CN112052992A - 一种基于深度学习的建筑工程项目进度预测系统及方法 - Google Patents
一种基于深度学习的建筑工程项目进度预测系统及方法 Download PDFInfo
- Publication number
- CN112052992A CN112052992A CN202010872868.6A CN202010872868A CN112052992A CN 112052992 A CN112052992 A CN 112052992A CN 202010872868 A CN202010872868 A CN 202010872868A CN 112052992 A CN112052992 A CN 112052992A
- Authority
- CN
- China
- Prior art keywords
- data
- progress
- historical
- project
- prediction 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 89
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000004140 cleaning Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 71
- 238000000354 decomposition reaction Methods 0.000 claims description 46
- 230000002159 abnormal effect Effects 0.000 claims description 40
- 230000004913 activation Effects 0.000 claims description 34
- 230000015556 catabolic process Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000008676 import Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000009469 supplementation Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000009435 building construction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/04—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的建筑工程项目进度预测系统及方法,属于建筑行业领域,模型构建过程包括:抽取历史数据;对历史数据进行数据清洗、修正、补充、规则化处理得到待训练数据;构建初始预测模型并进行训练;依据特殊数据对模型进行验证,将通过验证的初始预测模型作为进度预测模型输出;进度预测过程包括:获取当前实际项目信息并输入至进度预测模型中,预测得到的关联于实际项目信息的预测项目进度信息。本发明的有益效果在于:建立一套适应于不同细分领域和场景的进度预测方法,通过深度学习算法对历史数据进行预处理和加工,同时重点模拟特殊场景,作为进度预测需要考虑的特殊场景输出相应的预测结果,可给出预警提示。
Description
技术领域
本发明涉及建筑行业领域,尤其涉及一种基于深度学习的建筑工程项目进度预测系统及方法。
背景技术
建筑工程项目进度的预测是建筑工程企业制定施工计划、管控施工过程的重要依据,对于指导和安排建筑工程项目管理有着十分重要的作用。工程进度不但受制于各工序自身的客观时间周期要求,还会受到各种外力、自然环境因素、内外部合作方协同因素等多方面的制约,因此预测方法在可靠性、准确性方面往往会有很大的偏差。建筑工程进度的预测主要是基于对工程项目中的工作结构分解表(Work Breakdown Structure,简称WBS)所涉及的各个工序环节进行预测,以达到预测整体工程进度的目的。传统的项目进度预测方法主要包括以下几种:基于挣得值技术分析,应用挣得值工期法和挣得值进度法,对理论值和实际值进行偏差分析,进而监控项目成本和进度;基于同类型历史工程项目的经验数据,应用数据筛选或者数据挖掘技术,结合当前工程项目的工作结构分解表的特征进行进度预测;利用工作结构分解表对应的时标网络计划构建齐次马尔可夫链,经过统计得出一步转移概率矩阵,然后利用计算机模拟预测时标网络计划的进展状态。
目前主流的工程项目进度预测方式,大部分围绕上面的一项或综合多项进行预测和推算,并给出相应的预测结果,这些预测方式存在一定的局限性,过于依赖于历史数据,对历史数据的加工和处理比较直接,没有充分体现历史数据的横向关联性;应用数据挖掘技术时,很少考虑到因为各种客观情况变化带来的变化,诸如施工工艺的提升导致的效率提升;对于异常历史情况,例如历史工程中的项目由于天气的恶劣导致施工进度延误,这些数据往往不会重点考虑到,通常在进度预测时被当成异常值被丢弃,并且对于预测结果,没有推演多帧不同突发情况下的进度,通常是理想状况下的预测结果;对于工程项目的预测细分领域过于单一,缺乏多样性,例如在建筑工程项目领域中,土建、房建、道路、市政、桥隧等不同领域,其对应的特征以及工作结构的划分往往存在很大的差异,现有预测算法难以适用于不同的细分领域,往往需要大量的人工手动调整才能应用到新的场景中,因此针对以上问题,迫切需要设计出一种基于深度学习的建筑工程项目进度预测系统及方法,以满足实际使用的需要。
发明内容
为了解决以上技术问题,本发明提供了一种基于深度学习的建筑工程项目进度预测方法及系统。
本发明所解决的技术问题可以采用以下技术方案实现:
本发明提供一种基于深度学习的建筑工程项目进度预测方法,预先建立一基于建筑工程项目的工作分解结构的项目进度数据库,所述项目进度数据库中包括多个历史数据,每个所述历史数据包括建筑工程的历史项目信息以及对应所述历史项目信息的历史进度数据;
所述建筑工程项目进度预测方法包括一进度模型的构建过程以及一进度预测过程;
所述构建过程具体包括:
步骤A1,于所述项目进度数据库中抽取历史数据;
步骤A2,对所述历史数据进行数据清洗处理;
步骤A3,对清洗后的所述历史数据进行修正、补充、规则化处理后得到待训练数据;
步骤A4,构建一初始预测模型,根据所述待训练数据对所述初始预测模型进行训练;
步骤A5,依据所述历史数据中的特殊数据对所述初始预测模型进行验证,将通过验证的所述初始预测模型作为进度预测模型输出;
所述进度预测过程具体包括:
步骤B1,获取当前的所述建筑工程项目的实际项目信息;
步骤B2,将所述实际项目信息输入至所述进度预测模型中,经过所述进度预测模型的处理后输出预测得到的关联于所述实际项目信息的预测项目进度信息。
优选地,还包括一行业工作分解结构规则数据库,所述行业工作分解结构规则数据库中预先存储有建筑行业中不同细分领域对应的工作分解结构规则;
所述步骤A3中,根据所述历史数据所属的所述细分领域,采用所述行业工作分解结构规则数据库中对应的所述工作分解结构规则对所述历史进度数据进行修正、补充、规则化处理。
优选地,所述步骤A4中,采用深度前馈网络作为所述初始预测网络,所述深度前馈网络的目标函数为:
其中,
n用于表示所述待训练数据的总数;
i用于表示所述待训练数据的索引;
Hi用于表示i个所述待训练数据拟合的所述目标函数;
acth用于表示所述深度前馈网络的激活函数;
wi用于表示所述目标函数中第i个所述待训练数据对应的权重值;
bi用于表示所述深度前馈网络中第i个所述待训练数据对应的偏差修正值;
ti用于表示所述深度前馈网络需要输入的第i个所述待训练数据。
优选地,所述激活函数采用Sigmoid激活函数,或者Tanh激活函数或者ReLU激活函数。
优选地,所述步骤A4中,对训练后的所述进度预测模型进行回归计算,将所述历史进度数据与所述进度预测模型预测得到的对应于所述历史进度数据的预测进度数据进行比对以得到一偏差值,直至所述偏差值处于一预设范围内时完成梯度下降,随后转向所述步骤A5。
优选地,完成所述梯度下降的方式包括线性回归、逻辑回归以及代价计算中的至少一种。
优选地,所述历史数据中的所述特殊数据包括所述历史进度数据中存在的异常数据,和/或具有行业发展趋势的工作分解节点;
所述步骤A5具体包括:
步骤A51,将所述特殊数据中的历史项目信息输入至训练好的所述初始预测模型,所述初始预测模型输出一对应的预测结果;
步骤A52,将所述步骤A51中输出的所述预测结果与所述特殊数据中对应的所述历史项目信息进行比较得到一异常偏差值;
步骤A53,将所述异常偏差值的绝对值与一预设偏差值进行比较,当所述异常偏差值超过所述预设偏差值时返回所述步骤A4,以重新对所述初始预测模型进行训练。
本发明还提供一种基于深度学习的建筑工程项目进度预测系统,包括如上述的基于深度学习的建筑工程项目进度预测方法,预先建立一基于建筑工程项目的工作分解结构的项目进度数据库,所述项目进度数据库中包括多个历史数据,每个所述历史数据包括建筑工程的历史项目信息以及对应所述历史项目信息的历史进度数据;
所述建筑工程项目进度预测系统包括一进度模型的构建单元以及一进度预测单元;
所述构建单元具体包括:
数据导入模块,用于在所述项目进度数据库中抽取历史数据;
数据清洗模块,连接所述数据导入模块,用于对所述历史数据进行数据清洗处理;
数据规则化模块,连接所述数据清洗模块,用于对清洗后的所述历史数据进行修正、补充、规则化处理后得到待训练数据;
深度学习模块,连接所述数据规则化模块,用于构建一初始预测模型,根据所述待训练数据对所述初始预测模型进行训练;
验证模块,连接所述深度学习模块,用于依据所述历史数据中的特殊数据对所述初始预测模型进行验证,将通过验证的所述初始预测模型作为进度预测模型输出;
所述进度预测单元具体包括:
获取模块,用于获取当前的所述建筑工程项目的实际项目信息;
预测展示模块,连接所述获取模块,用于将所述实际项目信息输入至所述进度预测模型中,经过所述进度预测模型的处理后输出预测得到的关联于所述实际项目信息的实际项目进度信息。
优选地,所述深度学习模块采用深度前馈网络作为所述初始预测网络,所述深度前馈网络的目标函数为:
其中,
n用于表示所述待训练数据的总数;
i用于表示所述待训练数据的索引;
Hi用于表示i个所述待训练数据拟合的所述目标函数;
acth用于表示所述深度前馈网络的激活函数;
wi用于表示所述目标函数中第i个所述待训练数据对应的权重值;
bi用于表示所述深度前馈网络中第i个所述待训练数据对应的偏差修正值;
ti用于表示所述深度前馈网络需要输入的第i个所述待训练数据。
优选地,所述历史数据中的所述特殊数据包括所述历史进度数据中存在的异常数据,和/或具有行业发展趋势的工作分解节点;
所述验证模块具体包括:
输入子模块,用于将所述特殊数据中的历史项目信息输入至训练好的所述初始预测模型,所述初始预测模型输出一对应的预测结果;
计算子模块,连接所述输入子模块,用于将所述输入单元中输出的所述预测结果与所述特殊数据中对应的所述历史项目信息进行比较得到一异常偏差值;
比较子模块,分别连接所述输入子模块和所述计算子模块,用于将所述异常偏差值的绝对值与一预设偏差值进行比较,当所述异常偏差值超过所述预设偏差值时返回所述输入单元,以重新对所述初始预测模型进行训练。
本发明的有益效果在于:
本发明结合工程项目的特点,建立一套适应于不同细分领域和场景的进度预测方法,借鉴历史数据,通过深度学习的算法对历史数据进行预处理和加工,同时依靠深度学习具有自学习、自发现的特点,对于具有周期性、规律性变化的因素进行主动的推演预测模型;重点模拟特殊场景,抽取历史进度数据中的特殊数据,作为整个深度学习的输入条件,也作为进度预测需要考虑的特殊场景输出相应的预测结果,对于可能影响进度的特殊情况,可以给出很好的预警提示作用;能够匹配建筑行业不同的细分领域和场景。
附图说明
图1为本发明中进度模型的构建过程的流程图;
图2为本发明中进度预测过程的流程图;
图3为本发明中的所述步骤A5具体实施例的流程图;
图4为本发明中的一种基于深度学习的建筑工程项目进度预测具体实施例的流程框图;
图5为本发明中的构建单元具体实施例的结构框图;
图6为本发明中的进度预测单元具体实施例的结构框图;
图7为本发明中的验证模块具体实施例的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明提供一种基于深度学习的建筑工程项目进度预测方法,属于建筑行业领域,预先建立一基于建筑工程项目的工作分解结构的项目进度数据库,项目进度数据库中包括多个历史数据,每个历史数据包括建筑工程的历史项目信息以及对应历史项目信息的历史进度数据;
建筑工程项目进度预测方法包括一进度模型的构建过程以及一进度预测过程;
如图1所示,构建过程具体包括:
步骤A1,于项目进度数据库中抽取历史数据;
步骤A2,对历史数据进行数据清洗处理;
步骤A3,对清洗后的历史数据进行修正、补充、规则化处理后得到待训练数据;
步骤A4,构建一初始预测模型,根据待训练数据对初始预测模型进行训练;
步骤A5,依据历史数据中的特殊数据对初始预测模型进行验证,将通过验证的初始预测模型作为进度预测模型输出;
如图2所示,进度预测过程具体包括:
步骤B1,获取当前的建筑工程项目的实际项目信息;
步骤B2,将实际项目信息输入至进度预测模型中,经过进度预测模型的处理后输出预测得到的关联于实际项目信息的预测项目进度信息。
具体的,本发明中预先建立一基于建筑工程项目的工作分解结构数据库,以及根据工作分解数据库预先建立一基于工作分解结构的项目进度数据库,项目进度数据库中包括多个历史数据,每个历史数据包括建筑工程的历史项目信息以及对应历史项目信息的历史进度数据,项目进度数据库中通过工作结构分解表的方式存储有各个工序环节的进度数据;
建筑工程项目进度预测方法主要包括进度模型的构建以及根据构建的进度模型实现进度预测;
构建过程具体包括:
从项目进度数据库中抽取历史数据,历史数据包括基于工作分解结构的历史工程项目对应的实际进度数据,还包括当前工程项目的工作结构分解表,以及目前已完成对应环节的进度数据;对历史数据进行数据清洗、修正、补充、规则化处理后得到可用于训练的待训练数据;
其中数据清洗过程中,根据数据清洗规则,对历史数据进行清洗处理,对历史数据遗漏进行填充或者忽略,核对数据的完整性;
数据修正包括以下三种情况:
其一是指将历史数据中存在格式、精度或计量单位有差异的数据进行转化。由于数据来源的不同,获得的数据在格式、精度或计量单位存在一定的差异,例如数据中年月日的表达,有些是年-月-日,有些是年/月/日,其格式不统一;再比如由于数据后小数点的位数不同导致精度存在差异,有些数据后有两位小数点,而有些数据后面有三位,需对这些数据通过预存的公式或模板进行修正;
其二是指不符合应用场景的数据,举例说明,对于温度而言,以江浙沪为例,八月份的正常温度为20至40度之间,如果出现超出范围的温度,例如突然出现45度,偏离正常合理的取值范围,其温度值虽然在格式上无差异,但在含义上存在异议,需要通过规则公式计算数据的均方值,当均方值与预定的标准差相比偏离一预定范围,则将该异常数据丢弃;
其三是指将数据通过预测模型中的曲线函数进行预计算,若计算的结果与对应的曲线值相差较大,例如超过曲线上方100%的位置,则丢弃该数据;
数据补充是指将历史数据中存在环节缺失的部分通过差值计算法对不完整的数据进行补充;
数据规则化是指通过行业工作分解结构规则中的规则公式对上述数据中存在的问题进行处理,得到规则化的数据。
构建一初始预测模型,根据待训练数据对初始预测模型的参数进行训练,确定初始预测模型的参数值和函数,其中参数主要包括权重和偏差修正值,通过梯度下降法对训练后的初始预测模型中的偏差修正值进行逐步缩小和下降,进一步提高预测模型的计算精度,提高预测结果的准确度;
获取历史进度数据中的特殊数据,根据梯度下降后得到的偏差修正值对特殊数据进行修正,随后将修正后得到的特殊数据输入初始预测模型中进行验证,将特殊数据输入初始预测模型预测得到预测数据与特殊数据进行比对,当预测数据与特殊数据的差值处于预设范围内,则验证成功,并将验证通过的初始预测模型作为进度预测模型输出,否则重新对进度预测模型进行训练;
进度预测过程具体包括:
获取当前的建筑工程项目的实际项目信息,项目信息包括项目工作结构分解表,以及目前已知的项目实际进度数据;
根据项目信息和进度预测模型,将实际项目信息输入进度预测模型中,经过进度预测模型的处理后输出预测得到的关联于实际项目信息的预测项目进度信息,并将预测进度数据通过文本、和/或图形化展示。
本发明可以高效快速的通过预测模型预测建筑工程行业基于工作分解结构的项目进度,同时模型的适应性和拓展性均较强,对于可能存在的异常情况而导致项目进度异常的情况,可实现预测警示。
作为优选的实施方式,该建筑工程项目进度预测方法,其中还包括一行业工作分解结构规则数据库,行业工作分解结构规则数据库中预先存储有建筑行业中不同细分领域对应的工作分解结构规则;
步骤A3中,根据历史数据所属的细分领域,采用行业工作分解结构规则数据库中对应的工作分解结构规则对历史进度数据进行修正、补充、规则化处理。
具体的,在本实施例中,行业工作分解结构规则数据库中预先存储有建筑行业中不同细分领域对应的分解规则,包括但不限于房建领域、土建领域、市政领域和路桥领域等多个建筑领域,每个领域的工作分解结构的方式不同,其对应的规则也不同,同一领域中基于工作分解结构分解的工程项目,其包括多个子项目,每个子项目对应的规则也不同,根据当前项目所属的领域,从行业工作分解结构规则数据库中查询对应领域的规则公式对历史进度数据进行清洗、修正、补充处理,得到规则化的待训练数据。
作为优选的实施方式,该建筑工程项目进度预测方法,其中步骤A4中,采用深度前馈网络作为初始预测网络,深度前馈网络的目标函数为:
其中,
n用于表示待训练数据的总数;
i用于表示待训练数据的索引;
Hi用于表示i个待训练数据拟合的目标函数;
acth用于表示深度前馈网络的激活函数;
wi用于表示目标函数中第i个待训练数据对应的权重值;
bi用于表示深度前馈网络中第i个待训练数据对应的偏差修正值;
ti用于表示深度前馈网络需要输入的第i个待训练数据。
作为优选的实施方式,该建筑工程项目进度预测方法,其中激活函数采用Sigmoid激活函数,或者Tanh激活函数或者ReLU激活函数。
具体的,在本实施例中,深度前馈网络模型包括多层感知机、自编码器、限制玻尔兹曼机、卷积神经网络的其中一种。利用选择的深度前馈网络模型,通过最大化概率函数或最小化函数对进度预测模型中的参数进行训练,其中,最大化概率函数数学表达为:
其中,n用于表示待训练数据的总数;
i用于表示待训练数据的索引;
xi用于第i个表示待训练数据;
yi用于表示第i个待训练数据对应的预测进度数据;
P用于表示概率;
L用于表示概率的乘积;
最小化函数的数学表达式为-logL;
其中,L用于表示概率的乘积。
随后将确定的参数值代入进度预测模型中,并根据待训练数据于进度预测模型中对深度前馈网络的目标函数进行拟合,确定进度预测模型的激活函数,常见的激活函数包括:
(1)Sigmoid激活函数,数学表达式为:
其中,
x用于表示待训练数据;
f(x)表示待训练数据对应的预测进度数据;
(2)Tanh激活函数,数学表达式为:
其中,
x用于表示待训练数据;
f(x)表示待训练数据对应的预测进度数据;
(3)ReLU激活函数,数学表达式为
f(x)=max(0,x)
其中,
x用于表示待训练数据;
f(x)表示待训练数据对应的预测进度数据;
将训练好的参数值代入进度预测模型的函数中,其函数公式如下:
其中,
n用于表示待训练数据的总数;
i用于表示待训练数据的索引;
Hi用于表示i个待训练数据拟合的目标函数;
acth用于表示深度前馈网络的激活函数;
wi用于表示目标函数中第i个待训练数据对应的权重值;
bi用于表示深度前馈网络中第i个待训练数据对应的偏差修正值;
ti用于表示深度前馈网络需要输入的第i个待训练数据;
进一步的,在本实施例中,采用深度前馈网络作为初始预测网络,根据深度前馈网络模型,通过最大化概率函数或最小化函数对进度预测模型中的参数进行训练,确定进度预测模型的参数值,并根据待训练数据与参数值对进度预测模型中的函数进行训练,确定进度预测模型的激活函数,根据确定的参数值代入函数中,对深度前馈网络的目标函数进行拟合。
作为优选的实施方式,该建筑工程项目进度预测方法,其中步骤A4中,对训练后的进度预测模型进行回归计算,将历史进度数据与进度预测模型预测得到的对应于历史进度数据的预测进度数据进行比对以得到一偏差值,直至偏差值处于一预设范围内时完成梯度下降,随后转向步骤A5。
具体的,在本实施例中,回归计算包括线性回归法、逻辑回归法、代价计算法中的一种或几种组合,针对不同的应用场景,选择不同的组合。对训练好的进度预测模型通过上述组合进行回归计算,完成梯度下降,梯度下降是指将历史进度数据输入训练好的进度预测模型中预测得到的预测进度数据与对应的历史进度数据进行比对,当预测进度数据和历史进度数据的偏差值处于一预设范围内时,实现梯度下降,若预测进度数据和历史进度数据的偏差值超出预设范围外,返回步骤A5,直到偏差值缩小到预设范围内,梯度下降完成,进度预测模型的精度提高。
进一步的,对于建筑行业中不同的细分领域和场景,抽取具有行业属性的工作结构分解表过程集合,其对应的项目基于工作结构分解表分解而成的过程集合包括复数个子项,分别归并具有共性的子项及具有差异性的特殊的子项,对于这些子项分别进行深度学习的特征提取,其中提取的特征属性作为子项属性特征因子存储,作为回归计算过程的输入参数,能够匹配不同细分领域的建筑行业。
作为优选的实施方式,该建筑工程项目进度预测方法,其中历史数据中的特殊数据包括历史进度数据中存在的异常数据,和/或具有行业发展趋势的工作分解节点;
如图3所示,步骤A5具体包括:
步骤A51,将特殊数据中的历史项目信息输入至训练好的初始预测模型,初始预测模型输出一对应的预测结果;
步骤A52,将步骤A51中输出的预测结果与特殊数据中对应的历史项目信息进行比较得到一异常偏差值;
步骤A53,将异常偏差值的绝对值与一预设偏差值进行比较,当异常偏差值超过预设偏差值时返回步骤A4,以重新对初始预测模型进行训练。
具体的,在本实施例中,异常数据指由于特殊情况而造成的进度延误,例如由于恶劣天气等因素导致的工程进度的延缓而造成的数据异常;具有行业发展趋势的工作分解节点是指由于客观情况的变化而造成的进度变化,例如施工工艺的提升导致的施工效率提升,进而加快项目进度而导致的数据异常,一般的进度预测方案中通常将异常的数据剔除,不做考虑,在本发明中,针对历史项目进度中的特殊情况造成的异常数据以及具有行业发展趋势的工作分解节点,进行结果分析,通过b偏差修正值重新代入回归计算完成后的进度预测模型进行验证,如果差距过大,则需要重新调整权重系数,进行新的函数拟合。
下文中,提供一个具体实施例对建筑工程项目的预测方法做进一步阐释和说明:
实施例一:
如图4所示,在进行项目进度预测之前,需先构建一进度预测模型,预测模型的构建过程中需先建立一基于建筑工程项目的项目进度数据库,项目进度数据库中包括多个历史数据,每个历史数据包括建筑工程的历史项目信息以及对应历史项目信息的历史进度数据,项目进度数据库中通过工作结构分解表的方式存储有各个工序环节的进度数据;从项目进度数据库中抽取历史数据,抽取的历史数据包括基于工作分解结构的历史工程项目的实际进度数据,还包括当前工程项目的工作结构分解表,以及目前已完成对应环节的进度数据;对抽取历史数据进行数据清洗处理后,从行业工作分解结构规则数据库中查询与上述历史数据所属同一领域的分解规则,行业细分领域包括,房建领域、土建领域、市政领域和路桥领域等多个不同的建筑细分领域,通过查询得到的分解规则对清洗后的历史数据进行规则化处理,得到待训练数据;将待训练数据输入前馈网络中,利用选择的多层感知机、自编码器、限制玻尔兹曼机或卷积神经网络中的一种前馈网络模型,通过最大化概率函数或最小化函数对进度预测模型中的参数进行训练,拟合激活函数,主流的激活函数包括Sigmoid激活函数,或者Tanh激活函数或者ReLU激活函数;再对拟合的激活函数进行梯度下降,梯度下降法采用线性回归法、逻辑回归法、代价计算法的一种或几种组合,通过组合起来的算法对拟合的激活函数进行梯度下降后,将历史进度数据输入进度预测模型预测得到的对应于历史进度数据的预测进度数据与历史进度数据进行比对,得到一偏差值,对偏差值进行精度判断,当偏差值处于一预设范围内时完成梯度下降,否则返回重新对函数进行梯度下降;获取历史进度数据中的特殊数据,依据特殊数据对预测进度模型进行结果分析,通过偏差修正值对特殊数据进行修正,随后将修正后得到的特殊数据输入初始预测模型中进行验证,将特殊数据输入预测模型预测得到的预测数据与特殊数据进行比对,当预测数据与特殊数据的差值处于预设范围内,则验证成功,并将验证通过的初始预测模型作为进度预测模型输出,否则返回前馈网络中重新对进度预测模型进行训练;
预测进度模型构建完成后,开始进行当前工程项目的进度预测,首先,获取当前的建筑工程项目的实际项目信息,项目信息包括项目工作结构分解表,以及目前已知的项目实际进度数据;将实际项目信息输入构建好的进度预测模型中,经过进度预测模型的处理后输出预测得到的关联于实际项目信息的预测项目进度信息,并将预测进度数据通过文本、和/或图形化展示获取当前的建筑工程项目的实际项目信息。
本发明还提供一种基于深度学习的建筑工程项目进度预测系统,包括如上述的基于深度学习的建筑工程项目进度预测方法,预先建立一基于建筑工程项目的工作分解结构的项目进度数据库,项目进度数据库中包括多个历史数据,每个历史数据包括建筑工程的历史项目信息以及对应历史项目信息的历史进度数据;
建筑工程项目进度预测系统包括一进度模型的构建单元1以及一进度预测单元2;
如图5所示,构建单元1具体包括:
数据导入模块11,用于在项目进度数据库中抽取历史数据,数据导入模块11支持从目前行业主流的项目管理软件如P3、P6、Project导入初始历史数据;
数据清洗模块12,连接数据导入模块11,用于对历史数据进行数据清洗处理;
数据规则化模块13,连接数据清洗模块12,用于对清洗后的历史数据进行修正、补充、规则化处理后得到待训练数据;
深度学习模块14,连接数据规则化模块13,用于构建一初始预测模型,根据待训练数据对初始预测模型进行训练;
验证模块15,连接深度学习模块14,用于依据历史数据中的特殊数据对初始预测模型进行验证,将通过验证的初始预测模型作为进度预测模型输出;
如图6所示,进度预测单元2具体包括:
获取模块21,用于获取当前的建筑工程项目的实际项目信息;
预测展示模块22,连接获取模块21,用于将实际项目信息输入至进度预测模型中,经过进度预测模型的处理后输出预测得到的关联于实际项目信息的实际项目进度信息。
作为优选的实施方式,该建筑工程项目进度预测系统,其中深度学习模块采用深度前馈网络作为初始预测网络,深度前馈网络的目标函数为:
其中,
n用于表示待训练数据的总数;
i用于表示待训练数据的索引;
Hi用于表示i个待训练数据拟合的目标函数;
acth用于表示深度前馈网络的激活函数;
wi用于表示目标函数中第i个待训练数据对应的权重值;
bi用于表示深度前馈网络中第i个待训练数据对应的偏差修正值;
ti用于表示深度前馈网络需要输入的第i个待训练数据。
作为优选的实施方式,该建筑工程项目进度预测系统,其中历史数据中的特殊数据包括历史进度数据中存在的异常数据,和/或具有行业发展趋势的工作分解节点;
如图7所示,验证模块15具体包括:
输入子模块151,用于将特殊数据中的历史项目信息输入至训练好的初始预测模型,初始预测模型输出一对应的预测结果;
计算子模块152,连接输入子模块151,用于将输入单元中输出的预测结果与特殊数据中对应的历史项目信息进行比较得到一异常偏差值;
比较子模块1153,分别连接输入子模块151和计算子模块152,用于将异常偏差值的绝对值与一预设偏差值进行比较,当异常偏差值超过预设偏差值时返回输入单元,以重新对初始预测模型进行训练。
下文中,提供两个具体实施例对本技术方案做进一步阐释和说明:
实施例二:应用于房建领域的建筑工程项目进度预测
数据导入模块11从项目进度数据库中或项目管理软件中导入房屋建筑领域相关工程的进度数据;工作分解结构数据库中引入房建工作分解结构属性模板,例如土方工程、地下结构、主体结构、墙面工程、屋面工程、机电工程、配电工程、通风工程、供水工程、装修工程、安装工程、消防工程、弱电工程等工作分解结构属性模板;数据清洗模块12和数据规则化模块13分别按照工作分解结构属性的层级依次通过工作分解结构规则对历史进度数据进行数据清洗、修正、补充、正则化处理;深度学习模块14选择Tanh激活函数作为拟合对象进行进度预测模型拟合;验证模块15将历史进度数据与拟合的进度预测模型进行运算比对,将满足梯度下降条件的模型作为稳定的进度预测模型;预测展示模块22将当前项目的待预测进度数据输入模型中,预测得到当前项目的进度数据,同时引入异常数据进行偏差调整,对于常见的异常情况,例如供应商供应不足、自然灾害等造成的异常数据,进行预测得到异常情况下的异常进度预测数据,并以树形的方式展示工作分解结构,标注每个工作分解结构的进度预测数据,以及房屋建筑工程整体的进度预测结果。
实施例三:应用于土建领域的建筑工程项目进度预测
数据导入模块11从项目进度数据库中或项目管理软件中导入土建建筑领域相关工程的历史进度数据;工作分解结构数据库中引入土建WBS属性模板库,地基与基础工程、混凝土工程、装饰装修工程、屋面工程、室外工程等工作分解结构属性模板;数据清洗模块12和数据规则化模块13分别按照工作分解结构属性的层级依次通过工作分解结构规则对历史进度数据进行数据清洗、修正、补充、正则化处理;深度学习模块14选择Sigmoid激活函数作为拟合对象进行进度预测模型拟合;验证模块15将历史进度数据与拟合的进度预测模型进行运算比对,将满足梯度下降条件的模型作为稳定的进度预测模型;预测展示模块22将当前项目的待预测进度数据输入模型中,预测得到当前项目的进度数据,同时引入异常数据进行偏差调整,对于常见的异常情况,例如地质情况变化、自然灾害等造成的异常数据,进行预测得到异常情况下的异常进度预测数据,并以树形的方式展示工作分解结构,标注每个工作分解结构的进度预测数据,以及房屋建筑工程整体的进度预测结果。
本发明的有益效果在于:
本发明结合工程项目的特点,建立一套适应于不同细分领域和场景的进度预测方法,借鉴历史数据,通过深度学习的算法对历史数据进行预处理和加工,同时依靠深度学习具有自学习、自发现的特点,对于具有周期性、规律性变化的因素进行主动的推演预测模型;重点模拟特殊场景,抽取历史进度数据中的特殊数据,作为整个深度学习的输入条件,也作为进度预测需要考虑的特殊场景输出相应的预测结果,对于可能影响进度的特殊情况,可以给出很好的预警提示作用;能够匹配建筑行业不同的细分领域和场景。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种基于深度学习的建筑工程项目进度预测方法,其特征在于,预先建立一基于建筑工程项目的工作分解结构的项目进度数据库,所述项目进度数据库中包括多个历史数据,每个所述历史数据包括建筑工程的历史项目信息以及对应所述历史项目信息的历史进度数据;
所述建筑工程项目进度预测方法包括一进度模型的构建过程以及一进度预测过程;
所述构建过程具体包括:
步骤A1,于所述项目进度数据库中抽取历史数据;
步骤A2,对所述历史数据进行数据清洗处理;
步骤A3,对清洗后的所述历史数据进行修正、补充、规则化处理后得到待训练数据;
步骤A4,构建一初始预测模型,根据所述待训练数据对所述初始预测模型进行训练;
步骤A5,依据所述历史数据中的特殊数据对所述初始预测模型进行验证,将通过验证的所述初始预测模型作为进度预测模型输出;
所述进度预测过程具体包括:
步骤B1,获取当前的所述建筑工程项目的实际项目信息;
步骤B2,将所述实际项目信息输入至所述进度预测模型中,经过所述进度预测模型的处理后输出预测得到的关联于所述实际项目信息的预测项目进度信息。
2.根据权利要求1所述的建筑工程项目进度预测方法,其特征在于,还包括一行业工作分解结构规则数据库,所述行业工作分解结构规则数据库中预先存储有建筑行业中不同细分领域对应的工作分解结构规则;
所述步骤A3中,根据所述历史数据所属的所述细分领域,采用所述行业工作分解结构规则数据库中对应的所述工作分解结构规则对所述历史进度数据进行修正、补充、规则化处理。
4.根据权利要求3所述的建筑工程项目进度预测方法,其特征在于,所述激活函数采用Sigmoid激活函数,或者Tanh激活函数或者ReLU激活函数。
5.根据权利要求1所述的建筑工程项目进度预测方法,其特征在于,所述步骤A4中,对训练后的所述进度预测模型进行回归计算,将所述历史进度数据与所述进度预测模型预测得到的对应于所述历史进度数据的预测进度数据进行比对以得到一偏差值,直至所述偏差值处于一预设范围内时完成梯度下降,随后转向所述步骤A5。
6.根据权利要求5所述的建筑工程项目进度预测方法,其特征在于,完成所述梯度下降的方式包括线性回归、逻辑回归以及代价计算中的至少一种。
7.根据权利要求1所述的建筑工程项目进度预测方法,其特征在于,所述历史数据中的所述特殊数据包括所述历史进度数据中存在的异常数据,和/或具有行业发展趋势的工作分解节点;
所述步骤A5具体包括:
步骤A51,将所述特殊数据中的历史项目信息输入至训练好的所述初始预测模型,所述初始预测模型输出一对应的预测结果;
步骤A52,将所述步骤A51中输出的所述预测结果与所述特殊数据中对应的所述历史项目信息进行比较得到一异常偏差值;
步骤A53,将所述异常偏差值的绝对值与一预设偏差值进行比较,当所述异常偏差值超过所述预设偏差值时返回所述步骤A4,以重新对所述初始预测模型进行训练。
8.一种基于深度学习的建筑工程项目进度预测系统,其特征在于,包括如权利要求1-7任意一项所述的基于深度学习的建筑工程项目进度预测方法,预先建立一基于建筑工程项目的工作分解结构的项目进度数据库,所述项目进度数据库中包括多个历史数据,每个所述历史数据包括建筑工程的历史项目信息以及对应所述历史项目信息的历史进度数据;
所述建筑工程项目进度预测系统包括一进度模型的构建单元以及一进度预测单元;
所述构建单元具体包括:
数据导入模块,用于在所述项目进度数据库中抽取历史数据;
数据清洗模块,连接所述数据导入模块,用于对所述历史数据进行数据清洗处理;
数据规则化模块,连接所述数据清洗模块,用于对清洗后的所述历史数据进行修正、补充、规则化处理后得到待训练数据;
深度学习模块,连接所述数据规则化模块,用于构建一初始预测模型,根据所述待训练数据对所述初始预测模型进行训练;
验证模块,连接所述深度学习模块,用于依据所述历史数据中的特殊数据对所述初始预测模型进行验证,将通过验证的所述初始预测模型作为进度预测模型输出;
所述进度预测单元具体包括:
获取模块,用于获取当前的所述建筑工程项目的实际项目信息;
预测展示模块,连接所述获取模块,用于将所述实际项目信息输入至所述进度预测模型中,经过所述进度预测模型的处理后输出预测得到的关联于所述实际项目信息的实际项目进度信息。
10.根据权利要求8所述的建筑工程项目进度预测系统,其特征在于,所述历史数据中的所述特殊数据包括所述历史进度数据中存在的异常数据,和/或具有行业发展趋势的工作分解节点;
所述验证模块具体包括:
输入子模块,用于将所述特殊数据中的历史项目信息输入至训练好的所述初始预测模型,所述初始预测模型输出一对应的预测结果;
计算子模块,连接所述输入子模块,用于将所述输入单元中输出的所述预测结果与所述特殊数据中对应的所述历史项目信息进行比较得到一异常偏差值;
比较子模块,分别连接所述输入子模块和所述计算子模块,用于将所述异常偏差值的绝对值与一预设偏差值进行比较,当所述异常偏差值超过所述预设偏差值时返回所述输入单元,以重新对所述初始预测模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872868.6A CN112052992B (zh) | 2020-08-26 | 2020-08-26 | 一种基于深度学习的建筑工程项目进度预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872868.6A CN112052992B (zh) | 2020-08-26 | 2020-08-26 | 一种基于深度学习的建筑工程项目进度预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052992A true CN112052992A (zh) | 2020-12-08 |
CN112052992B CN112052992B (zh) | 2023-07-25 |
Family
ID=73600886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010872868.6A Active CN112052992B (zh) | 2020-08-26 | 2020-08-26 | 一种基于深度学习的建筑工程项目进度预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052992B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685116A (zh) * | 2020-12-29 | 2021-04-20 | 福州数据技术研究院有限公司 | 一种基因数据处理进度显示的方法和存储设备 |
CN112819261A (zh) * | 2021-04-19 | 2021-05-18 | 中数通信息有限公司 | 一种智慧工程协同管理系统 |
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 |
CN115545772A (zh) * | 2022-09-30 | 2022-12-30 | 永道工程咨询有限公司 | 一种基于自然语言处理技术的建设投资预估方法及系统 |
CN115545681A (zh) * | 2022-11-30 | 2022-12-30 | 北京鸿游科技有限公司 | 一种用于工程项目管理的智能过程分析与监管方法及系统 |
CN116245492A (zh) * | 2023-03-28 | 2023-06-09 | 啄木鸟房屋科技有限公司 | 一种用于跟踪工程进度的数据处理方法及装置 |
CN116502882A (zh) * | 2023-06-30 | 2023-07-28 | 杭州新中大科技股份有限公司 | 基于多模态时序信息融合的工程进度确定方法及装置 |
CN116703657A (zh) * | 2023-08-08 | 2023-09-05 | 克拉玛依市鼎泰建设(集团)有限公司 | 一种基于bim模型的房建工程施工管理系统 |
CN116777677A (zh) * | 2023-06-29 | 2023-09-19 | 华腾建信科技有限公司 | 基于项目启动阶段目标设置的工程数据处理方法及系统 |
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 |
CN117114922A (zh) * | 2023-10-24 | 2023-11-24 | 天津广正建设项目咨询股份有限公司 | 一种基于全过程工程咨询的咨询服务和评估方法和系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000200308A (ja) * | 1999-01-06 | 2000-07-18 | Hitachi Ltd | プロジェクト管理方法、プロジェクト管理システム、および、記録媒体 |
US20080140485A1 (en) * | 2006-12-11 | 2008-06-12 | Williams Theodore R | Project management and assessment method |
US20090192859A1 (en) * | 2008-01-24 | 2009-07-30 | International Business Machines Corporation | System for performing schedule management, schedule management method and program |
US20100332509A1 (en) * | 2009-06-30 | 2010-12-30 | Gary Thomas Rogers | Systems and methods for integrated management of governmental projects |
US20120290347A1 (en) * | 2010-08-10 | 2012-11-15 | King Fahd University Of Petroleum And Minerals | Progress monitoring method |
CN106682829A (zh) * | 2016-12-26 | 2017-05-17 | 中广核工程有限公司 | 基于wbs与统一业务流程的核电工程管控方法及系统 |
KR20180097181A (ko) * | 2017-02-22 | 2018-08-31 | (주) 한국씨엠씨 | 자동화된 분류별 공정표 표시 방법 및 시스템 |
CN109784556A (zh) * | 2019-01-07 | 2019-05-21 | 闽江学院 | 一种基于往期数据的基站设备安装项目工期预测方法 |
CN110570022A (zh) * | 2019-08-15 | 2019-12-13 | 珠海米枣智能科技有限公司 | 一种基于mGBDT的建筑能耗预测方法和系统 |
CN111105323A (zh) * | 2019-12-20 | 2020-05-05 | 广西路桥工程集团有限公司 | 一种基于wbs的工程管理系统 |
CN111178605A (zh) * | 2019-12-19 | 2020-05-19 | 国网浙江省电力有限公司丽水供电公司 | 一种基于特征选择的配网工程项目工期预测方法 |
-
2020
- 2020-08-26 CN CN202010872868.6A patent/CN112052992B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000200308A (ja) * | 1999-01-06 | 2000-07-18 | Hitachi Ltd | プロジェクト管理方法、プロジェクト管理システム、および、記録媒体 |
US20080140485A1 (en) * | 2006-12-11 | 2008-06-12 | Williams Theodore R | Project management and assessment method |
US20090192859A1 (en) * | 2008-01-24 | 2009-07-30 | International Business Machines Corporation | System for performing schedule management, schedule management method and program |
US20100332509A1 (en) * | 2009-06-30 | 2010-12-30 | Gary Thomas Rogers | Systems and methods for integrated management of governmental projects |
US20120290347A1 (en) * | 2010-08-10 | 2012-11-15 | King Fahd University Of Petroleum And Minerals | Progress monitoring method |
CN106682829A (zh) * | 2016-12-26 | 2017-05-17 | 中广核工程有限公司 | 基于wbs与统一业务流程的核电工程管控方法及系统 |
KR20180097181A (ko) * | 2017-02-22 | 2018-08-31 | (주) 한국씨엠씨 | 자동화된 분류별 공정표 표시 방법 및 시스템 |
CN109784556A (zh) * | 2019-01-07 | 2019-05-21 | 闽江学院 | 一种基于往期数据的基站设备安装项目工期预测方法 |
CN110570022A (zh) * | 2019-08-15 | 2019-12-13 | 珠海米枣智能科技有限公司 | 一种基于mGBDT的建筑能耗预测方法和系统 |
CN111178605A (zh) * | 2019-12-19 | 2020-05-19 | 国网浙江省电力有限公司丽水供电公司 | 一种基于特征选择的配网工程项目工期预测方法 |
CN111105323A (zh) * | 2019-12-20 | 2020-05-05 | 广西路桥工程集团有限公司 | 一种基于wbs的工程管理系统 |
Non-Patent Citations (10)
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》 * |
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》, no. 03, 20 March 2013 (2013-03-20) * |
孙斌: "基于神经网络BP模型的建筑项目工程进度控制", 《科技风》 * |
孙斌: "基于神经网络BP模型的建筑项目工程进度控制", 《科技风》, no. 16, 25 August 2009 (2009-08-25) * |
朱思雅: "基于改进DEMATEL海外工程进度影响因素分析及进度预测", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》 * |
朱思雅: "基于改进DEMATEL海外工程进度影响因素分析及进度预测", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》, no. 06, 15 June 2019 (2019-06-15), pages 35 * |
杨光辉,张杰,曹建国: "《冷连轧带钢板形控制与检测》", 31 January 2015, 冶金工业出版社, pages: 58 - 59 * |
祁神军等: "大型工程项目工序工期精准预测方法研究", 《重庆建筑大学学报》 * |
祁神军等: "大型工程项目工序工期精准预测方法研究", 《重庆建筑大学学报》, no. 06, 15 December 2007 (2007-12-15) * |
蔡翠: "基于CBR的项目配置方法研究", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》, no. 3, pages 147 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685116A (zh) * | 2020-12-29 | 2021-04-20 | 福州数据技术研究院有限公司 | 一种基因数据处理进度显示的方法和存储设备 |
CN112819261A (zh) * | 2021-04-19 | 2021-05-18 | 中数通信息有限公司 | 一种智慧工程协同管理系统 |
CN112819261B (zh) * | 2021-04-19 | 2021-08-03 | 中数通信息有限公司 | 一种智慧工程协同管理系统 |
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 |
CN115545772A (zh) * | 2022-09-30 | 2022-12-30 | 永道工程咨询有限公司 | 一种基于自然语言处理技术的建设投资预估方法及系统 |
CN115545772B (zh) * | 2022-09-30 | 2023-11-24 | 永道工程咨询有限公司 | 一种基于自然语言处理技术的建设投资预估方法及系统 |
CN115545681A (zh) * | 2022-11-30 | 2022-12-30 | 北京鸿游科技有限公司 | 一种用于工程项目管理的智能过程分析与监管方法及系统 |
CN115545681B (zh) * | 2022-11-30 | 2024-03-15 | 北京鸿游科技有限公司 | 一种用于工程项目管理的智能过程分析与监管方法及系统 |
CN116245492A (zh) * | 2023-03-28 | 2023-06-09 | 啄木鸟房屋科技有限公司 | 一种用于跟踪工程进度的数据处理方法及装置 |
CN116245492B (zh) * | 2023-03-28 | 2023-09-26 | 啄木鸟房屋科技有限公司 | 一种用于跟踪工程进度的数据处理方法及装置 |
CN116777677A (zh) * | 2023-06-29 | 2023-09-19 | 华腾建信科技有限公司 | 基于项目启动阶段目标设置的工程数据处理方法及系统 |
CN116777677B (zh) * | 2023-06-29 | 2024-01-05 | 华腾建信科技有限公司 | 基于项目启动阶段目标设置的工程数据处理方法及系统 |
CN116502882B (zh) * | 2023-06-30 | 2023-10-20 | 杭州新中大科技股份有限公司 | 基于多模态时序信息融合的工程进度确定方法及装置 |
CN116502882A (zh) * | 2023-06-30 | 2023-07-28 | 杭州新中大科技股份有限公司 | 基于多模态时序信息融合的工程进度确定方法及装置 |
CN116703657A (zh) * | 2023-08-08 | 2023-09-05 | 克拉玛依市鼎泰建设(集团)有限公司 | 一种基于bim模型的房建工程施工管理系统 |
CN116703657B (zh) * | 2023-08-08 | 2023-11-03 | 克拉玛依市鼎泰建设(集团)有限公司 | 一种基于bim模型的房建工程施工管理系统 |
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 |
CN117114922A (zh) * | 2023-10-24 | 2023-11-24 | 天津广正建设项目咨询股份有限公司 | 一种基于全过程工程咨询的咨询服务和评估方法和系统 |
CN117114922B (zh) * | 2023-10-24 | 2024-01-26 | 天津广正建设项目咨询股份有限公司 | 一种基于全过程工程咨询的咨询服务和评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112052992B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052992B (zh) | 一种基于深度学习的建筑工程项目进度预测系统及方法 | |
Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
Yu et al. | Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking | |
CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
CN109887284B (zh) | 一种智慧城市交通信号控制推荐方法、系统及装置 | |
CN113407651B (zh) | 一种进度信息反馈及偏差实时展示方法 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
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 | |
CN111882202A (zh) | 一种基于bp神经网络的群体建筑同步建造风险管理系统 | |
CN113298288A (zh) | 一种融合时间序列和神经网络的供电所运维成本预测方法 | |
Donauer et al. | Identifying nonconformity root causes using applied knowledge discovery | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN114219129A (zh) | 基于任务和mtbf的武器系统随行备件需求预测及评估系统 | |
CN116523187A (zh) | 一种基于bim的工程进度监控方法及其系统 | |
CN117494906B (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
KR20230029763A (ko) | 시스템 전반의 플랜트 최적화를 위한 최적화 모델의 자동 생성 | |
KR102579808B1 (ko) | 태양광발전소 건설공정 관리시스템 및 그 제어방법 | |
CN116644965A (zh) | 一种项目预算的可视化分析方法及系统 | |
Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
CN114764741A (zh) | 一种风力发电机运行风功率预测的方法和系统 | |
Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
CN114065460A (zh) | 火电发电系统中模型处理方法、存储介质和电子装置 | |
Arakelyan et al. | Analysis of the DCS historical data for estimation of input signal significance | |
Akhsani et al. | Development of Reliability-Based Decision Making for Optimum Operation and Maintenance Strategy in Coal-Fired Power Plant |
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 |