CN113986869A - 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法 - Google Patents
基于机器学习时序预测算法的建设工程材料价格信息数据计算方法 Download PDFInfo
- Publication number
- CN113986869A CN113986869A CN202111053487.6A CN202111053487A CN113986869A CN 113986869 A CN113986869 A CN 113986869A CN 202111053487 A CN202111053487 A CN 202111053487A CN 113986869 A CN113986869 A CN 113986869A
- Authority
- CN
- China
- Prior art keywords
- price
- data
- model
- material price
- historical
- 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
- 239000000463 material Substances 0.000 title claims abstract description 240
- 238000010276 construction Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 62
- 239000002994 raw material Substances 0.000 claims abstract description 46
- 238000013499 data model Methods 0.000 claims abstract description 32
- 239000000203 mixture Substances 0.000 claims abstract description 22
- 238000000556 factor analysis Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 239000010421 standard material Substances 0.000 claims abstract description 7
- 239000013077 target material Substances 0.000 claims abstract description 6
- 239000011538 cleaning material Substances 0.000 claims abstract description 5
- 238000007639 printing Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 239000004035 construction material Substances 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000012550 audit Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000009430 construction management Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000004703 cross-linked polyethylene Substances 0.000 description 1
- 229920003020 cross-linked polyethylene Polymers 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，其特征在于：包括如下步骤：S0‑通过现有标准材料库收集并清洗材料价格数据，形成多维的材料价格数据库；S1‑以材料价格数据库建立材料构成数据模型，S2‑建立材料价格历史数据模型；S3‑建立材料价格影响因子分析模型；S4‑建立材料构成原料价格历史数据模型；S5‑建立材料构成原料价格波动模型；S6‑建立材料价格参照印证机制；其中，通过上述步骤中的数据库和/或模型预测目标材料未来节点和/或回溯历史节点的价格。本发明在现发明的基础上突破了时间的维度，回溯及预测历史数据的时间没有上限，本发明的时间维度更大，且准确性更高。
Description
技术领域
本发明涉及建筑业决策分析技术领域，具体涉及一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法。
背景技术
近年来，建筑业目前已经成为了我国的支柱产业之一，而随着人工智能的新起，无论是从建筑业的自身发展，还是从时代发展的要求来看，人工智能、机器学习等技术已经在建筑业行业内大范围的展开应用，人工智能与建筑业的结合是建筑业摆脱传统的运作模式走向现代化经营和管理的必然之路。
目前国内已经有很多应用将人工智能结合到建筑行业的项目之中，研究主要集中在建筑设计的BIM模型中AI的自动配置、利用数据分析与机械学习对工程做风险管理、AI搭配声音、图像辨识系统自动标记施工现场、建筑物智能化管理中，如：在建筑设计中，将建筑构件作为最基本的设计单元，采用了非常先进的自定义对象核心技术，实现了二维图形与三维模型的同步，极大的提高了设计师的工作效率；在施工管理中，以往主要是依靠手写、手绘的方式来完成有关施工档案的记录和施工平面图的绘制，而随着人工智能技术在建筑领域里应用范围的不断扩大，综合采用数理逻辑学、运筹学、人工智能等手段来进行施工管理已经得到了认可和普及。基于C/S环境架构研发的建筑企业工地管理应用系统，涵盖了工地管理的各个方面；在建筑施工和建筑结构和电器的应用，基于人工神经网络的系统辨识方法，通过模糊神经网络所具有的学习及非线性映射能力来获得实测结构动力响应数据，能够对建筑结构在任意动力荷载情况下的动力响应进行非常准确的预测。为了减少行业耗能，神经网络也应用到建筑电器之中，在对电气节能评估模型建立后，使用神经网络对其进行训练，提升其评估的准确性和网络泛化性，使建筑节能改造工作的实施能够具有更多的科学依据。另外关于补足数据画像等技术已经广泛应用于工况监视、成品检验和质量控制等领域。
由此可见，目前国内人工智能技术已经大范围在建筑业应用展开，而我们今天提出的方法也正是与建筑业息息相关的工程建设材料价格信息回溯及预测方法，该方法是基于机器学习时序预测算法的对建设工程材料价格信息数据回溯及预测，目前相关的技术已有关于：一种电网设备材料价格的智能预测方法，该方法主要是通过智能预测借助人工智能、机器学习算法通过对历史数据的仿真进行预测，计算过程中数据库的处理运用神经网络的方式来处理数据从而得出价格的数据库。但是该发明数据库的数据积累仅以每年的发布信息为历史依据，缺乏预测的准确性。再例如：另一种工业原材料价格预测方法，该方法也是基于人工智能、机器学习算法训练的价格预测模型对企业关注的工业原材料的未来价格进行预测，但是该发明只考虑到有原始数据的基础上预测这一个情况，预测价格的情况存在单一性，影响预测准确性。
另外在现专利号为：CN110264260A_一种电网设备材料价格的智能预测方法。该方法通过收集原始数据，以影响材料价格的关键因素指标据为自变量，以材料价格为因变量，构建一元线性回归模型，并计算预测结果和误差绝对值；利用材料价格原始数据，构建灰色GM(1,1)模型，并计算预测结果和误差绝对值；将两种模型进行加权组合，应用方差-协方差法计算每个方法模型的组合权重；进行组合模型精度检验和权重修正，直到满足误差要求范围实现价格信息的预测。
存在的问题：
1、该发明只是通过构建一元线性回归模型单一的数据模型来推断预测价格，利用影响材料价格的关键因素来作为指标判断，关键因素的影响对于价格预测的准确性可能不是那么准确。建立模型单一，只能接受一种情况的预测套用。
2、该发明的因变量为国网每年的设备材料发布价或省级电网公司每年各招标批次电网设备材料价格实际中标价(同一招标批次、同种设备材料平均中标价)，参考数据相较单一，只有每年的参考说明。因此缺乏数据准确性。
现专利号为：CN110827091A_一种工业原材料价格预测方法，本发明包括：获取待预测环境数据及待预测工业原材料的历史数据；将待预测环境数据及待预测工业原材料的历史数据输入至预设的价格预测模型，得到当前待预测工业原材料的预测价格。
存在的问题：
1、该发明在预测价格时只考虑到具有原始数据的基础这一个情况，如预测价格没有历史数据的情况，又该怎么处理，这里缺少一种处理方法。
2、对于影响材料价格的因素分析不够，只考虑了环境数据。相关参考因素较单一，导致最终准确性会有相应偏差。
发明内容
本发明的目的在于提供一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，利用机器学习时序预测算法通过数据储存、数据分析、回溯及预测建设工程材料价格的历史数据，使工程建设单位在工程项目中从招投标、采购到结算全过程关于材料价格都有据可依，建立材料价格的合理性，有利于整个工程项目顺利完成。
为实现上述目的，本发明提供如下技术方案：一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，其特征在于：包括如下步骤：
S0-通过现有标准材料库收集并清洗材料价格数据，形成多维的材料价格数据库；
S1-以材料价格数据库建立材料构成数据模型，
S2-建立材料价格历史数据模型；
S3-建立材料价格影响因子分析模型；
S4-建立材料构成原料价格历史数据模型；
S5-建立材料构成原料价格波动模型；
S6-建立材料价格参照印证机制；
其中，通过上述步骤中的数据库和/或模型预测目标材料未来节点和/或回溯历史节点的价格。
本发明进一步设置，材料价格数据库和材料构成数据模型的建立是根据材料的国际分类、属性分类、对材料价格数据进行类别划分，建立后在现有库中查询是否已有历史数据。
本发明进一步设置，在建立材料价格历史数据模型时，将历史材料价格数据导入该模型中进行储存，建立后，进入材料拆分清单中比对，有历史数据的材料在该环节即可得出历史数据，无历史数据的材料将优先寻找近似的材料数据作为推断依据，找出近似数据的材料按照查询结果分析计算出待回溯及预测的材料价格，并给出提示是根据机器学习算法如何计算出的结果。
本发明进一步设置，建立材料价格影响因子分析模型的建立如下：将影响因子变量分为因变量和自变量：自变量根据影响材料价格的五大要素进行拆分，材料价格影响因子包括按照待回溯及预测历史点的下列要素：
人——人工费，平均工资的核算成本；
机——机械设备使用的成本核算；
料——原材料价格测算；
法——生成制作的方法，根据不同的工艺和方法制作得出的产品成本也会不同；
环——产品的生产环境，普通环境与环保标准下的环境对于产品的制作成本不同；
通过聚类算法计算每种材料价格影响因子的组内方差之和，计算模型参数并按组内方差之和的大小对材料价格影响因子进行排序占比，通过计算模型参数对目标材料价格进行计算获得计算结果。
本发明进一步设置，材料构成原料价格历史数据模型的建立时根据材料的国标分类、采购分类，对材料价格数据进行类别划分，对各种因素影响下对材料价格进行数据建模，建立后查询是否有历史数据。
本发明进一步设置，建立材料构成原料价格波动模型时，根据国际期货、国内期货、关税、国内现货、国际现货、期货-现货-供货价的传递效应及经济增长率等适时分析待回溯及预测时间点的原料价格，再由当时原料价格推出当时的材料历史价格；
本发明进一步设置，建立材料价格参照印证机制时，借助第三方平台价格数据、供应商报价及采购商成交价等数据印证这一系列计算方法的数据的准确性，进而修正回归方程的模型参数，对价格信息计算合理性的二次确认，形成价格信息计算的闭环。
本发明还提供了一种计算模型方法，将人、机、料、法、环五个自变量因子以及多个因变量因子进行细化拆分，使用系统聚类算法对材料价格影响因素逐一进行分类，从而建立多元线性回归模型，从而对目标价格进行计算：
其中Y为计算结果， k为解释变量的数目，β称为回归系数，也叫模型参数。
在本模型的初实状态中，模型参数β0、β1都是未知的，其计算方法如下：
其中，X为统计样本也叫调查样本或观测值，
本发明进一步设置，还包括在使用回归方程进行计算之前，我们需要对模型进行检验，用决定系数也叫判定系数来测量回归模型对样本数据的拟合程度，其计算公示如下：
此外本发明还提供了一种聚类算法，包括如下步骤：
1.首先我们选择一些类/组，并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量，即中心点的数量)。
2.计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。
3.计算每一类中中心点作为新的中心点。
4.重复以上步骤，直到每一类中心在每次迭代后变化不大为止。也可以多次随机初始化中心点，然后选择运行结果最好的一个。
本发明的有益效果：工程建设材料在工程项目中成本占比高达70%，工程建设材料的价格直接影响到工程的建设整体成本，材料价格在工程项目中有着至关重要的地位，是工程项目的勘察设计、造价咨询、招投标、采购、施工、工程监理、审计各个环节的重要参照，且材料价格因受交货地点、运输距离、交货时间、供求关系、采购数量、税费等多维度、多因素的影响而波动频繁，哪怕一个细小的波动，对整个工程项目而言都是一个巨大的成本效益变动，因此、建立一套有效的、完整的、可追溯的材料价格信息数据回溯及预测方法，正确有效地确定和控制材料费用即材料价格，规避和降低其风险，是本发明的主要目的之一，其有益效果如下
1.解决工程项目在立项、设计、审计、决算、结算过程中，因供应材价数据没有历史数据、原始资料、没有凭证，从而无法顺利完成结算和审计的问题。
2.解决工程建设单位或施工单位在招投标、采购过程中争对投标人或供应商报价是否具有合理性的判断问题。
3.解决工程建设单位或施工单位在规划工程项目的采购管理时，对重要的材料价格进行预测，并对材料价格变动在一定幅度时提出预警，对项目实施过程提供帮助。
4.本方法在现有专利的技术上增加了历史回溯及预测及未来预测同步的功能，满足多种材价需求，不仅提供材料价格的历史依据可溯性还可以对未来价格趋势进行预测。
5.本发明在现有发明基础上增加了材料价格查询的多种情况查询，不仅局限于只有单一的情况，对于没有历史数据的材料，我们也有相应的数据模型来进行分析及回溯及预测。
6.本方法通过对材料价格信息的回溯及预测查询，对加强施工项目材料成本管理，对保证工期，保证产品质量，提高劳动生产力，降低工程造价，提高企业经济效益以及节约社会资源都有着直接的、重要的关系。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的流程图。
图2为本发明实施例中聚类算法的运行结果图。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式，以便对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
基于以上发明问题，本发明在现发明的基础上突破了时间的维度，回溯及预测历史数据的时间没有上限，无论是回溯及预测多么久远的时间，都可以根据历史变迁的经济、社会影响去分析并从材料本身的相关因素去推测，相较现有的发明，本发明的时间维度更大，且准确性更高。
另外对于现有发明对回溯及预测、预测价格情况的单一性，本发明对于存有历史记录的数据我们建立统一的模型计算，对于缺乏历史数据支撑的材料价格我们准备n套影响价格要素拆分的回溯及预测模型，对于数据的多样性我们拥有n种数据模型回溯及预测。解决了因历史遗留问题导致数据不全的问题。
再者针对现发明数据参考仅以每年发布作为参考，本发明的在此基础上历史数据采集是由n年的数据积累产生的数据库生成，不单以每年作为参考，在现有技术的基础上增加了历史数据积累的功能，使回溯及预测的历史数据更具准确性，现有发明在对材料价格影响因子的考虑变量较为单一，本发明在对材料价格本身的影响因子之外增加了更多的变量参考，建立材料构成原料价格波动模型，增加了材料价格的准确性
先通过具体的实施例对本发明作进一步的阐述：
本发明为一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，包括如下步骤：
S0-通过现有标准材料库收集并清洗材料价格数据，形成多维的材料价格数据库；
S1-以材料价格数据库建立材料构成数据模型，
S2-建立材料价格历史数据模型；
S3-建立材料价格影响因子分析模型；
S4-建立材料构成原料价格历史数据模型；
S5-建立材料构成原料价格波动模型；
S6-建立材料价格参照印证机制；
其中，通过上述步骤中的数据库和/或模型预测目标材料未来节点和/或回溯历史节点的价格。
步骤：
1、通过现有标准材料库收集并清洗材料价格数据，建立材料构成数据模型，形成多维的材料价格数据库，根据材料的国际分类、属性分类、对材料价格数据进行类别划分在现有库中查询是否已有历史数据。
2、建立材料价格历史数据模型，将历史材料价格数据导入该模型中进行储存，进入材料拆分清单中比对，有历史数据的材料在该环节即可得出历史数据，无历史数据的材料将优先寻找近似的材料数据作为推断依据，找出近似数据的材料按照查询结果分析计算出待回溯及预测的材料价格，并给出提示是根据机器学习算法如何计算出的结果（例：待查询材料是2平方的电线，但通过该模型中只找到3平方电线价格，那么可以通过3平方电线的材料拆分以此推算出同期2平方的电线价格）。
3、建立材料价格影响因子分析模型：
3-1影响因子变量分为因变量和自变量：
自变量根据影响材料价格的五大要素进行拆分，将材料价格影响因子按照待回溯及预测历史点的下列要素：
人——人工费，平均工资的核算成本；
机——机械设备使用的成本核算；
料——原材料价格测算；
法——生成制作的方法，根据不同的工艺和方法制作得出的产品成本也会不同；
环——产品的生产环境，普通环境与环保标准下的环境对于产品的制作成本不同；
通过类聚算法计算每种材料价格影响因子的组内方差之和，计算模型参数并按组内方差之和的大小对材料价格影响因子进行排序占比。
聚类算法实现步骤——如图2所示：
1. 首先我们选择一些类/组，并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量(即中心点的数量)。
2. 计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。
3. 计算每一类中中心点作为新的中心点。
4. 重复以上步骤，直到每一类中心在每次迭代后变化不大为止。也可以多次随机初始化中心点，然后选择运行结果最好的一个。
将影响材料价格信息波动的因子进行拆分并数值化，数值化后再将数值归一化，得到一个包含多种价格信息波动因子的向量。将多个向量通过通过聚类算法归类，最终影响价格信息波动的相似向量就会被归为一类。
以电缆的价格波动分析为例：
首先我们预先对人、机、料、法、环的五大要素进行数值化、归一化处理。
人工费、机器设备成本、材料费是可量化的纯数值，我们将数值归一化以后，将人工费限定在0到1的这个数值中间，用小数代表原始价格，通过归一化的价格也可通过反向计算还原出原始价格，归一化是让数据之间的差异变小，有利于提升机器学习和模型建立过程。
生产制作方法和生产换进是属于分类类型的参数，我们将生产方法和环境归类并编号至有序的从1 开始的自然数。
之后将一组人、机、料、法、环五大要素数值化的数据，合并为一个向量，并记录到组当中，重复以上步骤以后，我们就得到了一个巨大的包含多个向量的组。
之后我们通过“聚类算法”，对刚才得到的组进行计算，即可将相似、临近的向量归为一类。
3-2、建立材料构成原料价格历史数据模型根据材料的国标分类、采购分类，对材料价格数据进行类别划分，对各种因素影响下对材料价格进行数据建模，查询是否有历史数据。
3-3、建立材料构成原料价格波动模型，根据国际期货、国内期货、关税、国内现货、国际现货、期货-现货-供货价的传递效应及经济增长率等适时分析待回溯及预测时间点的原料价格，再由当时原料价格推出当时的材料历史价格；
3-4、建立计算模型方法，将这人机料法环五个自变量因子以及多个因变量因子进行细化拆分，使用系统聚类算法对材料价格影响因素逐一进行分类，从而建立多元线性回归模型，从而对目标价格进行计算；
其中Y为计算结果， k为解释变量的数目，β称为回归系数，也叫模型参数。
在本模型的初实状态中，模型参数β0、β1都是未知的，其计算方法如下：
其中，X为统计样本也叫调查样本或观测值，是通过官方的统计数据、商业的统计数据以及我们自己的调查数据的来的；
3-5 计算模型的检验
在使用回归方程进行计算之前，我们需要对模型进行检验，经济学中一般用决定系数也叫判定系数来测量回归模型对样本数据的拟合程度，其计算公示如下：
决定系数在0-1之间，接近1，说明回归模型的拟合效果好，其计算值与实际观测值越接近。
6、建立材料价格参照印证机制，借助第三方平台价格数据、供应商报价及采购商成交价等数据印证这一系列计算方法的数据的准确性，进而修正回归方程的模型参数，对价格信息计算合理性的二次确认，形成价格信息计算的闭环。
针对上述技术方案，本发明中在实际查询的可参考如下流程如图1所示:
1、在历史数据库中查询输入材料名称；
2、选择材料的报价时间点；如历史时间节点报价、未来时间点价格预测、现阶段合理价格；
3、选择材料的报价地点
4、在历史数据库里搜索1）历史报价可直接查询 a\有数据的直接查询
b\无数据的找近似数据 b-1、有近似数据的直接查询给出结果分析（换算）及提示；
b-2、无数据的调用材料构成模型（拆分成原料构成清单）
5、从步骤b-2回到材料构成数据模型
将材料自动识别进原料构成清单中匹配该材料的拆分算法，进入材料价格历史数据模型。
a/得出查询结果。
b/无查询结果的材料继续进入材料价格影响因子分析模型
b-1通过材料影响因子五要素拆分
b-2材料构成原料价格历史数据模型分析
b-3材料构成原料价格波动模型（国际期货、国内期货、关税、国内现货、国际现货、期货-现货-供货价的传递效应、经济增长率）
b-4得出查询价格
材料价格参照印证模型（第三方平台价格数据、供应商报价、采购商成交价）。案例一：
假设我们需要查询钢筋这种材料在2004年的历史价格
7.1在历史数据库中查询输入“2平方电线”的材料名称
7.2选择需查询材料的报价时间点，如：2014年7月
7.3选择需查询材料的报价地点为“昆明”
7.4此时系统会在历史数据库中自动查询
7.4.1如有历史报价可直接获得查询结果，即得出"2平方电线"在昆明，2014年7月这个时间的报价为X元；
案例二：
8.1延续以上7.4.1条如无历史数据则会去找和"2平方电线"相关的近似数据
8.2有近似数据的则根据近似推荐材料的单价换算出近似材料价格
如：搜索"2平方电线"的近似数据为"3平方电线",此时系统会换算出"2平方电线"的接近价格及提示
案例三
9.1延续8.1条，若无近似数据作为参考时，则调用材料构成模型-拆分成原料构成清单，价格材料自动识别进原料构成清单中匹配该材料的拆分算法，进入材料价格历史数据模型，从而得出查询结果。
案例四
10.1延续9.1的情况若未查询到结果则继续将电线这个材料进入价格影响因子分析模型中，
10.1.1通过材料影响因子五要素拆分，通过人机料法环五个方面的要素分析，如电线需拆分成：人工费，机械费，原材料费，生成制作方法费，生产环境费，通过拆分因素对应历史查询时间点推断出历史材料价格。
10.1.2材料构成原料价格历史数据模型分析，根据材料的国标分类、采购分类，对材料价格数据进行类别划分，对各种因素影响下对材料价格进行数据建模，查询是否有历史数据。
10.1.3再参考构成原料价格波动模型，各方面的价格参考借鉴，从而得出查询价格。
10.2价格最终印证：得出最终价格时可以调用材料价格参照印证模型，即第三方平台价格数据和供应商报价，采购商成交价等数据来印证最终回溯及预测的历史价格。
综上所述，结合实施例以及上述的查询流程，对本发明作进一步的阐述和总结：
一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，包括以下步骤：
获取现有标准材料库的材料价格数据，分析数据，建立材料构成数据模型，形成多维的材料价格数据库；
获取待回溯及预测的材料，待回溯及预测的材料包括，目标价格、目标属性和目标历史节点。
将待回溯及预测材料价格目标属性和目标历史节点输入至材料价格数据库中，得到当前待预测回溯及预测材料价格的历史数据，其中价格回溯及预测模型基于环境数据训练集及材料价格的历史数据训练集得到。
进一步根据现有的国标材料数据库，从国际标准库中对材料属性进行划分，从而根据划分属性值回溯及预测推测历史节点的历史数据，实现材料数据的准确识别，对所述材料价格数据进行类别划分，按照材料名称和材料属性进行拆分，具体到每种材料由哪些原材料组成，如：电线，可分为金属（铜、铝、铝合金、钢），塑料（PVC、PE、PP、XLPE/XL-PVC、PU、TPE/PO）橡胶等。根据材料名称和材料属性值形成关联属性数据搭建统一的价格回溯及预测模型，只要是在国际标准范围内材料都可通过此模型套用回溯及预测到设置历史时间点，从而推出当时的历史价格信息。便于后续查询及使用，有助于提高查询及使用的效率及精确性。
进一步根据材料价格影响因子分析模型，分析材料价格的影响因子，根据固定比列拆分回溯及预测，将比例数据相关参数输入BP神经网络模型，获取当前时间（从当前时间点往前n年搜集相关参数为一个模型数据集，）材料的历史数据，基于现有n年比例数据建立新的价格回溯及预测模型，倒推n+1年的历史数据，本发明所述材料价格信息回溯及预测方法，根据影响材料价格的相关参数拆分和材料历史价格数据分析，通过BP神经网络获取历史回溯及预测时间的历史价格，能实现对材料价格的准确回溯及预测，从而建立材料价格的合理性，得到历史材料价格数据。
进一步套用到材料构成原料价格历史数据模型，对各种因素影响下的材料价格进行数据建模，查询是否有历史数据。
进一步建立材料构成原料价格波动模型，关于材料价格从国际期货市场传递到现货市场的过程，建立数据关系模型，分析期货市场价格波动的影响因素，及原料市场所带来的价格波动，通过数据关系模型套用，分析影响价格变动的市场因素，从而推断查询历史时间点的材料价格。
建立材料价格参照印证模型，通过第三方平台价格数据来印证一系列计算方法的准确性。
在工程建设材料在工程项目中成本占比高达70%，工程建设材料的价格直接影响到工程的建设整体成本，材料价格在工程项目中有着至关重要的地位，是工程项目的勘察设计、造价咨询、招投标、采购、施工、工程监理、审计各个环节的重要参照，且材料价格因受交货地点、运输距离、交货时间、供求关系、采购数量、税费等多维度、多因素的影响而波动频繁，哪怕一个细小的波动，对整个工程项目而言都是一个巨大的成本效益变动，因此、建立一套有效的、完整的、可追溯的材料价格信息数据回溯及预测方法，正确有效地确定和控制材料费用即材料价格，规避和降低其风险，是本发明的主要目的之一，其有益效果如下
1.解决工程项目在立项、设计、审计、决算、结算过程中，因供应材价数据没有历史数据、原始资料、没有凭证，从而无法顺利完成结算和审计的问题。
2.解决工程建设单位或施工单位在招投标、采购过程中争对投标人或供应商报价是否具有合理性的判断问题。
3.解决工程建设单位或施工单位在规划工程项目的采购管理时，对重要的材料价格进行预测，并对材料价格变动在一定幅度时提出预警，对项目实施过程提供帮助。
4.本方法在现有专利的技术上增加了历史回溯及预测及未来预测同步的功能，满足多种材价需求，不仅提供材料价格的历史依据可溯性还可以对未来价格趋势进行预测。
5.本发明在现有发明基础上增加了材料价格查询的多种情况查询，不仅局限于只有单一的情况，对于没有历史数据的材料，我们也有相应的数据模型来进行分析及回溯及预测。
6.本方法通过对材料价格信息的回溯及预测查询，对加强施工项目材料成本管理，对保证工期，保证产品质量，提高劳动生产力，降低工程造价，提高企业经济效益以及节约社会资源都有着直接的、重要的关系。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，其特征在于：包括如下步骤：
S0-通过现有标准材料库收集并清洗材料价格数据，形成多维的材料价格数据库 ；
S1-以材料价格数据库建立材料构成数据模型，
S2-建立材料价格历史数据模型；
S3-建立材料价格影响因子分析模型；
S4-建立材料构成原料价格历史数据模型；
S5-建立材料构成原料价格波动模型；
S6-建立材料价格参照印证机制；
其中，通过上述步骤中的数据库和/或模型预测目标材料未来节点和/或回溯历史节点的价格。
2.如权利要求 1所述的一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，其特征在于，材料价格数据库和材料构成数据模型的建立是根据材料的国际分类、属性分类、对材料价格数据进行类别划分，建立后在现有库中查询是否已有历史数据。
3.如权利要求2所述的一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，其特征在于，在建立材料价格历史数据模型时，将历史材料价格数据导入该模型中进行储存，建立后，进入材料拆分清单中比对，有历史数据的材料在该环节即可得出历史数据，无历史数据的材料将优先寻找近似的材料数据作为推断依据，找出近似数据的材料按照查询结果分析计算出待回溯及预测的材料价格，并给出提示是根据机器学习算法如何计算出的结果。
4.如权利要求3所述的一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，其特征在于，建立材料价格影响因子分析模型的建立如下：将影响因子变量分为因变量和自变量：自变量根据影响材料价格的五大要素进行拆分，材料价格影响因子包括按照待回溯及预测历史点的下列要素：
人——人工费，平均工资的核算成本；
机——机械设备使用的成本核算；
料——原材料价格测算；
法——生成制作的方法，根据不同的工艺和方法制作得出的产品成本也会不同；
环——产品的生产环境，普通环境与环保标准下的环境对于产品的制作成本不同；
通过聚类算法计算每种材料价格影响因子的组内方差之和，计算模型参数并按组内方差之和的大小对材料价格影响因子进行排序占比，通过计算模型参数对目标材料价格进行计算获得计算结果。
5.如权利要求4所述的一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，其特征在于，材料构成原料价格历史数据模型的建立时根据材料的国标分类、采购分类，对材料价格数据进行类别划分，对各种因素影响下对材料价格进行数据建模，建立后查询是否有历史数据。
6.如权利要求5所述的一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，其特征在于，建立材料构成原料价格波动模型时，根据国际期货、国内期货、关税、国内现货、国际现货、期货-现货-供货价的传递效应及经济增长率等适时分析待回溯及预测时间点的原料价格，再由当时原料价格推出当时的材料历史价格。
7.如权利要求5所述的一种基于机器学习时序预测算法的建设工程材料价格信息数据计算方法，其特征在于，建立材料价格参照印证机制时，借助第三方平台价格数据、供应商报价及采购商成交价等数据印证这一系列计算方法的数据的准确性，进而修正回归方程的模型参数，对价格信息计算合理性的二次确认，形成价格信息计算的闭环。
8.一种计算模型方法，其特征在于：将人、机、料、法、环五个自变量因子以及多个因变量因子进行细化拆分，使用系统聚类算法对材料价格影响因素逐一进行分类，从而建立多元线性回归模型，从而对目标价格进行计算：
其中Y为计算结果， k为解释变量的数目，β称为回归系数，也叫模型参数；
在本模型的初实状态中，模型参数β0、β1都是未知的，其计算方法如下：
其中，X为统计样本也叫调查样本或观测值。
9.如权利要求8所述的一种计算模型方法，其特征在于，还包括在使用回归方程进行计算之前，我们需要对模型进行检验，用决定系数也叫判定系数来测量回归模型对样本数据的拟合程度，其计算公示如下：
10.一种聚类算法，其特征在于，包括如下步骤：
（1）首先我们选择一些类/组，并随机初始化它们各自的中心点，中心点是与每个数据点向量长度相同的位置，这需要我们提前预知类的数量，即中心点的数量；
（2） 计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中；
（3） 计算每一类中中心点作为新的中心点；
（4）重复以上步骤，直到每一类中心在每次迭代后变化不大为止，也可以多次随机初始化中心点，然后选择运行结果最好的一个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111053487.6A CN113986869A (zh) | 2021-09-09 | 2021-09-09 | 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111053487.6A CN113986869A (zh) | 2021-09-09 | 2021-09-09 | 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113986869A true CN113986869A (zh) | 2022-01-28 |
Family
ID=79735512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111053487.6A Pending CN113986869A (zh) | 2021-09-09 | 2021-09-09 | 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113986869A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012037A (zh) * | 2022-10-19 | 2023-04-25 | 珠海纵横创新软件有限公司 | 智能材价替换市场价的方法、装置、电子设备及介质 |
| CN116342234A (zh) * | 2023-05-26 | 2023-06-27 | 山东纵横易购产业互联网有限公司 | 一种针对货物实现自动招标采购的方法 |
| TWI808862B (zh) * | 2022-08-08 | 2023-07-11 | 國立政治大學 | 工業銅材採購之決策支援系統 |
| CN116911776A (zh) * | 2023-06-29 | 2023-10-20 | 广东中洲国信建设管理咨询有限公司 | 一种工程预算错漏项控制方法、系统、设备及存储介质 |
Citations (6)
| 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 |
| CN107067164A (zh) * | 2017-03-30 | 2017-08-18 | 广东华联建设投资管理股份有限公司 | 一种指标快速估算方法及系统 |
| CN107464134A (zh) * | 2017-07-10 | 2017-12-12 | 广东华联建设投资管理股份有限公司 | 一种多维度材料价格对比分析及可视化展现方法 |
| CN108346102A (zh) * | 2018-03-12 | 2018-07-31 | 上海宽全智能科技有限公司 | 工业商品对冲交易分析方法、设备及存储介质 |
| WO2018185635A1 (en) * | 2017-04-03 | 2018-10-11 | Muthusamy Rajasekar | Product chain based derivation of future product cost using cascading effect of the product chain |
| CN111008861A (zh) * | 2019-11-25 | 2020-04-14 | 上海欧冶采购信息科技有限责任公司 | 基于智能预测的商品在线交易系统及方法 |
-
2021
- 2021-09-09 CN CN202111053487.6A patent/CN113986869A/zh active Pending
Patent Citations (6)
| 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 |
| CN107067164A (zh) * | 2017-03-30 | 2017-08-18 | 广东华联建设投资管理股份有限公司 | 一种指标快速估算方法及系统 |
| WO2018185635A1 (en) * | 2017-04-03 | 2018-10-11 | Muthusamy Rajasekar | Product chain based derivation of future product cost using cascading effect of the product chain |
| CN107464134A (zh) * | 2017-07-10 | 2017-12-12 | 广东华联建设投资管理股份有限公司 | 一种多维度材料价格对比分析及可视化展现方法 |
| CN108346102A (zh) * | 2018-03-12 | 2018-07-31 | 上海宽全智能科技有限公司 | 工业商品对冲交易分析方法、设备及存储介质 |
| CN111008861A (zh) * | 2019-11-25 | 2020-04-14 | 上海欧冶采购信息科技有限责任公司 | 基于智能预测的商品在线交易系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴道君,朱家荣: "《Python数据分析》", 30 September 2019 * |
| 张立新: "《应用多元统计分析》", 30 November 2020 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI808862B (zh) * | 2022-08-08 | 2023-07-11 | 國立政治大學 | 工業銅材採購之決策支援系統 |
| CN116012037A (zh) * | 2022-10-19 | 2023-04-25 | 珠海纵横创新软件有限公司 | 智能材价替换市场价的方法、装置、电子设备及介质 |
| CN116012037B (zh) * | 2022-10-19 | 2024-06-04 | 珠海纵横创新软件有限公司 | 智能材价替换市场价的方法、装置、电子设备及介质 |
| CN116342234A (zh) * | 2023-05-26 | 2023-06-27 | 山东纵横易购产业互联网有限公司 | 一种针对货物实现自动招标采购的方法 |
| CN116342234B (zh) * | 2023-05-26 | 2023-08-29 | 山东纵横易购产业互联网有限公司 | 一种针对货物实现自动招标采购的方法 |
| CN116911776A (zh) * | 2023-06-29 | 2023-10-20 | 广东中洲国信建设管理咨询有限公司 | 一种工程预算错漏项控制方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Badi et al. | Supplier selection for steelmaking company by using combined Grey-MARCOS methods | |
| Li et al. | A novel hybrid MCDM model for machine tool selection using fuzzy DEMATEL, entropy weighting and later defuzzification VIKOR | |
| Petrović et al. | Comparison of three fuzzy MCDM methods for solving the supplier selection problem | |
| CN113986869A (zh) | 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法 | |
| Han et al. | Artificial intelligence in business-to-business marketing: a bibliometric analysis of current research status, development and future directions | |
| Dziadosz et al. | Risk analysis in construction project-chosen methods | |
| Chen et al. | A new integrated MCDM approach for improving QFD based on DEMATEL and extended MULTIMOORA under uncertainty environment | |
| Karami et al. | Supplier selection and evaluation in the garment supply chain: An integrated DEA–PCA–VIKOR approach | |
| Pérez-Domínguez et al. | Intuitionistic fuzzy MOORA for supplier selection | |
| JP6972269B2 (ja) | サプライヤー評価装置及びサプライヤー評価方法 | |
| Chatterjee et al. | Supplier selection in Telecom supply chain management: a Fuzzy-Rasch based COPRAS-G method | |
| Chatterjee et al. | Selection of vendors for wind farm under fuzzy MCDM environment | |
| Luo et al. | QFD-based product planning with consumer choice analysis | |
| CN115169818B (zh) | 一种基于数字化建模的技术工程测算方法及系统 | |
| Dai et al. | A clustering-based sales forecasting scheme using support vector regression for computer server | |
| Kao et al. | A Fuzzy MCDM Model of Supplier Selection in Supply Chain Management. | |
| Geng et al. | Component oriented remanufacturing decision-making for complex product using DEA and interval 2-tuple linguistic TOPSIS | |
| Karakış | Machine selection for a textile company with CRITIC and MAUT methods | |
| CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
| Manucharyan | Multi-criteria decision making for supplier selection: a literature critique | |
| Festervand et al. | The marketing of industrial real estate: application of Taguchi loss functions | |
| Mousavi et al. | An Artificial Intelligence Model-Based Locally Linear Neuro-Fuzzy for Construction Project Selection. | |
| Salehi et al. | A novel integrated AHP-TOPSIS model to deal with big data in group decision making | |
| CN112241832A (zh) | 一种产品质量分级评价标准设计方法及系统 | |
| CN112348259A (zh) | 电力设备采购价格预测方法 |
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: 20220128 |