CN112949907A - 一种工程造价的定额匹配方法、装置、设备及存储介质 - Google Patents
一种工程造价的定额匹配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112949907A CN112949907A CN202110155029.7A CN202110155029A CN112949907A CN 112949907 A CN112949907 A CN 112949907A CN 202110155029 A CN202110155029 A CN 202110155029A CN 112949907 A CN112949907 A CN 112949907A
- Authority
- CN
- China
- Prior art keywords
- quota
- data
- matched
- list
- engineering quantity
- 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 62
- 238000010276 construction Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 36
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种工程造价的定额匹配方法,通过利用历史工程量清单数据和历史工程量清单数据对应的定额数据,训练定额预测模型,以对历史工程量清单数据进行语义描述习惯的学习和语义关联情况的学习,进而将待匹配工程量清单的数据输入定额预测模型,得到待匹配工程量清单的定额匹配结果,可以有效模拟工作人员人工匹配定额的过程,而无需工作人员手动匹配,既节约了工作人员进行定额匹配的人力成本,又提高了工程造价定额匹配任务自动化执行的准确性,提高了工程造价定额匹配任务的成功率。本发明还公开了一种定额匹配装置、设备及存储介质,具有上述有益效果。
Description
技术领域
本发明涉及大数据计算技术领域,特别是涉及一种工程造价的定额匹配方法、装置、设备及存储介质。
背景技术
工程定额是指在正常施工条件下完成规定计量单位的合格建筑安装工程所消耗的人工、材料、施工机具台班、工期天数及相关费率等的数量标准。
在现有的工程造价技术中,用户在确定工程量清单后,需要从定额库中查询到合适的定额,放在工程量清单下,得到工程清单。当定额数据量较大时,定额匹配工作极大地影响了工作效率。
对此,现有的解决办法通常为相似度匹配方法,常用计算方法有欧几里得距离、明可夫斯基距离、余弦相似度等,都需要对工程量清单的数据进行分词后,计算分词结果和定额库中各定额对应关键词的相似度。但由于工程造价中涉及大量专业词汇,且不同的用户的表达习惯有所不同,导致现有的相似度计算方法往往无法准确识别词义,进而无法匹配到准确的定额。
提供一种既节约人工又提高工程造价定额匹配准确性的方案,是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种工程造价的定额匹配方法、装置、设备及存储介质,用于在无需人工的情况下提高工程造价定额匹配的准确性。
为解决上述技术问题,本发明提供一种工程造价的定额匹配方法,包括:
获取历史工程量清单数据和所述历史工程量清单数据对应的定额数据;
利用所述历史工程量清单数据和所述定额数据,训练定额预测模型;
将待匹配工程量清单的数据输入所述定额预测模型,得到所述待匹配工程量清单的定额匹配结果。
可选的,在所述利用所述历史工程量清单数据和所述定额数据,训练定额预测模型之前,还包括:
接收输入的所述历史工程量清单数据和所述历史工程量清单数据对应的定额数据。
可选的,所述定额预测模型具体为深度神经网络模型。
可选的,所述利用所述历史工程量清单数据和所述定额数据,训练定额预测模型,具体包括:
利用词向量嵌入技术对历史工程量清单数据进行向量化处理,得到与历史工程量清单一一对应的清单数据向量;
对所述历史工程量清单数据对应的定额数据进行独热编码,得到与所述历史工程量清单一一对应的定额数据向量;
以所述清单数据向量为输入数据,以所述定额数据向量为输出数据,训练得到所述定额预测模型;
相应的,所述将待匹配工程量清单的数据输入所述定额预测模型,得到所述待匹配工程量清单的定额匹配结果,具体包括:
利用词向量嵌入技术对所述待匹配工程量清单的数据进行向量化处理后,得到所述待匹配工程量清单的待匹配清单数据向量;
将所述待匹配清单数据向量输入所述定额预测模型,得到所述待匹配工程量清单的定额数据向量。
可选的,还包括:
获取工程量清单专业词汇数据和定额专业词汇数据;
对所述工程量清单专业词汇数据进行数据清洗和格式处理,得到处理后的数据;
利用词嵌入向量技术对所述处理后的数据进行无监督学习,生成本地词汇向量库;
相应的,所述利用词向量嵌入技术对所述待匹配工程量清单的数据进行向量化处理后,得到所述待匹配工程量清单的待匹配清单数据向量,具体为:
利用词向量嵌入技术基于所述本地词汇向量库对所述待匹配工程量清单的数据进行分词处理及向量化处理,得到所述待匹配清单数据向量。
可选的,还包括:
若在所述待匹配工程量清单的定额数据向量中,一条所述待匹配工程量清单的工程量数据对应多个定额匹配结果,则将各所述定额匹配结果按照SoftMax逻辑回归分类结果的大小进行排序;
按排序结果确定所述待匹配工程量清单的最优定额匹配结果。
可选的,还包括:
接收对所述待匹配工程量清单的定额匹配结果的调整结果;
根据所述待匹配工程量清单的数据和所述调整结果优化所述定额预测模型。
为解决上述技术问题,本发明还提供一种工程造价的定额匹配装置,包括:
第一获取单元,用于获取历史工程量清单数据和所述历史工程量清单数据对应的定额数据;
建模单元,用于利用所述历史工程量清单数据和所述定额数据,训练定额预测模型;
匹配单元,用于将待匹配工程量清单的数据输入所述定额预测模型,得到所述待匹配工程量清单的定额匹配结果。
为解决上述技术问题,本发明还提供一种工程造价的定额匹配设备,包括:
存储器,用于存储指令,所述指令包括上述任意一项所述工程造价的定额匹配方法的步骤;
处理器,用于执行所述指令。
为解决上述技术问题,本发明还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述工程造价的定额匹配方法的步骤。
本发明所提供的工程造价的定额匹配方法,通过利用历史工程量清单数据和历史工程量清单数据对应的定额数据,训练定额预测模型,以对历史工程量清单数据进行语义描述习惯的学习和语义关联情况的学习,进而将待匹配工程量清单的数据输入定额预测模型,得到待匹配工程量清单的定额匹配结果,可以有效模拟工作人员人工匹配定额的过程,而无需工作人员手动匹配,既节约了工作人员进行定额匹配的人力成本,又提高了工程造价定额匹配任务自动化执行的准确性,提高了工程造价定额匹配任务的成功率。
本发明还提供了一种定额匹配装置、设备及存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种工程造价的定额匹配方法的流程图;
图2为本发明实施例提供的另一种工程造价的定额匹配方法的流程图;
图3为本发明实施例提供的一种工程造价的定额匹配装置的结构示意图;
图4为本发明实施例提供的一种工程造价的定额匹配设备的结构示意图。
具体实施方式
本发明的核心是提供一种工程造价的定额匹配方法、装置、设备及存储介质,用于在无需人工的情况下提高工程造价定额匹配的准确性。
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做出创造性劳动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。
图1为本发明实施例提供的一种工程造价的定额匹配方法的流程图。
如图1所示,本发明实施例提供的工程造价的定额匹配方法包括:
S101:获取历史工程量清单数据和历史工程量清单数据对应的定额数据。
S102:利用历史工程量清单数据和定额数据,训练定额预测模型。
S103:将待匹配工程量清单的数据输入定额预测模型,得到待匹配工程量清单的定额匹配结果。
在具体实施中,对于步骤S102来说,通过收集大量的历史工程量清单数据和历史工程量清单数据对应的定额数据,来保证定额预测模型对工程量清单和定额的关系描述的准确性。为保证词汇的专业性,可以选用现有的定额库、工程量清单库中的词汇,以及通过爬虫收集工程造价专业相关网站的文章。对收集到的数据进行数据清洗、格式处理后,提取历史工程量清单数据中的特征性词汇,如工程名称、工程编号、项目特征等词汇数据,将历史工程清单数据作为输入,将对应的定额数据作为输出,送入预测模型进行训练,经过回归训练和调参后,得到定额预测模型。
为适应不同工作人员的工作对象以及用语习惯,在步骤S102之前,本发明实施例提供的工程造价的定额匹配方法还可以包括:
接收输入的历史工程量清单数据和历史工程量清单数据对应的定额数据。
对于步骤S103来说,接收工作人员选择的待匹配工程量清单,按照对历史工程量清单的数据处理方法对待匹配工程量清单进行数据处理后,输入定额预测模型,得到待匹配工程量清单的定额匹配结果。该待匹配工程量清单的定额匹配结果可以作为定额推荐方案推荐给工作人员,由工作人员按需进一步调整完善。
为了进一步完善定额预测模型,本发明实施例提供的工程造价的定额匹配方法还可以包括:
接收对待匹配工程量清单的定额匹配结果的调整结果;
根据待匹配工程量清单的数据和调整结果优化定额预测模型。
在得到待匹配工程量清单的定额匹配结果后,将待匹配工程量清单的数据和定额匹配结果进行存储。若工作人员对待匹配工程量清单的定额匹配结果进行了调整,则根据调整后的内容,结合待匹配工程量清单的数据,对定额预测模型进行调参,继续训练优化定额预测模型。
本发明实施例提供的工程造价的定额匹配方法,通过利用历史工程量清单数据和历史工程量清单数据对应的定额数据,训练定额预测模型,以对历史工程量清单数据进行语义描述习惯的学习和语义关联情况的学习,进而将待匹配工程量清单的数据输入定额预测模型,得到待匹配工程量清单的定额匹配结果,可以有效模拟工作人员人工匹配定额的过程,而无需工作人员手动匹配,既节约了工作人员进行定额匹配的人力成本,又提高了工程造价定额匹配任务自动化执行的准确性,提高了工程造价定额匹配任务的成功率。
图2为本发明实施例提供的另一种工程造价的定额匹配方法的流程图。
在上述实施例的基础上,在本发明实施例提供的工程造价的定额匹配方法中,定额预测模型具体选用深度神经网络模型(Deep Neural Networks,DNN)。
在此基础上,如图2所示,步骤S102:利用历史工程量清单数据和定额数据,训练定额预测模型,具体可以包括:
S201:利用词向量嵌入(Word Embedding)技术对历史工程量清单数据进行向量化处理,得到与历史工程量清单一一对应的清单数据向量。
S202:对历史工程量清单数据对应的定额数据进行独热(one-hot)编码,得到与历史工程量清单一一对应的定额数据向量。
S203:以清单数据向量为输入数据,以定额数据向量为输出数据,训练得到定额预测模型。
相应的,步骤S103:将待匹配工程量清单的数据输入定额预测模型,得到待匹配工程量清单的定额匹配结果,具体包括:
S204:利用词向量嵌入技术对待匹配工程量清单的数据进行向量化处理后,得到待匹配工程量清单的待匹配清单数据向量。
S205:将待匹配清单数据向量输入定额预测模型,得到待匹配工程量清单的定额数据向量。
在具体实施中,对于步骤S201来说,利用词向量嵌入技术提取历史工程量清单数据中的特征数据,如工程名称、工程编号、项目特征等词汇数据,进行向量化处理,得到与历史工程量清单一一对应的清单数据向量。
对于步骤S202来说,将与历史工程量清单对应的定额一一列出,通过独热编码进行向量化。
对于步骤S203来说,以清单数据向量为输入数据,以定额数据向量为输出数据,生成一个由128个隐藏层和一个SoftMax逻辑回归分类层组成的深度神经网络模型,对该模型进行回归训练和调参后,得到定额预测模型。
对于步骤S204来说,当工作人员输入一个工程量清单时,提取该工程量清单的特征数据,通过词向量嵌入技术对这些特征数据进行向量化处理,得到待匹配工程量清单的待匹配清单数据向量。
对于步骤S205来说,将待匹配工程量清单的待匹配清单数据向量输入步骤S203得到的定额预测模型中,输出待匹配工程量清单的定额数据向量,即为定额推荐结果。
经过SoftMax逻辑回归分类层,输出的定额数据向量包含不同的定额推荐结果的SoftMax逻辑回归分类结果,有可能会对于待匹配工程量清单中同一工程量给出不同的定额推荐结果,则本发明实施例提供的工程造价的定额匹配方法还包括:
若在待匹配工程量清单的定额数据向量中,一条待匹配工程量清单的工程量数据对应多个定额匹配结果,则将各定额匹配结果按照SoftMax逻辑回归分类结果的大小进行排序;
按排序结果确定待匹配工程量清单的最优定额匹配结果。
取各定额推荐结果中SoftMax逻辑回归分类结果最大的定额推荐结果,最后组合得到待匹配工程量清单的最优定额组合方案。
将最优定额组合方案显示在人机交互界面上,供工作人员查看,具体可以如表1所示:
表1定额推荐结果示意表
编号 | 定额名称 | 单位 | |
1 | 10001 | 人工挖一般土方土类级别Ⅰ~Ⅱ | 100m<sup>3</sup> |
2 | 10002 | 人工挖一般土方土类级别Ⅲ | 100m<sup>3</sup> |
3 | 10003 | 人工挖一般土方土类级别Ⅳ | 100m<sup>3</sup> |
而后,记录该待匹配工程量清单的数据及用户调整后的数据,形成新的样本数据,进行强化学习,优化定额预测模型。
在上述实施例的基础上,为提高定额预测模型的预测准确性,本发明实施例提供的工程造价的定额匹配方法还可以包括:
获取工程量清单专业词汇数据和定额专业词汇数据。
对工程量清单专业词汇数据进行数据清洗和格式处理,得到处理后的数据。例如,对所有文章和词汇进行数据清洗和格式处理,清洗掉不需要和重复的数据,格式处如加入<CLF><SEP><EFO>等等起始结束符号。
利用词嵌入向量技术对处理后的数据进行无监督学习,生成本地词汇向量库。该本地词汇向量库相较于现有技术中的词汇库,不仅能够给出工程造价专业词汇,还能够描述在工程量清单中各专业词汇间的语义关系,从而进一步有助于识别词义相似但描述差异较大、词义存在关联但无法根据关键词识别得到(如C20和混凝土)等问题的解决。
相应的,步骤S204中利用词向量嵌入技术对待匹配工程量清单的数据进行向量化处理后,得到待匹配工程量清单的待匹配清单数据向量,具体为:
利用词向量嵌入技术基于本地词汇向量库对待匹配工程量清单的数据进行分词处理及向量化处理,得到待匹配清单数据向量。
可以理解的是,该待匹配清单数据向量更加贴合定额预测模型的语义表达方式,从而提升了定额匹配的准确性。
上文详述了工程造价的定额匹配方法对应的各个实施例,在此基础上,本发明还公开了与上述方法对应的工程造价的定额匹配装置、设备及存储介质。
图3为本发明实施例提供的一种工程造价的定额匹配装置的结构示意图。
如图3所示,本发明实施例提供的工程造价的定额匹配装置包括:
第一获取单元301,用于获取历史工程量清单数据和历史工程量清单数据对应的定额数据;
建模单元302,用于利用历史工程量清单数据和历史工程量清单数据对应的定额数据,训练定额预测模型;
匹配单元303,用于将待匹配工程量清单的数据输入定额预测模型,得到待匹配工程量清单的定额匹配结果。
进一步的,本发明实施例提供的工程造价的定额匹配装置还可以包括:
第一接收单元,用于在利用历史工程量清单数据和历史工程量清单数据对应的定额数据,训练定额预测模型之前,接收输入的历史工程量清单数据和历史工程量清单数据对应的定额数据。
进一步的,本发明实施例提供的工程造价的定额匹配装置还可以包括:
第二接收单元,用于接收对待匹配工程量清单的定额匹配结果的调整结果;根据待匹配工程量清单的数据和调整结果优化定额预测模型。
本发明实施例提供的工程造价的定额匹配装置中,定额预测模型具体可以选用深度神经网络模型。
在此基础上,建模单元302具体包括:
第一处理子单元,用于利用词向量嵌入技术对历史工程量清单数据进行向量化处理,得到与历史工程量清单一一对应的清单数据向量;
第二处理子单元,用于对历史工程量清单数据对应的定额数据进行独热编码,得到与历史工程量清单一一对应的定额数据向量;
训练子单元,用于以清单数据向量为输入数据,以定额数据向量为输出数据,训练得到定额预测模型。
相应的,匹配单元303具体包括:
第三处理子单元,用于利用词向量嵌入技术对待匹配工程量清单的数据进行向量化处理后,得到待匹配工程量清单的待匹配清单数据向量;
匹配子单元,用于将待匹配清单数据向量输入定额预测模型,得到待匹配工程量清单的定额数据向量。
在此基础上,本发明实施例提供的工程造价的定额匹配装置还可以包括:
第二获取单元,用于获取工程量清单专业词汇数据和定额专业词汇数据;
第四处理单元,对工程量清单专业词汇数据进行数据清洗和格式处理,得到处理后的数据;
建库单元,用于利用词嵌入向量技术对处理后的数据进行无监督学习,生成本地词汇向量库。
相应的,第三处理子单元利用词向量嵌入技术对待匹配工程量清单的数据进行向量化处理后,得到待匹配工程量清单的待匹配清单数据向量,具体为:
利用词向量嵌入技术基于本地词汇向量库对待匹配工程量清单的数据进行分词处理及向量化处理,得到待匹配清单数据向量。
进一步的,本发明实施例提供的工程造价的定额匹配装置还可以包括:
排序单元,用于若在待匹配工程量清单的定额数据向量中,一条待匹配工程量清单的工程量数据对应多个定额匹配结果,则将各定额匹配结果按照SoftMax逻辑回归分类结果的大小进行排序;
确定单元,用于按排序结果确定待匹配工程量清单的最优定额匹配结果。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图4为本发明实施例提供的一种工程造价的定额匹配设备的结构示意图。
如图4所示,本发明实施例提供的工程造价的定额匹配设备包括:
存储器410,用于存储指令,所述指令包括上述任意一项实施例所述的工程造价的定额匹配方法的步骤;
处理器420,用于执行所述指令。
其中,处理器420可以包括一个或多个处理核心,比如3核心处理器、8核心处理器等。处理器420可以采用数字信号处理DSP(Digital Signal Processing)、现场可编程门阵列FPGA(Field-Programmable Gate Array)、可编程逻辑阵列PLA(Programmable LogicArray)中的至少一种硬件形式来实现。处理器420也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器CPU(CentralProcessing Unit);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器420可以集成有图像处理器GPU(Graphics Processing Unit),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器420还可以包括人工智能AI(Artificial Intelligence)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器410可以包括一个或多个存储介质,该存储介质可以是非暂态的。存储器410还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器410至少用于存储以下计算机程序411,其中,该计算机程序411被处理器420加载并执行之后,能够实现前述任一实施例公开的工程造价的定额匹配方法中的相关步骤。另外,存储器410所存储的资源还可以包括操作系统412和数据413等,存储方式可以是短暂存储或者永久存储。其中,操作系统412可以为Windows。数据413可以包括但不限于上述方法所涉及到的数据。
在一些实施例中,工程造价的定额匹配设备还可包括有显示屏430、电源440、通信接口450、输入输出接口460、传感器470以及通信总线480。
本领域技术人员可以理解,图4中示出的结构并不构成对工程造价的定额匹配设备的限定,可以包括比图示更多或更少的组件。
本申请实施例提供的工程造价的定额匹配设备,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如上所述的工程造价的定额匹配方法,效果同上。
需要说明的是,以上所描述的装置、设备实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本发明各个实施例所述方法的全部或部分步骤。
为此,本发明实施例还提供一种存储介质,该存储介质上存储有计算机程序,计算机程序被处理器执行时实现如工程造价的定额匹配方法的步骤。
该存储介质可以包括:U盘、移动硬盘、只读存储器ROM(Read-Only Memory)、随机存取存储器RAM(Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例中提供的存储介质所包含的计算机程序能够在被处理器执行时实现如上所述的工程造价的定额匹配方法的步骤,效果同上。
以上对本发明所提供的一种工程造价的定额匹配方法、装置、设备及存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种工程造价的定额匹配方法,其特征在于,包括:
获取历史工程量清单数据和所述历史工程量清单数据对应的定额数据;
利用所述历史工程量清单数据和所述定额数据,训练定额预测模型;
将待匹配工程量清单的数据输入所述定额预测模型,得到所述待匹配工程量清单的定额匹配结果。
2.根据权利要求1所述的定额匹配方法,其特征在于,在所述利用所述历史工程量清单数据和所述定额数据,训练定额预测模型之前,还包括:
接收输入的所述历史工程量清单数据和所述历史工程量清单数据对应的定额数据。
3.根据权利要求1所述的定额匹配方法,其特征在于,所述定额预测模型具体为深度神经网络模型。
4.根据权利要求3所述的定额匹配方法,其特征在于,所述利用所述历史工程量清单数据和所述定额数据,训练定额预测模型,具体包括:
利用词向量嵌入技术对历史工程量清单数据进行向量化处理,得到与历史工程量清单一一对应的清单数据向量;
对所述历史工程量清单数据对应的定额数据进行独热编码,得到与所述历史工程量清单一一对应的定额数据向量;
以所述清单数据向量为输入数据,以所述定额数据向量为输出数据,训练得到所述定额预测模型;
相应的,所述将待匹配工程量清单的数据输入所述定额预测模型,得到所述待匹配工程量清单的定额匹配结果,具体包括:
利用词向量嵌入技术对所述待匹配工程量清单的数据进行向量化处理后,得到所述待匹配工程量清单的待匹配清单数据向量;
将所述待匹配清单数据向量输入所述定额预测模型,得到所述待匹配工程量清单的定额数据向量。
5.根据权利要求4所述的定额匹配方法,其特征在于,还包括:
获取工程量清单专业词汇数据和定额专业词汇数据;
对所述工程量清单专业词汇数据进行数据清洗和格式处理,得到处理后的数据;
利用词嵌入向量技术对所述处理后的数据进行无监督学习,生成本地词汇向量库;
相应的,所述利用词向量嵌入技术对所述待匹配工程量清单的数据进行向量化处理后,得到所述待匹配工程量清单的待匹配清单数据向量,具体为:
利用词向量嵌入技术基于所述本地词汇向量库对所述待匹配工程量清单的数据进行分词处理及向量化处理,得到所述待匹配清单数据向量。
6.根据权利要求4所述的定额匹配方法,其特征在于,还包括:
若在所述待匹配工程量清单的定额数据向量中,一条所述待匹配工程量清单的工程量数据对应多个定额匹配结果,则将各所述定额匹配结果按照SoftMax逻辑回归分类结果的大小进行排序;
按排序结果确定所述待匹配工程量清单的最优定额匹配结果。
7.根据权利要求1所述的定额匹配方法,其特征在于,还包括:
接收对所述待匹配工程量清单的定额匹配结果的调整结果;
根据所述待匹配工程量清单的数据和所述调整结果优化所述定额预测模型。
8.一种工程造价的定额匹配装置,其特征在于,包括:
第一获取单元,用于获取历史工程量清单数据和所述历史工程量清单数据对应的定额数据;
建模单元,用于利用所述历史工程量清单数据和所述定额数据,训练定额预测模型;
匹配单元,用于将待匹配工程量清单的数据输入所述定额预测模型,得到所述待匹配工程量清单的定额匹配结果。
9.一种工程造价的定额匹配设备,其特征在于,包括:
存储器,用于存储指令,所述指令包括权利要求1至7任意一项所述工程造价的定额匹配方法的步骤;
处理器,用于执行所述指令。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述工程造价的定额匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155029.7A CN112949907B (zh) | 2021-02-04 | 2021-02-04 | 一种工程造价的定额匹配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155029.7A CN112949907B (zh) | 2021-02-04 | 2021-02-04 | 一种工程造价的定额匹配方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949907A true CN112949907A (zh) | 2021-06-11 |
CN112949907B CN112949907B (zh) | 2024-03-19 |
Family
ID=76243891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110155029.7A Active CN112949907B (zh) | 2021-02-04 | 2021-02-04 | 一种工程造价的定额匹配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949907B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907875A (zh) * | 2022-10-21 | 2023-04-04 | 珠海纵横创新软件有限公司 | 价格区间的造价编制方法、装置、电子设备及介质 |
CN116188091A (zh) * | 2023-05-04 | 2023-05-30 | 品茗科技股份有限公司 | 造价清单自动匹配单价引用的方法、装置、设备及介质 |
CN116205694A (zh) * | 2023-05-04 | 2023-06-02 | 品茗科技股份有限公司 | 造价定额自动推荐配合比的方法、装置、设备及介质 |
CN117273270A (zh) * | 2023-09-21 | 2023-12-22 | 广州地铁设计研究院股份有限公司 | 一种工程定额的评估方法、装置、终端设备及存储介质 |
CN115907875B (zh) * | 2022-10-21 | 2024-07-12 | 珠海纵横创新软件有限公司 | 价格区间的造价编制方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015148159A1 (en) * | 2014-03-25 | 2015-10-01 | Alibaba Group Holding Limited | Determining a temporary transaction limit |
CN106327023A (zh) * | 2016-09-07 | 2017-01-11 | 国家电网公司 | 输电工程工时定额测定方法及装置 |
CN107590553A (zh) * | 2017-08-18 | 2018-01-16 | 南京理工大学 | 一种地铁车辆维修材料定额管理办法 |
CN110473067A (zh) * | 2019-08-14 | 2019-11-19 | 杭州品茗安控信息技术股份有限公司 | 构件的造价标准文件确定方法、装置、设备及存储介质 |
CN111127068A (zh) * | 2019-02-27 | 2020-05-08 | 上海万亩电子科技有限公司 | 一种工程量清单自动组价方法和装置 |
CN112069317A (zh) * | 2020-09-07 | 2020-12-11 | 北京理工大学 | 一种装配工时的获取方法及处理器 |
-
2021
- 2021-02-04 CN CN202110155029.7A patent/CN112949907B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015148159A1 (en) * | 2014-03-25 | 2015-10-01 | Alibaba Group Holding Limited | Determining a temporary transaction limit |
CN106327023A (zh) * | 2016-09-07 | 2017-01-11 | 国家电网公司 | 输电工程工时定额测定方法及装置 |
CN107590553A (zh) * | 2017-08-18 | 2018-01-16 | 南京理工大学 | 一种地铁车辆维修材料定额管理办法 |
CN111127068A (zh) * | 2019-02-27 | 2020-05-08 | 上海万亩电子科技有限公司 | 一种工程量清单自动组价方法和装置 |
CN110473067A (zh) * | 2019-08-14 | 2019-11-19 | 杭州品茗安控信息技术股份有限公司 | 构件的造价标准文件确定方法、装置、设备及存储介质 |
CN112069317A (zh) * | 2020-09-07 | 2020-12-11 | 北京理工大学 | 一种装配工时的获取方法及处理器 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907875A (zh) * | 2022-10-21 | 2023-04-04 | 珠海纵横创新软件有限公司 | 价格区间的造价编制方法、装置、电子设备及介质 |
CN115907875B (zh) * | 2022-10-21 | 2024-07-12 | 珠海纵横创新软件有限公司 | 价格区间的造价编制方法、装置、电子设备及介质 |
CN116188091A (zh) * | 2023-05-04 | 2023-05-30 | 品茗科技股份有限公司 | 造价清单自动匹配单价引用的方法、装置、设备及介质 |
CN116205694A (zh) * | 2023-05-04 | 2023-06-02 | 品茗科技股份有限公司 | 造价定额自动推荐配合比的方法、装置、设备及介质 |
CN116205694B (zh) * | 2023-05-04 | 2023-10-24 | 品茗科技股份有限公司 | 造价定额自动推荐配合比的方法、装置、设备及介质 |
CN117273270A (zh) * | 2023-09-21 | 2023-12-22 | 广州地铁设计研究院股份有限公司 | 一种工程定额的评估方法、装置、终端设备及存储介质 |
CN117273270B (zh) * | 2023-09-21 | 2024-05-03 | 广州地铁设计研究院股份有限公司 | 一种工程定额的评估方法、装置、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112949907B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949907A (zh) | 一种工程造价的定额匹配方法、装置、设备及存储介质 | |
CN107766371A (zh) | 一种文本信息分类方法及其装置 | |
CN107704512A (zh) | 基于社交数据的金融产品推荐方法、电子装置及介质 | |
CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
CN112949906B (zh) | 工程造价定额换算的匹配方法、装置、设备及存储介质 | |
CN109740642A (zh) | 发票类别识别方法、装置、电子设备及可读存储介质 | |
CN114139490B (zh) | 一种自动数据预处理的方法、装置以及设备 | |
CN111309910A (zh) | 文本信息挖掘方法及装置 | |
CN107844558A (zh) | 一种分类信息的确定方法以及相关装置 | |
CN112418320B (zh) | 一种企业关联关系识别方法、装置及存储介质 | |
CN110287329A (zh) | 一种基于商品文本分类的电商类目属性挖掘方法 | |
CN114780746A (zh) | 基于知识图谱的文档检索方法及其相关设备 | |
CN113379432B (zh) | 一种基于机器学习的销售系统客户匹配方法 | |
CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN113361240B (zh) | 用于生成目标文章的方法、装置、设备和可读存储介质 | |
CN114239683A (zh) | 一种面向电力系统的数据融合处理方法、系统及设备 | |
CN114117134A (zh) | 一种异常特征检测方法、装置、设备和计算机可读介质 | |
CN115422933B (zh) | 一种成本数据提取方法、装置、电子设备及存储介质 | |
CN111460137A (zh) | 一种基于主题模型的微服务关注点识别方法、设备及介质 | |
CN114840642A (zh) | 事件抽取方法、装置、设备及存储介质 | |
CN113569578B (zh) | 一种用户意图识别方法、装置和计算机设备 | |
CN113688232A (zh) | 招标文本分类方法、装置、存储介质及终端 | |
CN114528378A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113837183B (zh) | 基于实时挖掘的多阶段凭证智能生成方法、系统及介质 | |
CN117708201A (zh) | 一种关联规则的挖掘方法、装置、电子设备及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Block C, 5th Floor, Building B, Paradise Software Park, No. 3 Xidoumen Road, Xihu District, Hangzhou, Zhejiang 310000 Applicant after: Pin Ming Technology Co.,Ltd. Address before: 310012 Room C, 5 / F, building B, Paradise Software Park, 3 xidoumen Road, Xihu District, Hangzhou City, Zhejiang Province Applicant before: HANGZHOU PINMING SAFETY CONTROL INFORMATION TECHNOLOGY CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |