出新项目“BP模型”数值,根据大、中、小规模分界,确定新项目分别属于哪种规模;
(5)根据新项目相关属性及得出的“BP规模”数值,查询项目工期预测表,加总各阶段的预测工期确定新项目总体预测工期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012312.7A CN109784556A (zh) | 2019-01-07 | 2019-01-07 | 一种基于往期数据的基站设备安装项目工期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012312.7A CN109784556A (zh) | 2019-01-07 | 2019-01-07 | 一种基于往期数据的基站设备安装项目工期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784556A true CN109784556A (zh) | 2019-05-21 |
Family
ID=66499136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910012312.7A Withdrawn CN109784556A (zh) | 2019-01-07 | 2019-01-07 | 一种基于往期数据的基站设备安装项目工期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784556A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288142A (zh) * | 2019-06-18 | 2019-09-27 | 国网上海市电力公司 | 一种基于XGBoost算法的工程超期预测方法 |
CN112052992A (zh) * | 2020-08-26 | 2020-12-08 | 杭州新中大科技股份有限公司 | 一种基于深度学习的建筑工程项目进度预测系统及方法 |
CN116630095A (zh) * | 2023-07-24 | 2023-08-22 | 中建西南咨询顾问有限公司 | 一种自动化工程建设总任务计划统筹方法及系统 |
CN116934274A (zh) * | 2023-09-14 | 2023-10-24 | 济南科金信息技术有限公司 | 一种基于人工智能的工程进度管理系统 |
-
2019
- 2019-01-07 CN CN201910012312.7A patent/CN109784556A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288142A (zh) * | 2019-06-18 | 2019-09-27 | 国网上海市电力公司 | 一种基于XGBoost算法的工程超期预测方法 |
CN110288142B (zh) * | 2019-06-18 | 2023-02-28 | 国网上海市电力公司 | 一种基于XGBoost算法的工程超期预测方法 |
CN112052992A (zh) * | 2020-08-26 | 2020-12-08 | 杭州新中大科技股份有限公司 | 一种基于深度学习的建筑工程项目进度预测系统及方法 |
CN116630095A (zh) * | 2023-07-24 | 2023-08-22 | 中建西南咨询顾问有限公司 | 一种自动化工程建设总任务计划统筹方法及系统 |
CN116630095B (zh) * | 2023-07-24 | 2023-09-19 | 中建西南咨询顾问有限公司 | 一种自动化工程建设总任务计划统筹方法及系统 |
CN116934274A (zh) * | 2023-09-14 | 2023-10-24 | 济南科金信息技术有限公司 | 一种基于人工智能的工程进度管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784556A (zh) | 一种基于往期数据的基站设备安装项目工期预测方法 | |
CN110413707A (zh) | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 | |
CN103095494A (zh) | 一种电力通信网风险评估方法 | |
CN104321794B (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
CN106127363A (zh) | 一种用户信用评估方法和装置 | |
CN107368918A (zh) | 数据处理方法和装置 | |
CN106202480A (zh) | 一种基于K‑means和LDA双向验证的网络行为习惯聚类方法 | |
CN106056290A (zh) | 一种计及新能源接入的输电网运行效率效益检测方法 | |
Mokeyev et al. | Analysis of socio-economic system processes performance with the help of eigenstate models | |
Wang et al. | Smart community evaluation for sustainable development using a combined analytical framework | |
CN108959958A (zh) | 一种关联大数据的隐私保护方法及系统 | |
CN107220867A (zh) | 对象控制方法及装置 | |
CN110009224A (zh) | 嫌疑人违规概率预测方法、装置、计算机设备及存储介质 | |
CN110445939A (zh) | 容量资源的预测方法及装置 | |
Liu et al. | Development Assessment of Higher Education System Based on TOPSIS‐Entropy, Hopfield Neural Network, and Cobweb Model | |
Sahoo et al. | Determinants of India’s service exports | |
CN108256473A (zh) | 用于数据扩增的方法、装置和系统、计算机可读存储介质 | |
Kamalu et al. | Foreign remittances, good governance and human development in Sub-Saharan Africa: Evidence from FMOLS and DOLS | |
CN106022975A (zh) | 一种水资源开发利用效率评价方法及其应用 | |
CN107093149A (zh) | 在线好友关系强度评估方法及系统 | |
Mehar et al. | Analytical model for residential predicting energy consumption | |
CN106530110A (zh) | 一种基于大数据的海洋工程管理系统及方法 | |
Ahmed | Economic and welfare impacts of prospective India–Australia FTA using GTAP and smart models | |
Ravinthirakumaran | Applicability of openness-led growth hypothesis in Sri Lanka: An ARDL bounds test | |
You | Assessing Land Ecological Security Based on BP Neural Network: a Case Study of Hangzhou, China. |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190521 |