CN111178605A - 一种基于特征选择的配网工程项目工期预测方法 - Google Patents
一种基于特征选择的配网工程项目工期预测方法 Download PDFInfo
- Publication number
- CN111178605A CN111178605A CN201911319761.2A CN201911319761A CN111178605A CN 111178605 A CN111178605 A CN 111178605A CN 201911319761 A CN201911319761 A CN 201911319761A CN 111178605 A CN111178605 A CN 111178605A
- Authority
- CN
- China
- Prior art keywords
- project
- distribution network
- factors
- duration
- feature selection
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010276 construction Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000002790 cross-validation Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000012216 screening Methods 0.000 abstract 1
- 238000009434 installation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于特征选择的配网工程项目工期预测方法,步骤包括:选择影响工程进度的因素,以及配网工程项目独特的因素,构造因素集;用因素集中的所有因素训练超限学习机分类器,用10折交叉验证得到分类精度p,随机临时剔除因素集中的某个因素,重新训练超限学习机分类器,并用10折交叉验证得到分类精度p′,通过比较筛选确定计算因素,建立工期预测模型进行工期预测计算。利用超限学习机设计了一种多步骤降维的方法,提取配网工程项目数据样本的主要因素,得到数量少但预测能力强的主要因素,用来建立配网工程项目的预测模型,大大减少工程超期完工的可能性,加强工程计划的准确性,有效降低项目超期风险。
Description
技术领域
本发明涉及工程预测领域,尤其涉及一种基于特征选择的配网工程项目工期预测方法。
背景技术
有资料显示,目前供电企业在配网项目工程进度管控和工程计划实时调整的过程中存在着难题,首先是国家电网对配网工程中各步骤流程的时限没有统一标准,且各地区配网工程推进各有特点,工程中各步骤耗时大不相同,难以使用规定好的标准限定,导致公司在管控中基本依靠经验来判断工程进度,难以实现配网工程全过程的精益管控。同时由于无法用准确的数据来定量分析工程各阶段进度的滞后或者超前,导致工程计划的制定和变更比较粗糙,工程完工的实际耗时与计划安排难以匹配,因此使得公司缺少项目进程中对项目总工期的实时预测能力和超时风险评估机制,造成工程项目超期完工时有发生。
中国专利文献CN109784556A公开了一种“基于往期数据的基站设备安装项目工期预测方法”。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。虽然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,但无法准确的预测项目工期的技术问题。
上述技术方案采用的BP算法的学习速度很慢,并且有可能陷入局部极值,导致训练失败。也有研究利用最小二乘支持向量机设计一种建设工程项目工序工期的预测模型,支持向量机很大程度上简化了分类和回归等问题,但由于支持向量机是借助二次规划来求解支持向量,而求解二次规划将涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。
发明内容
本发明主要解决原有的工期预测计算耗时过长,可能导致预测失败的技术问题,提供一种基于特征选择的配网工程项目工期预测方法,利用超限学习机设计了一种多步骤降维的方法,提取配网工程项目数据样本的主要因素,得到数量少但预测能力强的主要因素,用来建立配网工程项目的预测模型,为工程计划的实时变更提供数据支撑,大大减少工程超期完工的可能性,有效提升工程全过程精益化管控能力,加强工程计划的准确性,有效降低项目超期风险。
本发明的上述技术问题主要是通过下述技术方案得以解决的:本发明包括以下步骤:
(1)选择影响工程进度的因素,以及配网工程项目独特的因素,构造因素集;
(2)用上述因素集中的所有因素训练超限学习机分类器,用10折交叉验证得到分类精度p;
(3)随机临时剔除因素集中的某个因素,重新训练超限学习机分类器,并用10折交叉验证得到分类精度p′;
(4)如果p大于p′,则说明被剔除的这个因素对分类结果有贡献,应该保留;反之则正式剔除;
(5)重复以上步骤,直到剩下的因素无法剔除为止;
(6)利用新的因素集训练超限学习机预测配网工程项目工期时长。
作为优选,所述的步骤(1)中影响工程进度的因素包括工程的前期准备工作、人力、材料、进度安排的精确性、工程进展过程中的协调、返工、设备数量和天气状况。上述每个因素都需构造成因素集参与降维计算以筛选预测能力较强的因素,从而在保证工期预测准确的基础上减少计算量,影响工程进度的因素并不固定,根据具体工程状况进行选择。
作为优选,所述的步骤(2)将因素集分为10份,轮流将其中9份作为训练数据,1份作为测试数据,计算β0=HT(HHT)-1T,测试数据的工期时长输出为o=h(x)β0,得到分类精度p。如果预测的工期时长和该项目实际完成的工期时长的相对误差小于等于10%,则该预测被认为是有效预测,否则为无效预测。
作为优选,所述的步骤(6)对超限学习机给定N个训练样本(xi,ti),训练样本x的隐层输出表示为一个行向量h(x)=[h1(x),h2(x),…,hL(x)]。通过对大量样本数据进行计算以确保工期预测更为准确。
作为优选,所述的步骤(6)中设H为隐层输出矩阵,β为输出权,T为目标项目工期矩阵,其中
作为优选,所述的对于待预测的样本x对应的工期时长输出为o=h(x)β。
本发明的有益效果是:利用超限学习机设计了一种多步骤降维的方法,提取配网工程项目数据样本的主要因素,得到数量少但预测能力强的主要因素,用来建立配网工程项目的预测模型,为工程计划的实时变更提供数据支撑,大大减少工程超期完工的可能性,有效提升工程全过程精益化管控能力,加强工程计划的准确性,有效降低项目超期风险。
具体实施方式
下面通过实施例对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于特征选择的配网工程项目工期预测方法,包括以下步骤:
(1)选择影响工程进度的因素,以及配网工程项目独特的因素,构造因素集。通过研究发现,影响工程进度的因素主要有10种,包括工程的前期准备工作、人力、材料、进度安排的精确性、工程进展过程中的协调、返工、设备数量、天气状况等各种因素,且影响工程进度的因素并不固定,根据具体工程状况进行选择。
(2)用上述因素集中的所有因素训练超限学习机分类器,用10折交叉验证得到分类精度p。将因素集分为10份,轮流将其中9份作为训练数据,1份作为测试数据,计算β0=HT(HHT)-1T,测试数据的工期时长输出为o=h(x)β0,得到分类精度p。我们规定,如果预测的工期时长和该项目实际完成的工期时长的相对误差小于等于10%,则该预测被认为是有效预测,否则为无效预测。
(3)随机临时剔除因素集中的某个因素,重新训练超限学习机分类器,并用10折交叉验证得到分类精度p′。
(4)如果p大于p′,则说明被剔除的这个因素对分类结果有贡献,应该保留;反之则正式剔除。
(5)重复以上步骤,直到剩下的因素无法剔除为止。
(6)利用新的因素集训练超限学习机预测配网工程项目工期时长。
给定N个训练样本(xi,ti),训练样本x的隐层输出表示为一个行向量h(x)=[h1(x),h2(x),…,hL(x)].设H为隐层输出矩阵,β为输出权,T为目标项目工期矩阵,其中
其中C为常数,I为单位矩阵,
对于待预测的样本x对应的工期时长输出为o=h(x)β。
通过对大量样本数据进行计算以确保配网工程项目的工期预测更为准确。
Claims (6)
1.一种基于特征选择的配网工程项目工期预测方法,其特征在于,包括以下步骤:
(1)选择影响工程进度的因素,以及配网工程项目独特的因素,构造因素集;
(2)用上述因素集中的所有因素训练超限学习机分类器,用10折交叉验证得到分类精度p;
(3)随机临时剔除因素集中的某个因素,重新训练超限学习机分类器,并用10折交叉验证得到分类精度p′;
(4)如果p大于p′,则说明被剔除的这个因素对分类结果有贡献,应该保留;反之则正式剔除;
(5)重复以上步骤,直到剩下的因素无法剔除为止;
(6)利用新的因素集训练超限学习机预测配网工程项目工期时长。
2.根据权利要求1所述的一种基于特征选择的配网工程项目工期预测方法,其特征在于,所述步骤(1)中影响工程进度的因素包括工程的前期准备工作、人力、材料、进度安排的精确性、工程进展过程中的协调、返工、设备数量和天气状况。
3.根据权利要求1所述的一种基于特征选择的配网工程项目工期预测方法,其特征在于,所述步骤(2)将因素集分为10份,轮流将其中9份作为训练数据,1份作为测试数据,计算β0=HT(HHT)-1T,测试数据的工期时长输出为o=h(x)β0,得到分类精度p。
4.根据权利要求1或2或3所述的一种基于特征选择的配网工程项目工期预测方法,其特征在于,所述步骤(6)对超限学习机给定N个训练样本(xi,ti),训练样本x的隐层输出表示为一个行向量h(x)=[h1(x),h2(x),…,hL(x)]。
6.根据权利要求5所述的一种基于特征选择的配网工程项目工期预测方法,其特征在于,所述对于待预测的样本x对应的工期时长输出为o=h(x)β。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319761.2A CN111178605A (zh) | 2019-12-19 | 2019-12-19 | 一种基于特征选择的配网工程项目工期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319761.2A CN111178605A (zh) | 2019-12-19 | 2019-12-19 | 一种基于特征选择的配网工程项目工期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178605A true CN111178605A (zh) | 2020-05-19 |
Family
ID=70657602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911319761.2A Pending CN111178605A (zh) | 2019-12-19 | 2019-12-19 | 一种基于特征选择的配网工程项目工期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178605A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112200532A (zh) * | 2020-09-16 | 2021-01-08 | 北京中宣智伟科技有限公司 | 一种施工工期智能计算的方法及系统、计算机可读介质 |
CN113095786A (zh) * | 2021-04-20 | 2021-07-09 | 广联达科技股份有限公司 | 施工项目的延期预测方法及预测装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194423A (zh) * | 2017-05-19 | 2017-09-22 | 杭州电子科技大学 | 基于特征随机抽样集成超限学习机的高光谱图像分类方法 |
-
2019
- 2019-12-19 CN CN201911319761.2A patent/CN111178605A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194423A (zh) * | 2017-05-19 | 2017-09-22 | 杭州电子科技大学 | 基于特征随机抽样集成超限学习机的高光谱图像分类方法 |
Non-Patent Citations (7)
Title |
---|
伊世香: "基于BP神经网络的工程项目总工期预测方法仿真研究", 《信息系统工程》 * |
周艳梅 等: "基于超限学习机的95598 故障工单预测模型研究", 《科技创新》 * |
李万庆等: "基于BSA-ELM模型的建筑工程施工成本预测研究", 《数学的实践与认识》 * |
王少华等: "火电机组标煤耗率模型的变量选择方法", 《工矿自动化》 * |
王晓晔等: "一种高效的分类规则挖掘算法", 《计算机工程与应用》 * |
舒隽等: "极限学习机方法在电力线路建设成本估算中的应用研究", 《现代电力》 * |
许爱东等: "PCA-PSO-ELM配网供电可靠性预测模型", 《哈尔滨工程大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112200532A (zh) * | 2020-09-16 | 2021-01-08 | 北京中宣智伟科技有限公司 | 一种施工工期智能计算的方法及系统、计算机可读介质 |
CN113095786A (zh) * | 2021-04-20 | 2021-07-09 | 广联达科技股份有限公司 | 施工项目的延期预测方法及预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288210B (zh) | 项目级道路基础设施综合养护决策方法及系统 | |
CN111178605A (zh) | 一种基于特征选择的配网工程项目工期预测方法 | |
CN107463730B (zh) | 一种考虑土地利用时空演变的径流变化归因识别方法 | |
CN101551884B (zh) | 面向大规模样本的cvr电力负荷快速预测方法 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
Khosrowshahi | Simulation of expenditure patterns of construction projects | |
CN107146035A (zh) | 针织服装大货生产中批量系数的计算方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN110991739A (zh) | 一种行业电量需求预测模型的构建方法及预测方法 | |
CN105867341A (zh) | 一种烟草加工设备的在线设备健康状态自检方法及系统 | |
CN105825286A (zh) | 一种武器装备全生命周期费用估算系统及方法 | |
Kaka et al. | Development of a company‐level dynamic cash flow forecasting model (DYCAFF) | |
CN113554213A (zh) | 一种天然气需求预测方法、系统、存储介质及设备 | |
CN111563615A (zh) | 一种基于特征分析与组合学习的负荷预测方法 | |
CN114077970A (zh) | 一种基于城市形态的碳排放相关因子的确定方法及装置 | |
CN113344467A (zh) | 一种电力工程资金预测方法和装置 | |
CN108805331A (zh) | 一种用电量预测方法 | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN110837952A (zh) | 一种基于博弈论的电网新技术设备选择方法及系统 | |
CN107194536A (zh) | 一种项目投资的供电可靠性负效益评估方法及装置 | |
CN108665108A (zh) | 一种基于大数据的大区域用电量预测方法及系统 | |
CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
CN108665090B (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
CN104200283B (zh) | 一种基于因子‑主属性模型的中长期电力负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |