CN111815194B - 一种基于大数据的指标管理方法、系统及其存储介质 - Google Patents

一种基于大数据的指标管理方法、系统及其存储介质 Download PDF

Info

Publication number
CN111815194B
CN111815194B CN202010700207.5A CN202010700207A CN111815194B CN 111815194 B CN111815194 B CN 111815194B CN 202010700207 A CN202010700207 A CN 202010700207A CN 111815194 B CN111815194 B CN 111815194B
Authority
CN
China
Prior art keywords
cost
data
neural network
sub
index
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.)
Active
Application number
CN202010700207.5A
Other languages
English (en)
Other versions
CN111815194A (zh
Inventor
应莺
王天海
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.)
Shanghai Shangzi Engineering Cost Consulting Co ltd
Original Assignee
Shanghai Shangzi Engineering Cost Consulting Co ltd
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 Shanghai Shangzi Engineering Cost Consulting Co ltd filed Critical Shanghai Shangzi Engineering Cost Consulting Co ltd
Priority to CN202010700207.5A priority Critical patent/CN111815194B/zh
Publication of CN111815194A publication Critical patent/CN111815194A/zh
Application granted granted Critical
Publication of CN111815194B publication Critical patent/CN111815194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Abstract

本申请涉及一种基于大数据的指标管理方法、系统及其存储介质，包括如下步骤：获取造价数据包，从造价数据包中提取与造价分类对应的子项，将所有子项作为指标参数；获取造价数据包的造价数据变化清单，获取设定时间段内价格清单的变化波动系数；对子项赋予加权值，计算出造价分类的代表子项；基于代表子项计算出造价指标，将造价指标输入造价神经网络，造价神经网络为使用同类型造价数据训练出的神经网络，若造价神经网络输出的结果代表造价指标符合同造价数据的同类型则得出近似工程的造价成果文件；若造价神经网络输出的结果不代表造价指标符合同造价数据的同类型则缩小设定时间段并跳转至S2重新执行。本申请具有降低造价指标误差的效果。

Description

一种基于大数据的指标管理方法、系统及其存储介质
技术领域
本申请涉及造价的领域，尤其是涉及一种基于大数据的指标管理方法、系统及其存储介质。
背景技术
随着我国经济实力不断增强,城市化发展的步伐也在逐渐加快，不同地区都会优先发展城市的建筑建设。目前城市的建筑建设有很多会接受连锁房地产企业的建设模式——建设连锁的特色商圈或者生活圈，例如万科广场、万科商楼或者万科住宅，这些连锁项目具有成熟的项目决策与建设管理程序，投资控制难度小。
目前成熟的建设项目最大的问题在于不同地区的材料成本不一致，也就会导致同样的项目而造价成本不同，且不同地区中材料价格的波动也不同，这加大了造价的难度，以及对造价指标计算的难度。
针对上述中的相关技术，发明人认为同样的项目在不同的地区中存在有造价指标难以计算，容易误差大的缺陷。
发明内容
为了降低造价指标的误差，本申请提供一种基于大数据的指标管理方法、系统及其存储介质。
第一方面，本申请提供一种基于大数据的指标管理方法，采用如下的技术方案：
一种基于大数据的指标管理方法，包括如下步骤：
S1：获取分布式存储至多个地址的造价数据包，按照预先设定的造价分类，从造价数据包中提取与造价分类对应的子项，将所有子项作为指标参数；
S2：获取造价数据包对应地址所属地区的造价数据变化清单，造价数据变化清单为所属区域中与造价分类对应的子项的价格清单，获取设定时间段内价格清单的变化波动系数，变化波动系数由通过K-means聚类算法对设定时间段内价格清单在相邻单位时间上的波动幅度进行聚类分析，指定设定时间段中间点的价格清单作为给定对象核心点，扫描设定时间段内价格清单作为目标匹配样本点，得到供参考使用的价格清单；对每个子项的价格清单进行计算；
S3：对所属同一造价分类的子项赋予加权值，根据加权平均值计算出造价分类的代表子项，子项的当前价格清单与计算后的价格清单差值越大，加权值越小；以及，
S4：基于代表子项计算出造价指标，将造价指标输入造价神经网络，造价神经网络为使用同类型造价数据训练出的神经网络，若造价神经网络输出的结果代表造价指标符合同造价数据的同类型则得出近似工程的造价成果文件；若造价神经网络输出的结果不代表造价指标符合同造价数据的同类型则缩小设定时间段并跳转至S2重新执行。
通过采用上述技术方案，造价数据包分布式地存储在不同的地区、不同的存储器上，里面有对应造价分类的子项，将子项在当地的价格浮动曲线使用聚类算法计算出参考值，降低价格浮动对造价指标的影响，接着利用加权平均算法让多地价格计算出参考值，例如误差大的占比小，也可价格贵的子项占比小；再计算出造价指标，经过造价神经网络得出造价成果文件，并对结果进行判断，若是不符合要求则重新计算，降低造价指标的误差。
优选的，还包括如下步骤：
S5：获取工程类型不同的造价数据包，执行S1-S4；以及，
S6：计算S4中跳转至S2的次数，若是次数大于预设的超范围次数，则重复输入N次模板数据包，重新矫正造价神经网络中的参数，模板数据包为造价神经的训练数据。
通过采用上述技术方案，对不同的工程类型进行计算，从而能够训练出不同的造价神经网络模型，以及能训练出兼容多种工程类型的造价神经网络。
优选的，还包括如下步骤：
S7：将造价神经网络的输入接口指向EXCEL，通过EXCEL接受造价指标；以及，
S8：将造价神经网络的输出接口指向EXCEL，生成内含结果的EXCEL文件，或者将结果输入EXCEL新建的工作表中。
通过采用上述技术方案，可以兼容使用EXCEL文件作为输入与输出，提高造价神经网络数据的可视性。
优选的，还包括如下步骤：
S9：为训练后的造价神经网络分配账户，不同的企业拥有不同的账户，造价神经网络计算过程中，按照账户分别保存网络变化数据，网络变化数据为计算后造价神经网络中参数与计算前造价神经网络中参数差值的对应差值矩阵。
通过采用上述技术方案，通过保存对应差值矩阵的方式记录数据，通过当前的造价神经网络参数以及过程中的对应差值矩阵就能计算出以前的造价神经网络，而对应差值矩阵的数值都不大，甚至大部分变化都是0，因此利于保存，保存速度也快。
第二方面，本申请提供一种基于大数据的指标管理系统，采用如下的技术方案：
一种基于大数据的指标管理系统，包括如下模块：
获取数据模块，用于获取分布式存储至多个地址的造价数据包，按照预先设定的造价分类，从造价数据包中提取与造价分类对应的子项，将所有子项作为指标参数；
数据计算模块，用于获取造价数据包对应地址所属地区的造价数据变化清单，造价数据变化清单为所属区域中与造价分类对应的子项的价格清单，获取设定时间段内价格清单的变化波动系数，变化波动系数由通过K-means聚类算法对设定时间段内价格清单在相邻单位时间上的波动幅度进行聚类分析，指定设定时间段中间点的价格清单作为给定对象核心点，扫描设定时间段内价格清单作为目标匹配样本点，得到供参考使用的价格清单；对每个子项的价格清单进行计算；
加权计算模块，用于对所属同一造价分类的子项赋予加权值，根据加权平均值计算出造价分类的代表子项，子项的当前价格清单与计算后的价格清单差值越大，加权值越小；以及，
数据输出模块，用于基于代表子项计算出造价指标，将造价指标输入造价神经网络，造价神经网络为使用同类型造价数据训练出的神经网络，若造价神经网络输出的结果代表造价指标符合同造价数据的同类型则得出近似工程的造价成果文件；若造价神经网络输出的结果不代表造价指标符合同造价数据的同类型则缩小设定时间段并重新调用所述数据计算模块。
通过采用上述技术方案，获取数据模块获取的造价数据包分布式地存储在不同的地区、不同的存储器上，里面有对应造价分类的子项，数据计算模块将子项在当地的价格浮动曲线使用聚类算法计算出参考值，降低价格浮动对造价指标的影响，加权计算模块用加权平均算法让多地价格计算出参考值，例如误差大的占比小，也可价格贵的子项占比小；数据输出模块计算出造价指标，经过造价神经网络得出造价成果文件，并对结果进行判断，若是不符合要求则重新计算，降低造价指标的误差。
优选的，还包括如下模块：
获取工程模块，用于获取工程类型不同的造价数据包，按序调用所述获取数据模块、所述数据计算模块、所述加权计算模块以及所述数据输出模块；以及，
重复矫正模块，用于计算所述数据输出模块中重新调用所述数据计算模块的次数，若是次数大于预设的超范围次数，则重复输入N次模板数据包，重新矫正造价神经网络中的参数，模板数据包为造价神经的训练数据。
通过采用上述技术方案，获取工程模块对不同的工程类型进行计算，重复矫正模块能够训练出不同的造价神经网络模型，以及能训练出兼容多种工程类型的造价神经网络。
优选的，还包括如下模块：
输入指向模块，用于将造价神经网络的输入接口指向EXCEL，通过EXCEL接受造价指标；以及，
输出指向模块，用于将造价神经网络的输出接口指向EXCEL，生成内含结果的EXCEL文件，或者将结果输入EXCEL新建的工作表中。
通过采用上述技术方案，输入指向模块与输出指向模块可以兼容使用EXCEL文件作为输入与输出，提高造价神经网络数据的可视性。
优选的，还包括如下模块：
保存数据模块，用于为训练后的造价神经网络分配账户，不同的企业拥有不同的账户，造价神经网络计算过程中，按照账户分别保存网络变化数据，网络变化数据为计算后造价神经网络中参数与计算前造价神经网络中参数差值的对应差值矩阵。
通过采用上述技术方案，保存数据模块通过保存对应差值矩阵的方式记录数据，通过当前的造价神经网络参数以及过程中的对应差值矩阵就能计算出以前的造价神经网络，而对应差值矩阵的数值都不大，甚至大部分变化都是0，因此利于保存，保存速度也快。
第三方面，本申请提供一种计算机存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种基于大数据的指标管理方法的计算机程序。
附图说明
图1是本申请基于大数据的指标管理方法的方法流程示意图。
图2是本申请基于大数据的指标管理方法的方法流程示意图。
图3是本申请基于大数据的指标管理系统的系统结构框图。
附图标记：1、获取数据模块；2、数据计算模块；3、加权计算模块；4、数据输出模块；5、获取工程模块；6、重复矫正模块；7、输入指向模块；8、输出指向模块；9、保存数据模块。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例公开一种基于大数据的指标管理方法，如图1与图2所示，包括如下步骤：
S1：获取分布式存储至多个地址的造价数据包，按照预先设定的造价分类，从造价数据包中提取与造价分类对应的子项，将所有子项作为指标参数。例如，万科广场项目，同样的建筑群落设计，同样的景观布置，采用同样的建筑材料，在每个城市都会单独有一个造价数据包，且这个造价数据包存储在同一个城市的不同项目部上，每个项目部均设置有存储服务器。例如在一线A城市有M个项目部，在二线B 城市有N个项目部，那么A城市的造价数据包与B城市的造价数据包不同，且A城市的造价数据包分为M个部分分布式地存储在M个项目部中，B城市的造价数据包分为N个部分分布式地存储在N个项目部中。不同的项目部之间通过网络调用造价数据包内的数据，提高了存储性价比。
S2：获取造价数据包对应地址所属地区的造价数据变化清单，造价数据变化清单为所属区域中与造价分类对应的子项的价格清单，获取设定时间段内价格清单的变化波动系数，变化波动系数由通过K-means聚类算法对设定时间段内价格清单在相邻单位时间上的波动幅度进行聚类分析，指定设定时间段中间点的价格清单作为给定对象核心点，扫描设定时间段内价格清单作为目标匹配样本点，得到供参考使用的价格清单；对每个子项的价格清单进行计算。造价数据变化清单为实际的价格波动曲线上的离散值，变化波动系数则为反应价格变化程度的值，从而用来反应计算出的价格参考值的准确度，波动变化越大的价格，其对应计算出来的价格参考值不准确度的风险越大，从而预估其准确度会降低。
S3：对所属同一造价分类的子项赋予加权值，根据加权平均值计算出造价分类的代表子项，子项的当前价格清单与计算后的价格清单差值越大，加权值越小。相对来说，继而使得子项的当前价格清单与计算后的价格清单差值越小，加权值越大，降低价格的波动对最终计算出来的造价指标的影响。
S4：基于代表子项计算出造价指标，将造价指标输入造价神经网络，造价神经网络为使用同类型造价数据训练出的神经网络，若造价神经网络输出的结果代表造价指标符合同造价数据的同类型则得出近似工程的造价成果文件；若造价神经网络输出的结果不代表造价指标符合同造价数据的同类型则缩小设定时间段并跳转至S2重新执行。代表子项有很多，根据现有技术中的造价指标算法计算出造价指标，也可以直接指定代表子项组成造价指标，也可以就当地的物价水平对造价指标进行地域差异修正。造价神经网络基于卷积神经网络。
S5：获取工程类型不同的造价数据包，执行S1-S4。计算工程类型不同的造价指标，从而让造价神经网络的卷积算法不断地叠加工程类型不同的工程中相同的属性，从而让相同的属性得到训练，不断地提高造价神经网络对多种类型工程或者是大型综合性工程的兼容性。
S6：计算S4中跳转至S2的次数，若是次数大于预设的超范围次数，则重复输入N次模板数据包，重新矫正造价神经网络中的参数，模板数据包为造价神经的训练数据。通过重复输入N次模板数据包，再次进行训练，从而让造价神经网络中的参数得到恢复。
S7：将造价神经网络的输入接口指向EXCEL，通过EXCEL接受造价指标。
S8：将造价神经网络的输出接口指向EXCEL，生成内含结果的EXCEL文件，或者将结果输入EXCEL新建的工作表中。
S9：为训练后的造价神经网络分配账户，不同的企业拥有不同的账户，造价神经网络计算过程中，按照账户分别保存网络变化数据，网络变化数据为计算后造价神经网络中参数与计算前造价神经网络中参数差值的对应差值矩阵。对应差值矩阵内元素的数值都不大，甚至大部分变化都是0，因此利于保存，保存速度也快。通过保存对应差值矩阵的方式记录数据，通过当前的造价神经网络参数以及过程中的对应差值矩阵就能计算出以前的造价神经网络。
本申请实施例一种基于大数据的指标管理方法的实施原理为：造价数据包分布式地存储在不同的地区、不同的存储器上，相较于传统的每个项目部存储有整个造价数据包能节约存储资源。里面有对应造价分类的子项，将子项在当地的价格浮动曲线使用聚类算法计算出参考值，降低价格浮动对造价指标的影响，接着利用加权平均算法让多地价格计算出参考值，例如误差大的占比小，也可价格贵的子项占比小。再计算出造价指标，经过造价神经网络得出造价成果文件，并对结果进行判断，若是不符合要求则重新进行计算，重新计算的过程能训练造价神经网络对不符合要求数据的抵抗性，降低造价指标的误差。对不同的工程类型进行计算，从而能够训练出不同的造价神经网络模型，以及能训练出兼容多种工程类型的造价神经网络。方法还能实现兼容使用EXCEL文件作为输入与输出，提高造价神经网络数据的可视性。
本申请实施例还公开一种基于大数据的指标管理系统，如图3所示，包括如下模块：
获取数据模块1，用于获取分布式存储至多个地址的造价数据包，按照预先设定的造价分类，从造价数据包中提取与造价分类对应的子项，将所有子项作为指标参数。
数据计算模块2，用于获取造价数据包对应地址所属地区的造价数据变化清单，造价数据变化清单为所属区域中与造价分类对应的子项的价格清单，获取设定时间段内价格清单的变化波动系数，变化波动系数由通过K-means聚类算法对设定时间段内价格清单在相邻单位时间上的波动幅度进行聚类分析，指定设定时间段中间点的价格清单作为给定对象核心点，扫描设定时间段内价格清单作为目标匹配样本点，得到供参考使用的价格清单；对每个子项的价格清单进行计算。
加权计算模块3，用于对所属同一造价分类的子项赋予加权值，根据加权平均值计算出造价分类的代表子项，子项的当前价格清单与计算后的价格清单差值越大，加权值越小。
数据输出模块4，用于基于代表子项计算出造价指标，将造价指标输入造价神经网络，造价神经网络为使用同类型造价数据训练出的神经网络，若造价神经网络输出的结果代表造价指标符合同造价数据的同类型则得出近似工程的造价成果文件；若造价神经网络输出的结果不代表造价指标符合同造价数据的同类型则缩小设定时间段并重新调用数据计算模块2。
获取工程模块5，用于获取工程类型不同的造价数据包，按序调用获取数据模块1、数据计算模块2、加权计算模块3以及数据输出模块4。
重复矫正模块6，用于计算数据输出模块4中重新调用数据计算模块2的次数，若是次数大于预设的超范围次数，则重复输入N次模板数据包，重新矫正造价神经网络中的参数，模板数据包为造价神经的训练数据。
输入指向模块7，用于将造价神经网络的输入接口指向EXCEL，通过EXCEL接受造价指标。
输出指向模块8，用于将造价神经网络的输出接口指向EXCEL，生成内含结果的EXCEL文件，或者将结果输入EXCEL新建的工作表中。
以及，
保存数据模块9，用于为训练后的造价神经网络分配账户，不同的企业拥有不同的账户，造价神经网络计算过程中，按照账户分别保存网络变化数据，网络变化数据为计算后造价神经网络中参数与计算前造价神经网络中参数差值的对应差值矩阵。
本申请实施例一种基于大数据的指标管理系统的实施原理为：获取数据模块1获取的造价数据包分布式地存储在不同的地区、不同的存储器上，里面有对应造价分类的子项，数据计算模块2将子项在当地的价格浮动曲线使用聚类算法计算出参考值，降低价格浮动对造价指标的影响，加权计算模块3用加权平均算法让多地价格计算出参考值，例如误差大的占比小，也可价格贵的子项占比小；数据输出模块4计算出造价指标，经过造价神经网络得出造价成果文件，并对结果进行判断，若是不符合要求则重新计算，降低造价指标的误差。获取工程模块5对不同的工程类型进行计算，重复矫正模块6能够训练出不同的造价神经网络模型，以及能训练出兼容多种工程类型的造价神经网络。输入指向模块7与输出指向模块8可以兼容使用EXCEL文件作为输入与输出，提高造价神经网络数据的可视性。保存数据模块9通过保存对应差值矩阵的方式记录数据，通过当前的造价神经网络参数以及过程中的对应差值矩阵就能计算出以前的造价神经网络，而对应差值矩阵的数值都不大，甚至大部分变化都是0，因此利于保存，保存速度也快。
本申请实施例还公开一种计算机可读存储介质，存储有能够被处理器加载并执行上述记载的基于大数据的指标管理方法的计算机程序。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (9)

1.一种基于大数据的指标管理方法，其特征在于：包括如下步骤：
S1：获取分布式存储至多个地址的造价数据包，按照预先设定的造价分类，从造价数据包中提取与造价分类对应的子项，将所有子项作为指标参数；
S2：获取造价数据包对应地址所属地区的造价数据变化清单，造价数据变化清单为所属区域中与造价分类对应的子项的价格清单，获取设定时间段内价格清单的变化波动系数，变化波动系数由通过K-means聚类算法对设定时间段内价格清单在相邻单位时间上的波动幅度进行聚类分析，指定设定时间段中间点的价格清单作为给定对象核心点，扫描设定时间段内价格清单作为目标匹配样本点，得到供参考使用的价格清单；对每个子项的价格清单进行计算；
S3：对所属同一造价分类的子项赋予加权值，根据加权平均值计算出造价分类的代表子项，子项的当前价格清单与计算后的价格清单差值越大，加权值越小；以及，
S4：基于代表子项计算出造价指标，将造价指标输入造价神经网络，造价神经网络为使用同类型造价数据训练出的神经网络，若造价神经网络输出的结果代表造价指标符合同造价数据的同类型则得出近似工程的造价成果文件；若造价神经网络输出的结果不代表造价指标符合同造价数据的同类型则缩小设定时间段并跳转至S2重新执行。
2.根据权利要求1所述的方法，其特征在于：还包括如下步骤：
S5：获取工程类型不同的造价数据包，执行S1-S4；以及，
S6：计算S4中跳转至S2的次数，若是次数大于预设的超范围次数，则重复输入N次模板数据包，重新矫正造价神经网络中的参数，模板数据包为造价神经的训练数据。
3.根据权利要求1所述的方法，其特征在于：还包括如下步骤：
S7：将造价神经网络的输入接口指向EXCEL，通过EXCEL接受造价指标；以及，
S8：将造价神经网络的输出接口指向EXCEL，生成内含结果的EXCEL文件，或者将结果输入EXCEL新建的工作表中。
4.根据权利要求1所述的方法，其特征在于：还包括如下步骤：
S9：为训练后的造价神经网络分配账户，不同的企业拥有不同的账户，造价神经网络计算过程中，按照账户分别保存网络变化数据，网络变化数据为计算后造价神经网络中参数与计算前造价神经网络中参数差值的对应差值矩阵。
5.一种基于大数据的指标管理系统，其特征在于：包括如下模块：
获取数据模块（1），用于获取分布式存储至多个地址的造价数据包，按照预先设定的造价分类，从造价数据包中提取与造价分类对应的子项，将所有子项作为指标参数；
数据计算模块（2），用于获取造价数据包对应地址所属地区的造价数据变化清单，造价数据变化清单为所属区域中与造价分类对应的子项的价格清单，获取设定时间段内价格清单的变化波动系数，变化波动系数由通过K-means聚类算法对设定时间段内价格清单在相邻单位时间上的波动幅度进行聚类分析，指定设定时间段中间点的价格清单作为给定对象核心点，扫描设定时间段内价格清单作为目标匹配样本点，得到供参考使用的价格清单；对每个子项的价格清单进行计算；
加权计算模块（3），用于对所属同一造价分类的子项赋予加权值，根据加权平均值计算出造价分类的代表子项，子项的当前价格清单与计算后的价格清单差值越大，加权值越小；以及，
数据输出模块（4），用于基于代表子项计算出造价指标，将造价指标输入造价神经网络，造价神经网络为使用同类型造价数据训练出的神经网络，若造价神经网络输出的结果代表造价指标符合同造价数据的同类型则得出近似工程的造价成果文件；若造价神经网络输出的结果不代表造价指标符合同造价数据的同类型则缩小设定时间段并重新调用所述数据计算模块（2）。
6.根据权利要求5所述的系统，其特征在于：还包括如下模块：
获取工程模块（5），用于获取工程类型不同的造价数据包，按序调用所述获取数据模块（1）、所述数据计算模块（2）、所述加权计算模块（3）以及所述数据输出模块（4）；以及，
重复矫正模块（6），用于计算所述数据输出模块（4）中重新调用所述数据计算模块（2）的次数，若是次数大于预设的超范围次数，则重复输入N次模板数据包，重新矫正造价神经网络中的参数，模板数据包为造价神经的训练数据。
7.根据权利要求5所述的系统，其特征在于：还包括如下模块：
输入指向模块（7），用于将造价神经网络的输入接口指向EXCEL，通过EXCEL接受造价指标；以及，
输出指向模块（8），用于将造价神经网络的输出接口指向EXCEL，生成内含结果的EXCEL文件，或者将结果输入EXCEL新建的工作表中。
8.根据权利要求5所述的系统，其特征在于：还包括如下模块：
保存数据模块（9），用于为训练后的造价神经网络分配账户，不同的企业拥有不同的账户，造价神经网络计算过程中，按照账户分别保存网络变化数据，网络变化数据为计算后造价神经网络中参数与计算前造价神经网络中参数差值的对应差值矩阵。
9.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1至4中任一种方法的计算机程序。
CN202010700207.5A 2020-07-20 2020-07-20 一种基于大数据的指标管理方法、系统及其存储介质 Active CN111815194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010700207.5A CN111815194B (zh) 2020-07-20 2020-07-20 一种基于大数据的指标管理方法、系统及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010700207.5A CN111815194B (zh) 2020-07-20 2020-07-20 一种基于大数据的指标管理方法、系统及其存储介质

Publications (2)

Publication Number Publication Date
CN111815194A CN111815194A (zh) 2020-10-23
CN111815194B true CN111815194B (zh) 2022-04-19

Family

ID=72864975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010700207.5A Active CN111815194B (zh) 2020-07-20 2020-07-20 一种基于大数据的指标管理方法、系统及其存储介质

Country Status (1)

Country Link
CN (1) CN111815194B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930931A (zh) * 2016-04-22 2016-09-07 国网浙江省电力公司经济技术研究院 一种电力工程造价的管理方法
CN106709671A (zh) * 2017-02-16 2017-05-24 广东华联软件科技有限公司 一种造价指标动态化的建立方法及动态指标系统
CN106779187A (zh) * 2016-11-30 2017-05-31 广东电网有限责任公司电网规划研究中心 电网工程设备材料的价格参数生成方法及装置
CN106815782A (zh) * 2017-01-23 2017-06-09 重庆汇集源科技有限公司 一种基于神经网络统计学模型的房地产估值方法及系统
CN106910011A (zh) * 2017-02-06 2017-06-30 广东华联软件科技有限公司 一种造价指标分析方法及系统
CN110942354A (zh) * 2019-12-11 2020-03-31 广州地铁集团有限公司 一种基于大数据算法的轨道交通工程造价指标自动计算方法
CN110992113A (zh) * 2019-12-23 2020-04-10 国网湖北省电力有限公司 基于神经网络智能算法的基建变电站项目造价预测方法
CN111127246A (zh) * 2019-11-21 2020-05-08 国网福建省电力有限公司经济技术研究院 一种输电线路工程造价的智能预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930931A (zh) * 2016-04-22 2016-09-07 国网浙江省电力公司经济技术研究院 一种电力工程造价的管理方法
CN106779187A (zh) * 2016-11-30 2017-05-31 广东电网有限责任公司电网规划研究中心 电网工程设备材料的价格参数生成方法及装置
CN106815782A (zh) * 2017-01-23 2017-06-09 重庆汇集源科技有限公司 一种基于神经网络统计学模型的房地产估值方法及系统
CN106910011A (zh) * 2017-02-06 2017-06-30 广东华联软件科技有限公司 一种造价指标分析方法及系统
CN106709671A (zh) * 2017-02-16 2017-05-24 广东华联软件科技有限公司 一种造价指标动态化的建立方法及动态指标系统
CN111127246A (zh) * 2019-11-21 2020-05-08 国网福建省电力有限公司经济技术研究院 一种输电线路工程造价的智能预测方法
CN110942354A (zh) * 2019-12-11 2020-03-31 广州地铁集团有限公司 一种基于大数据算法的轨道交通工程造价指标自动计算方法
CN110992113A (zh) * 2019-12-23 2020-04-10 国网湖北省电力有限公司 基于神经网络智能算法的基建变电站项目造价预测方法

Also Published As

Publication number Publication date
CN111815194A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN110276556B (zh) 一种基于多策略的环境承载力指标权重计算方法及装置
CN101853290A (zh) 基于地理信息系统的气象服务效益评估方法
CN107730115A (zh) 一种基于ahp的多源位置轨迹数据的质量评估方法
CN107766929A (zh) 模型分析方法及装置
CN107169628A (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN112541532B (zh) 基于密集连接结构的目标检测方法
CN106599230A (zh) 一种分布式数据挖掘模型评估的方法与系统
CN109840260A (zh) 一种基于动态插补的大规模实时降雨自动观测站分级数据处理方法
CN112330050A (zh) 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法
CN112232526B (zh) 一种基于集成策略的地质灾害易发性评价方法及系统
CN115564114A (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN111292124A (zh) 一种基于优化组合神经网络的需水预测方法
CN115271373A (zh) 城市群弹性开发边界划定方法及系统
CN114792169A (zh) 基于MIC-XGBoost算法的居民用水量预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115841225A (zh) 一种路网中道路维修优先级排序方法
CN114493052A (zh) 多模型融合自适应新能源功率预测方法和系统
CN116796904A (zh) 一种轨道交通新线客流预测方法、系统、电子设备及介质
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN111815194B (zh) 一种基于大数据的指标管理方法、系统及其存储介质
CN113449919A (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN113344391A (zh) 基于dea改进模型的人工智能企业创新效率的评价方法
CN108830407B (zh) 多工况条件下结构健康监测中的传感器分布优化方法
CN116611785A (zh) 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质
CN111126827A (zh) 一种基于bp人工神经网络的投入产出核算模型构建方法

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
GR01 Patent grant
GR01 Patent grant