CN113298624A - 前馈全连接神经网络预测工程项目投标报价的方法 - Google Patents
前馈全连接神经网络预测工程项目投标报价的方法 Download PDFInfo
- Publication number
- CN113298624A CN113298624A CN202110686641.7A CN202110686641A CN113298624A CN 113298624 A CN113298624 A CN 113298624A CN 202110686641 A CN202110686641 A CN 202110686641A CN 113298624 A CN113298624 A CN 113298624A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training data
- quotation
- neural network
- 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
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- 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
Abstract
本申请提供了一种前馈全连接神经网络预测工程项目投标报价的方法。该方法包括将原始数据分成训练数据和测试数据两部分,对训练数据中的限价数据进行标准化处理;以训练数据中的项目限价为输入,训练数据中的项目报价为输出,建立前馈全连接神经网络回归模型;选用k折交叉验证对模型进行评估,得到k折交叉验证结果,并在每次评估后调整模型的参数以重新进行评估;绘制准确率图像,找出拐点,进行早停,其中准确率图像是以模型训练的轮次为横坐标,各轮次中的k折交叉验证结果为纵坐标绘制的;用调整好的模型对测试数据进行测试,并对实际工程项目的报价做预测。本申请提供的方法可对工程项目的报价进行准确预测。
Description
技术领域
本申请涉及项目报价预测技术领域,尤其涉及一种前馈全连接神经网络预测工程项目投标报价的方法。
背景技术
在投标项目中,报价是影响项目中标的一个重要因素,因此对投标的竞争对手的项目报价进行准确预估,以便在合理范围内有针对性的调整报价,能够更有利于在投标中占据优势,增加项目中标概率。
目前,对于竞争对手的项目报价预估,大都是基于竞争对手以往的报价进行人工预估,然而采用人工预估的方式往往需要十分丰富的项目投标报价经验,且由于人工预估往往带有个人的主观判断,对竞争对手的预估报价往往与其竞争对手实际报价相差甚远,不利于在投标中占据优势。
因此,如何提供一种有效的方案以对竞争对手的项目报价准确预测,以便在投标中占据优势,增加项目中标概率,已成为现有技术中一亟待解决的问题。
发明内容
本申请实施例提供了一种前馈全连接神经网络预测工程项目投标报价的方法,用于决现有技术中存在的不能对竞争对手的项目报价准确预测的问题。
本申请实施例采用下述技术方案:
本申请实施例提供了一种前馈全连接神经网络预测工程项目投标报价的方法,包括:
将原始数据分成训练数据和测试数据两部分,对训练数据中的限价数据进行标准化处理;
以训练数据中的项目限价为输入,训练数据中的项目报价为输出,建立前馈全连接神经网络回归模型;
选用k折交叉验证对模型进行评估,得到k折交叉验证结果,并在每次评估后调整模型的参数以重新进行评估;
绘制准确率图像,找出拐点,进行早停,其中准确率图像是以模型训练的轮次为横坐标,各轮次中的k折交叉验证结果为纵坐标绘制的;
用调整好的模型对测试数据进行测试,并对实际工程项目的报价做预测。
在一个可能的设计中,对训练数据中的限价数据进行标准化处理,包括:
将训练数据中的限价数据转换为均值为0,标准差为1的标准数据。
在一个可能的设计中,所述前馈全连接神经网络回归模型选用rmsprop作为优化器,模型预测报价与真实报价的均方误差为损失函数,平均绝对误差为监控指标。
在一个可能的设计中,选用k折交叉验证对模型进行评估,包括:
将训练数据划分为4个分区,实例化4个相同的模型,将每个模型在3个分区上训练,并在剩下的一个分区上进行评估,得到4个验证分数,并以4个验证分数的平均值做为模型的验证分数。
在一个可能的设计中,调整模型的参数采用以下一种或几种方式:
添加dropout;
改变神经网络的架构,添加或减少层数;
添加L1或L2正则化,或同时添加L1和L2正则化;
改变模型的超参数。
本申请一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果:
由于将原始数据分成训练数据和测试数据两部分,对训练数据中的限价数据进行标准化处理,然后以训练数据中的项目限价为输入,训练数据中的项目报价为输出,建立前馈全连接神经网络回归模型,并选用k折交叉验证对模型进行评估,得到k折交叉验证结果,并在每次评估后调整模型的参数以重新进行评估,再绘制准确率图像,找出拐点,进行早停,其中准确率图像是以模型训练的轮次为横坐标,各轮次中的k折交叉验证结果为纵坐标绘制的,最后用调整好的模型对测试数据进行测试,并对实际工程项目的报价做预测。如此,能够建立用于对项目报价准确预测的模型,并利用模型对竞争对手的项目报价准确预测,以便在投标中占据优势,增加项目中标概率。
附图说明
此处所说明的附图用来提供对本文件的进一步理解,构成本文件的一部分,本文件的示意性实施例及其说明用于解释本文件,并不构成对本文件的不当限定。在附图中:
图1为本申请一个实施例提供的前馈全连接神经网络预测工程项目投标报价的方法的流程图。
图2为本申请一个实施例提供的将训练数据划分为3个分区时的k折交叉验证的示例图。
图3为本申请一个实施例提供的准确率图像的示意图。
具体实施方式
为了对竞争对手的项目报价准确预测,本申请实施例提供了一种前馈全连接神经网络预测工程项目投标报价的方法,该前馈全连接神经网络预测工程项目投标报价的方法可建立用于对项目报价准确预测的预测模型,从而能够对竞争对手的项目报价准确预测。
本申请实施例提供的前馈全连接神经网络预测工程项目投标报价的方法可应用于用户终端,所述用户终端可以是,但不限于个人电脑、智能手机、平板电脑、膝上型便携计算机、个人数字助理等。
为了便于描述,除特别说明外,本申请实施例均以用户终端为执行主体进行说明。
可以理解,所述执行主体并不构成对本申请实施例的限定。
请参阅图1,本申请实施例提供了一种前馈全连接神经网络预测工程项目投标报价的方法,所述前馈全连接神经网络预测工程项目投标报价的方法包括如下步骤:
步骤S101,将原始数据分成训练数据和测试数据两部分,对训练数据中的限价数据进行标准化处理。
其中,训练数据为用于训练对项目报价进行预测的模型所需的数据,测试数据为用于对该训练的模型进行测试的数据。训练数据和测试数据中均包括需要进行预测的竞争对手针对工程项目的报价和工程项目的限价。
例如,在一个实施例中,原始数据为310个,可将该310个原始数据分为254个训练数据和56个测试数据,该256个训练数据和56个测试数据中的每个均包括一项目的项目限价和需要进行预测的竞争对手针对该项目的项目报价。
本申请实施例中,训练数据中的限价数据进行标准化处理,可以是指将训练数据中的限价数据(项目限价)转换为均值为0,标准差为1的标准数据。
可以理解的,在其他的一些实施例中,对训练数据中的限价数据进行标准化处理也可以采用其他的方式。例如,还可以通过,但不限于离差标准化、归一化等方式将训练数据中的限价数据进行标准化处理。
步骤S102,以训练数据中的项目限价为输入,训练数据中的项目报价为输出,建立前馈全连接神经网络回归模型。
本申请实施例中,在建立前馈全连接神经网络回归模型时,可以选用rmsprop作为优化器,模型预测报价与真实报价的均方误差为损失函数,平均绝对误差为监控指标。
可以理解的,在其他的一些实施例中,也可以建立其他类型的神经网络模型,例如还可以以训练数据中的项目限价为输入,训练数据中的项目报价为输出,建立线性回归模型。
步骤S103,选用k折交叉验证对模型进行评估,得到k折交叉验证结果,并在每次评估后调整模型的参数以重新进行评估。
具体的,选用k折交叉验证对模型进行评估时,可将练数据划分为k个分区,实例化k个相同的模型,将每个模型在k-1个分区上训练,并在剩下的一个分区上进行评估,得到k个验证分数,并以k个验证分数的平均值做为模型(前馈全连接神经网络回归模型)的验证分数。
本申请实施例中,在选用k折交叉验证对模型进行评估时,将训练数据划分为4个分区,实例化4个相同的模型,将每个模型在3个分区上训练,并在剩下的一个分区上进行评估,得到4个验证分数,并以4个验证分数的平均值做为模型的验证分数。
本申请实施例中,在选用k折交叉验证对模型进行评估时,将训练数据划分为4个分区。可以理解的,在其他的意向实施例中,也可以将训练数据划分为其他个数的分区,例如还可以划分为6个分区、8个分区等。
如图2所示,是一个实施例中将训练数据划分为3个分区时的k折交叉验证的示例图。
在选用k折交叉验证对模型进行评估,得到k折交叉验证结果后,可在每次评估后调整模型的参数以重新进行评估。
具体的,调整模型的参数可以采用以下的一种或几种方式:
1)添加dropout。
2)改变神经网络的架构,添加或减少层数。
3)添加L1或L2正则化,或同时添加L1和L2正则化。
4)改变模型的超参数,如调整模型中每层的单元个数或调整优化器的学习率。
步骤S104,绘制准确率图像,找出拐点,进行早停。
其中,准确率图像是以模型训练的轮次为横坐标,各轮次中的k折交叉验证结果为纵坐标绘制的。
本申请实施例中,选用k折交叉验证对模型进行一次评估,得到一次k折交叉验证结果的过程被称之为一个轮次。
本申请实施例中,可以以模型(前馈全连接神经网络回归模型)训练的轮次为横坐标,各轮次中的k折交叉验证结果(即模型的验证分数)为纵坐标绘制准确率图像。随着轮次的增加,模型的验证分数会逐渐降低并出现验证分数趋于稳定的拐点,即验证分数开始收敛,此时进行早停并将找出拐点时的前馈全连接神经网络回归模型作为用于对竞争对手的项目报价进行预测的模型。
如图3所示,是一个实施例所提供的准确率图像,从图3中可以看出,在35轮次时,k折交叉验证结果出现拐点,此时可将第35轮次时所对应的前馈全连接神经网络回归模型作为调整好的模型,以便用于对竞争对手项目报价进行预测的模型。
步骤S105,用调整好的模型对测试数据进行测试,并对实际工程项目的报价做预测。
具体的,在进行测试时,可将调整好的模型对标准化处理后的测试数据进行测试。如果测试结果与测试数据中的实际项目报价的差值处于预设范围内,则说明该调整好的模型预测的准确性高,此时可将实际工程项目的限价数据进行标准化处理,然后作为该调整好的模型的输入进行运算,以对实际工程项目的报价做预测。
综上所述,本申请实施例提供的前馈全连接神经网络预测工程项目投标报价的方法,通过将原始数据分成训练数据和测试数据两部分,对训练数据中的限价数据进行标准化处理,然后以训练数据中的项目限价为输入,训练数据中的项目报价为输出,建立前馈全连接神经网络回归模型,并选用k折交叉验证对模型进行评估,得到k折交叉验证结果,并在每次评估后调整模型的参数以重新进行评估,再绘制准确率图像,找出拐点,进行早停,其中准确率图像是以模型训练的轮次为横坐标,各轮次中的k折交叉验证结果为纵坐标绘制的,最后用调整好的模型对测试数据进行测试,并对实际工程项目的报价做预测。如此,能够建立用于对项目报价准确预测的模型,并利用模型对竞争对手的项目报价准确预测,以便在投标中占据优势,增加项目中标概率。同时,采用k折交叉验证得到的验证分数,比单一的模型参数更具有可靠性,以便更好的调整模型。另外,通过绘制准确率图像,找出拐点,进行早停,可防止模型过拟合。
总之,以上所述仅为本文件的较佳实施例而已,并非用于限定本文件的保护范围。凡在本文件的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本文件的保护范围之内。
Claims (5)
1.一种前馈全连接神经网络预测工程项目投标报价的方法,其特征在于,包括:
将原始数据分成训练数据和测试数据两部分,对训练数据中的限价数据进行标准化处理;
以训练数据中的项目限价为输入,训练数据中的项目报价为输出,建立前馈全连接神经网络回归模型;
选用k折交叉验证对模型进行评估,得到k折交叉验证结果,并在每次评估后调整模型的参数以重新进行评估;
绘制准确率图像,找出拐点,进行早停,其中准确率图像是以模型训练的轮次为横坐标,各轮次中的k折交叉验证结果为纵坐标绘制的;
用调整好的模型对测试数据进行测试,并对实际工程项目的报价做预测。
2.根据权利要求1所述的方法,其特征在于,对训练数据中的限价数据进行标准化处理,包括:
将训练数据中的限价数据转换为均值为0,标准差为1的标准数据。
3.根据权利要求1所述的方法,其特征在于,所述前馈全连接神经网络回归模型选用rmsprop作为优化器,模型预测报价与真实报价的均方误差为损失函数,平均绝对误差为监控指标。
4.根据权利要求1所述的方法,其特征在于,选用k折交叉验证对模型进行评估,包括:
将训练数据划分为4个分区,实例化4个相同的模型,将每个模型在3个分区上训练,并在剩下的一个分区上进行评估,得到4个验证分数,并以4个验证分数的平均值做为模型的验证分数。
5.根据权利要求1所述的方法,其特征在于,调整模型的参数采用以下一种或几种方式:
添加dropout;
改变神经网络的架构,添加或减少层数;
添加L1或L2正则化,或同时添加L1和L2正则化;
改变模型的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686641.7A CN113298624A (zh) | 2021-06-21 | 2021-06-21 | 前馈全连接神经网络预测工程项目投标报价的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686641.7A CN113298624A (zh) | 2021-06-21 | 2021-06-21 | 前馈全连接神经网络预测工程项目投标报价的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298624A true CN113298624A (zh) | 2021-08-24 |
Family
ID=77329017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110686641.7A Pending CN113298624A (zh) | 2021-06-21 | 2021-06-21 | 前馈全连接神经网络预测工程项目投标报价的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298624A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111147163A (zh) * | 2019-12-17 | 2020-05-12 | 南京航空航天大学 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
CN112581188A (zh) * | 2020-12-29 | 2021-03-30 | 基建通(三亚)国际科技有限公司 | 工程项目投标报价预测模型构建方法、预测方法及模型 |
-
2021
- 2021-06-21 CN CN202110686641.7A patent/CN113298624A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111147163A (zh) * | 2019-12-17 | 2020-05-12 | 南京航空航天大学 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
CN112581188A (zh) * | 2020-12-29 | 2021-03-30 | 基建通(三亚)国际科技有限公司 | 工程项目投标报价预测模型构建方法、预测方法及模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021189976A1 (zh) | 一种产品信息推送方法、装置、设备及存储介质 | |
JP7304384B2 (ja) | モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品 | |
CN111932269B (zh) | 设备信息处理方法及装置 | |
CN111582341B (zh) | 用户异常操作预测方法及装置 | |
CN111639247A (zh) | 用于评估评论的质量的方法、装置、设备以及计算机可读存储介质 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN111310918B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN113962965A (zh) | 图像质量评价方法、装置、设备以及存储介质 | |
CN115994226A (zh) | 基于联邦学习的聚类模型训练系统及方法 | |
CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
CN116561542B (zh) | 模型的优化训练系统、方法以及相关装置 | |
CN113298624A (zh) | 前馈全连接神经网络预测工程项目投标报价的方法 | |
US20220414474A1 (en) | Search method, electronic device and storage medium based on neural network model | |
CN114355793B (zh) | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 | |
US20230336739A1 (en) | Rate control machine learning models with feedback control for video encoding | |
CN112214675B (zh) | 用户购机的确定方法、装置、设备及计算机存储介质 | |
CN114358394A (zh) | 特征指标筛选方法、满意度预测模型构建方法及预测方法 | |
CN117556264B (zh) | 一种评估模型的训练方法、装置及电子设备 | |
CN111489203A (zh) | 理财产品推荐方法及系统 | |
US11887003B1 (en) | Identifying contributing training datasets for outputs of machine learning models | |
CN112734027A (zh) | 模型参数的确定方法及装置 | |
CN116401363A (zh) | 面向开放环境的弱监督持续文本分类方法、装置 | |
CN117609061A (zh) | 基于支持向量机的账务测试分析方法及装置 | |
CN117557144A (zh) | 一种基于ivffn-cntr-pt的农产品智能分级设备两阶段评价方法 | |
CN117216382A (zh) | 一种交互处理的方法、模型训练的方法以及相关装置 |
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 |