CN112508050A - 基于海量数据的建筑工程建设规划工作方法 - Google Patents

基于海量数据的建筑工程建设规划工作方法 Download PDF

Info

Publication number
CN112508050A
CN112508050A CN202011231593.4A CN202011231593A CN112508050A CN 112508050 A CN112508050 A CN 112508050A CN 202011231593 A CN202011231593 A CN 202011231593A CN 112508050 A CN112508050 A CN 112508050A
Authority
CN
China
Prior art keywords
data
construction project
construction
project
data set
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
Application number
CN202011231593.4A
Other languages
English (en)
Inventor
洪敏�
万里
熊榆
白金龙
胡宇
唐良艳
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.)
Chongqing Hui Hui Information Technology Co ltd
Original Assignee
Chongqing Hui Hui Information Technology 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 Chongqing Hui Hui Information Technology Co ltd filed Critical Chongqing Hui Hui Information Technology Co ltd
Priority to CN202011231593.4A priority Critical patent/CN112508050A/zh
Publication of CN112508050A publication Critical patent/CN112508050A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于海量数据的建筑工程建设规划工作方法，包括：S1‑1，输入建筑施工项目数据集，根据建筑施工项目数据的聚类状态，随机选取m个项目数据集，对每个项目数据集进行初始化，经过不断收敛，形成收敛函数，
Figure DDA0002765392720000011
其中，Li为项目数据集中空间点集，Si为数据集的均值，D为数据集中包含的对象，从数据集中包含的对象D中任意选择m个对象，成为初始收敛函数的分母进行平均分配。

Description

基于海量数据的建筑工程建设规划工作方法
技术领域
本发明涉及数据挖掘领域，尤其涉及一种基于海量数据的建筑工程建设规划工作方法。
背景技术
由于大数据在建筑工程领域的广泛应用，对于收集的大数据信息，如何能够对工程建设规划提供有效的数据指导，以及数据挖掘，一直以来困扰着工程界的实际执行着，这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于海量数据的建筑工程建设规划工作方法。
为了实现本发明的上述目的，本发明提供了一种基于海量数据的建筑工程建设规划工作方法，包括：
S1-1，输入建筑施工项目数据集，根据建筑施工项目数据的聚类状态，随机选取m个项目数据集，对每个项目数据集进行初始化，经过不断收敛，形成收敛函数，
Figure BDA0002765392700000011
其中，Li为项目数据集中空间点集，Si为数据集的均值，D为数据集中包含的对象，从数据集中包含的对象D中任意选择m个对象，成为初始收敛函数的分母进行平均分配，在数据集中的空间点集Li与数据及的均值的差进行平方之后，能够映射至最近似的对象，更新对象均值，不断循环操作。
优选的，还包括：
S1-2，对初始化数据集设定先验分布概率，将对象集进行建模输出；首先获取数据集概率分布s(ai,ci)＝s(ci)·s(ai)·s(ai|ci＝k；β)；其中ai为施工项目标签，ai为施工项目完成度，k为施工项目完成级别，k∈(1,2.3.4.5)，β为施工项目信息置换率；
通过输入建模比率进行施工项目信息输出，
Figure BDA0002765392700000021
其中，Ni为施工项目数据获取轨迹，μ为轨迹调节系数，通过施工项目完成级别分为5档，从获取轨迹中发现信息输出特征，
Figure BDA0002765392700000022
为施工项目规范值E的开平方，Γ为施工项目中特定数据分布强度，η为待定参量，r(p)为施工项目数据获取过程中p中施工项目数据的分布，T(t)为收集施工项目耗费时间的纹理值，时间t≥0。
优选的，还包括：
S1-3，建模输出后形成建筑施工项目数据的对象目标；通过对象目标提取公式
Figure BDA0002765392700000023
其中，通过λ对象目标调节参数与对象提取函数Q(j)乘积后与等式右侧相等，等式右侧A施工项目数据的状态值IA，B施工项目数据的状态值IB，分别通过A施工项目转移概率ε1和B施工项目转移概率ε2进行调节，Z(j)为施工项目运行阶段数据目标函数，W(j)为施工项目停止阶段数据目标函数，A施工项目数据的置换率为θ1，B施工项目数据的置换率为θ2。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明通过混合聚类方法在搜索和相似性判别过程中将数据进行处理，更好地利用监督信息，并且对工程建设规划提供数据参考作用。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明总体流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明公开一种基于海量数据的建筑工程建设规划工作方法，包括如下步骤：
针对大数据平台获取的海量建筑施工项目数据，对建筑施工项目的施工日期、施工工序列表、施工者基本数据和施工作业工种进行收集；
S1，获取建筑施工项目数据进行数据均值计算，形成初始化均值，根据初始化均值获取建筑施工项目数据的对象目标；
S2，根据对象目标的最大似然估计函数，获取建筑施工项目数据的聚类簇，并进行迭代运算；
S3，对聚类簇迭代运算后的结果进行权重矩阵重构，使建筑施工项目数据完成混合聚类分析过程。
优选的，所述S1包括：
S1-1，输入建筑施工项目数据集，根据建筑施工项目数据的聚类状态，随机选取m个项目数据集，对每个项目数据集进行初始化，经过不断收敛，形成收敛函数，
Figure BDA0002765392700000031
其中，Li为项目数据集中空间点集，Si为数据集的均值，D为数据集中包含的对象，从数据集中包含的对象D中任意选择m个对象，成为初始收敛函数的分母进行平均分配，在数据集中的空间点集Li与数据及的均值的差进行平方之后，能够映射至最近似的对象，更新对象均值，不断循环操作；
S1-2，对初始化数据集设定先验分布概率，将对象集进行建模输出；首先获取数据集概率分布s(ai,ci)＝s(ci)·s(ai)·s(ai|ci＝k；β)；其中ai为施工项目标签，ai为施工项目完成度，k为施工项目完成级别，k∈(1,2.3.4.5)，β为施工项目信息置换率；
通过输入建模比率进行施工项目信息输出，
Figure BDA0002765392700000041
其中，Ni为施工项目数据获取轨迹，μ为轨迹调节系数，通过施工项目完成级别分为5档，从获取轨迹中发现信息输出特征，
Figure BDA0002765392700000042
为施工项目规范值E的开平方，Γ为施工项目中特定数据分布强度，η为待定参量，r(p)为施工项目数据获取过程中p中施工项目数据的分布，T(t)为收集施工项目耗费时间的纹理值，时间t≥0；
S1-3，建模输出后形成建筑施工项目数据的对象目标；通过对象目标提取公式
Figure BDA0002765392700000043
其中，通过λ对象目标调节参数与对象提取函数Q(j)乘积后与等式右侧相等，等式右侧A施工项目数据的状态值IA，B施工项目数据的状态值IB，分别通过A施工项目转移概率ε1和B施工项目转移概率ε2进行调节，Z(j)为施工项目运行阶段数据目标函数，W(j)为施工项目停止阶段数据目标函数，A施工项目数据的置换率为θ1，B施工项目数据的置换率为θ2。
优选的，所述S2包括：
S2-1，根据最大似然估计函数将对象目标进行计算，
Figure BDA0002765392700000044
通过对施工项目属性方差Ψ，特征参数δ和项目混合参数Λ进行对象目标函数求解，Si为数据集的均值，X(Si|h)为项目施工估计函数，对于项目类别h进行求解，X(c)为施工项目实例c的估计函数，
S2-2，经过确定聚类簇之后，通过分布函数计算建筑施工项目数据分布概率；
该聚类簇C在大数据平台中没有传播任何施工项目数据的状态值，通过分布函数转化A施工项目数据和B施工项目数据的状态值IA或IB，在主动传播施工项目数据的状态值过程中，该分布概率对状态值产生影响，
S2-3，根据分布概率中聚类簇的分布状态，进行迭代运算，逐渐收敛建筑施工项目数据的状态信息；对项目混合参数Λ进行求解，在聚类簇
Figure BDA0002765392700000051
中获取i种j个类别的施工项目数据，通过施工项目实例特征xi与类别调节阈值σj的差值进行分布迭代收敛计算，
Figure BDA0002765392700000052
其中，Ri,j为施工项目数据，λ为施工校正参数；
通过算法的施工项目计算复杂度与施工项目数据相互之间通过相似度方法收敛聚类，对施工项目选择偏好的聚类分析，帮助寻找目标用户，该方法的施工项目复杂度M＝Λ·(|Ri,j|*|e|)，其中|Ri,j|为施工项目数据的数量，|e|为聚类算法的迭代次数。
优选的，所述S3包括：
S3-1，通过构建权重矩阵，遍历建筑施工项目数据中不稳定信息，并进行筛选；
对于施工项目数据的构建的权重矩阵，对于施工项目中的施工日期d、施工工序列表l、施工者基本数据b和施工作业工种r形成权重矩阵
Figure BDA0002765392700000053
其中，通过项目施工数据权重系数β1和项目施工数据稳定系数β2进行施工项目中的施工日期d、施工工序列表l、施工者基本数据b和施工作业工种r数据稳定，A施工项目数据的状态值IA和B施工项目数据的状态值IB将施工项目进行权重矩阵构建，经过遍历不稳定信息后，剔除无效施工项目数据，并对施工项目进行筛选操作；
S3-2，通过筛选的代价函数，进行建筑施工项目数据推荐准备；
该代价函数为，
Figure BDA0002765392700000061
其中，Ui为统计全部施工项目数据的空间轨迹数；h为施工项目类别，J为全部施工项目数据的信息向量。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (3)

1.一种基于海量数据的建筑工程建设规划工作方法，其特征在于，包括：
S1-1，输入建筑施工项目数据集，根据建筑施工项目数据的聚类状态，随机选取m个项目数据集，对每个项目数据集进行初始化，经过不断收敛，形成收敛函数，
Figure FDA0002765392690000011
其中，Li为项目数据集中空间点集，Si为数据集的均值，D为数据集中包含的对象，从数据集中包含的对象D中任意选择m个对象，成为初始收敛函数的分母进行平均分配，在数据集中的空间点集Li与数据及的均值的差进行平方之后，能够映射至最近似的对象，更新对象均值，不断循环操作。
2.根据权利要求1所述的基于海量数据的建筑工程建设规划工作方法，其特征在于，还包括：
S1-2，对初始化数据集设定先验分布概率，将对象集进行建模输出；首先获取数据集概率分布s(ai,ci)＝s(ci)·s(ai)·s(ai|ci＝k；β)；其中ai为施工项目标签，ai为施工项目完成度，k为施工项目完成级别，k∈(1,2.3.4.5)，β为施工项目信息置换率；
通过输入建模比率进行施工项目信息输出，
Figure FDA0002765392690000012
其中，Ni为施工项目数据获取轨迹，μ为轨迹调节系数，通过施工项目完成级别分为5档，从获取轨迹中发现信息输出特征，
Figure FDA0002765392690000013
为施工项目规范值E的开平方，Γ为施工项目中特定数据分布强度，η为待定参量，r(p)为施工项目数据获取过程中p中施工项目数据的分布，T(t)为收集施工项目耗费时间的纹理值，时间t≥0。
3.根据权利要求1所述的基于海量数据的建筑工程建设规划工作方法，其特征在于，还包括：
S1-3，建模输出后形成建筑施工项目数据的对象目标；通过对象目标提取公式
Figure FDA0002765392690000021
其中，通过λ对象目标调节参数与对象提取函数Q(j)乘积后与等式右侧相等，等式右侧A施工项目数据的状态值IA，B施工项目数据的状态值IB，分别通过A施工项目转移概率ε1和B施工项目转移概率ε2进行调节，Z(j)为施工项目运行阶段数据目标函数，W(j)为施工项目停止阶段数据目标函数，A施工项目数据的置换率为θ1，B施工项目数据的置换率为θ2。
CN202011231593.4A 2020-11-06 2020-11-06 基于海量数据的建筑工程建设规划工作方法 Pending CN112508050A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011231593.4A CN112508050A (zh) 2020-11-06 2020-11-06 基于海量数据的建筑工程建设规划工作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011231593.4A CN112508050A (zh) 2020-11-06 2020-11-06 基于海量数据的建筑工程建设规划工作方法

Publications (1)

Publication Number Publication Date
CN112508050A true CN112508050A (zh) 2021-03-16

Family

ID=74955422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011231593.4A Pending CN112508050A (zh) 2020-11-06 2020-11-06 基于海量数据的建筑工程建设规划工作方法

Country Status (1)

Country Link
CN (1) CN112508050A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604363A (zh) * 2009-07-10 2009-12-16 珠海金山软件股份有限公司 基于文件指令频度的计算机恶意程序分类系统及分类方法
JP2010079325A (ja) * 2008-09-24 2010-04-08 Nec Corp モデルの構築方法、構築システム及び構築用プログラム
CN102147727A (zh) * 2011-04-02 2011-08-10 中国科学院软件研究所 一种新增软件项目的软件工作量预测方法
CN104636496A (zh) * 2015-03-04 2015-05-20 重庆理工大学 基于高斯分布和距离相似度的混合聚类的推荐方法
CN106407464A (zh) * 2016-10-12 2017-02-15 南京航空航天大学 一种基于knn的改进缺失数据填补算法
CN107291765A (zh) * 2016-04-05 2017-10-24 南京航空航天大学 基于dc规划处理缺失数据的聚类方法
CN107545471A (zh) * 2017-09-19 2018-01-05 北京工业大学 一种基于高斯混合的大数据智能推荐方法
CN109143992A (zh) * 2017-06-15 2019-01-04 费希尔-罗斯蒙特系统公司 用于将批次和连续过程控制数据分发到远程设备的系统和装置
CN110222918A (zh) * 2019-04-18 2019-09-10 重庆恢恢信息技术有限公司 基于云平台的智慧工地管理系统、服务器及存储介质
EP3591545A1 (en) * 2018-07-06 2020-01-08 Universite Paris Descartes Method for co-clustering senders and receivers based on text or image data files
CN111612101A (zh) * 2020-06-04 2020-09-01 华侨大学 非参数Waston混合模型的基因表达数据聚类方法、装置及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010079325A (ja) * 2008-09-24 2010-04-08 Nec Corp モデルの構築方法、構築システム及び構築用プログラム
CN101604363A (zh) * 2009-07-10 2009-12-16 珠海金山软件股份有限公司 基于文件指令频度的计算机恶意程序分类系统及分类方法
CN102147727A (zh) * 2011-04-02 2011-08-10 中国科学院软件研究所 一种新增软件项目的软件工作量预测方法
CN104636496A (zh) * 2015-03-04 2015-05-20 重庆理工大学 基于高斯分布和距离相似度的混合聚类的推荐方法
CN107291765A (zh) * 2016-04-05 2017-10-24 南京航空航天大学 基于dc规划处理缺失数据的聚类方法
CN106407464A (zh) * 2016-10-12 2017-02-15 南京航空航天大学 一种基于knn的改进缺失数据填补算法
CN109143992A (zh) * 2017-06-15 2019-01-04 费希尔-罗斯蒙特系统公司 用于将批次和连续过程控制数据分发到远程设备的系统和装置
CN107545471A (zh) * 2017-09-19 2018-01-05 北京工业大学 一种基于高斯混合的大数据智能推荐方法
EP3591545A1 (en) * 2018-07-06 2020-01-08 Universite Paris Descartes Method for co-clustering senders and receivers based on text or image data files
CN110222918A (zh) * 2019-04-18 2019-09-10 重庆恢恢信息技术有限公司 基于云平台的智慧工地管理系统、服务器及存储介质
CN111612101A (zh) * 2020-06-04 2020-09-01 华侨大学 非参数Waston混合模型的基因表达数据聚类方法、装置及设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BIN JIANG等: "Clustering Uncertain Data Based on Probability Distribution Similarity" *
仲伟伟: "基于hadoop平台的模糊聚类算法研究" *
洪敏 等: "数字化设计成就智慧建筑" *
王蓉蓉: "住宅精装修施工成本管理系统研究" *

Similar Documents

Publication Publication Date Title
CN107729943B (zh) 信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用
CN108647753B (zh) 一种基于bim和rfid技术的施工现场风险预警方法
CN103514259B (zh) 一种基于数值关联性模型的异常数据探测及修正方法
CN107305577B (zh) 基于K-means的妥投地址数据处理方法和系统
CN104408518A (zh) 基于粒子群优化算法的神经网络学习优化方法
CN104346481A (zh) 一种基于动态同步模型的社区检测方法
Cheng et al. An elitism strategy based genetic algorithm for streaming pattern discovery in wireless sensor networks
CN112559963A (zh) 一种配电网动态参数辨识方法及装置
CN112905656A (zh) 一种融合时序网络的动态社区发现系统
CN111221249B (zh) 一种用于数据中心系统群控的参数优化的方法
CN113515512A (zh) 一种工业互联网平台数据的质量治理及提升方法
CN115907304A (zh) 一种基于区间层次分析法的评估指标权重优化方法
CN106651461A (zh) 基于灰理论的电影个性化推荐方法
Lisic et al. Optimal stratification and allocation for the june agricultural survey
Khabarov et al. Heuristic model of the composite quality index of environmental assessment
CN112508050A (zh) 基于海量数据的建筑工程建设规划工作方法
Shuai et al. Integrated parallel forecasting model based on modified fuzzy time series and SVM
CN116541944A (zh) 一种基于变电站综合倾斜摄影建模模型的碳排放计算方法
CN116842818A (zh) 基于鹈鹕优化算法的结构面产状分组方法
CN108509531B (zh) 一种基于Spark平台的不确定数据集频繁项挖掘方法
CN110866586A (zh) 用于受资源约束多项目调度的改进遗传规划算法优化方法
CN112508051A (zh) 通过大数据平台进行建筑施工项目混合聚类工作方法
CN112905907B (zh) 一种系统进化移植分区时序网络的动态社区发现方法
CN113378900B (zh) 一种基于聚类的大规模不规则kpi时间序列的异常检测方法
CN112529037A (zh) 基于大数据分析建筑工地建设优化方法

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: 20210316