CN114116756B - 一种工程造价数据修正系统及其方法 - Google Patents
一种工程造价数据修正系统及其方法 Download PDFInfo
- Publication number
- CN114116756B CN114116756B CN202210094672.8A CN202210094672A CN114116756B CN 114116756 B CN114116756 B CN 114116756B CN 202210094672 A CN202210094672 A CN 202210094672A CN 114116756 B CN114116756 B CN 114116756B
- Authority
- CN
- China
- Prior art keywords
- data
- project
- cost
- current
- data correction
- 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.)
- Active
Links
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
- G06F16/23—Updating
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于工程造价技术领域,公开了一种工程造价数据修正系统及其方法,工程造价数据修正系统包括数据采集单元和数据修正单元,数据采集单元的输出端与数据修正单元连接,数据采集单元的输入端连接有外部的工程造价数据库,且数据采集单元设置有数据输入接口,数据修正单元设置有数据修正模型;工程造价数据修正方法包括如下步骤:获取历史的工程造价数据,并根据历史的工程造价数据基于神经网络建立数据修正模型;获取当前工程的工程造价数据,并将当前工程的工程造价数据输入数据修正模型进行修正,得到当前工程的修正后数据。本发明解决了现有技术存在的工程造价误差大、消除误差方法人力成本投入高、效率低以及准确性差的问题。
Description
技术领域
本发明属于工程造价技术领域,具体涉及一种工程造价数据修正系统及其方法。
背景技术
工程造价是指构成项目在建设期预计或实际支出的建设费用,其综合运用管理学、经济学和工程技术等方面的知识与技能,对工程造价进行预测、计划、控制、核算、分析和评价等的工作过程被称为工程造价管理。按照法律法规和标准等规定的程序、方法和依据,对工程造价及其构成内容进行的预测或确定被称为工程计价,工程计价依据包括与计价内容、计价方法和价格标准相关的工程计量计价标准,工程计价定额及工程造价信息等。
工程造价是工程建设中必要的一个环节,主管部门对造价质量有着严格的管理,若工程造价评估机构给出的工程造价报告与工程施工公司上报的工程造价报告之间的误差超过允许范围,将会被主管部门记入企业信用评价档案,并予以通报批评,因此,如何合理的进行工程造价进行评估,成为现有领域发展的重点方向之一。
现有技术存在的问题:
受造价师对图纸设计的理解、工程的地理位置、工程的设计方法、施工工法不同,在工程造价的各个项目中评估的造价会产生误差数据,如果每个项目的误差数据过大,会导致最后的工程造价总数据产生较大的误差,为了消除工程造价的误差,就需要对当前项目的造价数据修正,现有技术中进行修正的方式往往采用人工判断的方式,这种方式处理效率慢,容易由于人为疏忽造成准确性差,因此,导致现有技术缺少一种消除工程造价中误差数据的技术方案。
发明内容
为了解决现有技术存在的工程造价误差大、消除误差方法人力成本投入高、效率低以及准确性差的问题,提出一种工程造价数据修正系统及其方法。
本发明所采用的技术方案为:
一种工程造价数据修正系统,包括数据采集单元和数据修正单元,数据采集单元的输出端与数据修正单元连接,数据采集单元的输入端连接有外部的工程造价数据库,且数据采集单元设置有数据输入接口,数据修正单元设置有数据修正模型;
数据采集单元用于采集外网的工程造价数据库中的历史的工程造价数据,并通过数据输入接口采集当前工程的工程造价数据;
数据修正单元用于根据接收的历史的工程造价数据优化数据修正模型,并将当前工程的工程造价数据输入数据修正模型进行数据修正。
进一步地,数据采集单元包括微处理器、数据预处理模块、缓存模块以及数据输入接口,微处理器分别与数据预处理模块和缓存模块连接,缓存模块与数据预处理模块连接,且缓存模块设置有缓存数据库,数据预处理模块分别与数据输入接口和数据修正单元连接,且数据预处理模块连接有外部的工程造价数据库。
进一步地,数据修正单元包括数据分析模块、数据分类模块、数据修正模块以及存储模块,数据分析模块分别与数据分类模块、数据修正模块以及存储模块连接,且数据分析模块连接有外部的人机交互设备,数据分类模块分别与数据修正模块和数据采集单元连接,且数据分析模块设置有数据修正模型,存储模块设置有工程造价数据库。
一种工程造价数据修正方法,基于工程造价数据修正系统,包括如下步骤:
获取历史的工程造价数据,并根据历史的工程造价数据基于神经网络建立数据修正模型;
获取当前工程的工程造价数据,并将当前工程的工程造价数据输入数据修正模型进行修正,得到当前工程的修正后数据。
进一步地,工程造价数据包括包括工程造价中的施工面积、材料名称、项目名称以及工程造价成本;
工程造价成本包括各个项目的项目报价成本、项目材料用量、项目材料成本以及工程总成本;
项目报价成本包括单位材料报价成本和单个项目报价成本;
项目材料用量包括单位面积材料用量和当前项目材料用量;
项目材料成本包括每个项目的材料成本;
工程总成本的计算公式为:
式中,Q为工程总成本;Qk为第k个项目的项目报价成本;lkj为第k个项目第j个材料的项目材料用量;ckj为第k个项目第j个材料的项目材料成本;Q* k为第i个项目的项目报价成本补偿;k、j分别为项目指示量和材料指示量;K、J分别为项目总数和当前项目的材料总数。
进一步地,建立数据修正模型的具体方法,包括如下步骤:
使用数据采集单元获取历史的工程造价数据,并对历史的工程造价数据进行预处理,得到历史的预处理后数据;
将历史的预处理后数据分为训练集和测试集,将训练集输入LSTM-FC神经网络进行训练,建立初始的数据修正模型;
基于初始的数据修正模型使用K-means聚类方法对训练集进行分类,得到初始的聚类中心和初始的分类结果;
将测试集输入初始的数据修正模型进行优化,得到最优的数据修正模型、最优的聚类中心以及最优的分类结果。
进一步地,LSTM-FC神经网络的公式为:
式中,ft为t时刻的遗忘门函数;au t为t时刻的输入值;ut、ut-1 、为t、t-1时刻的输出
值;为Sigmoid函数;it为t时刻的输入门函数;gt为t时刻的中间层函数;ot为t时刻的输
出门函数;st、st-1为t、t-1时刻的神经元状态函数;分别为遗忘门、输入
门、中间层以及输出门的偏置值;为Tanh函数;均为遗忘门函数的权重;均为输入门函数的权重;均为中间层函数的权重;均
为输出门函数的权重。
进一步地,对当前工程的工程造价数据进行修正的具体方法,包括如下步骤:
对当前工程的工程造价数据进行预处理,得到当前工程的预处理后数据;
将当前工程的预处理后数据输入数据修正模型,数据修正模型根据当前工程的预处理后数据与聚类中心的相似度进行数据分类,得到当前工程的分类后数据以及对应的类别结果;
提取工程造价数据库中的相同的类别结果的历史的分类后数据,并根据历史的分类后数据使用均值评估方法对当前工程的分类后数据进行数据修正,得到当前工程的修正后数据。
进一步地,相似度的计算公式为:
式中,为数据集X与Y的欧氏距离函数,根据欧氏距离进行排序,当前
工程的预处理后数据属于欧氏距离最近的聚类中心的类别结果;X为输入的当前工程的预
处理后数据;Y为当前聚类中心的数据;qn为当前工程的预处理后数据的第n个特征;pn为当
前聚类中心数据的第n个特征;n为特征指示量;N为特征总维数。
进一步地,使用均值评估方法进行数据修正的具体方法,包括如下步骤:
提取存储模块的工程造价数据库中与当前工程的分类后数据的类别结果相同的所有的历史的分类后数据,并根据所有的历史的分类后数据获取每个项目的项目数据单位均值;
获取当前工程的分类后数据中当前项目单位数据与对应的项目数据单位均值之间的数据误差值;
若数据误差值小于预设阈值,则根据当前项目单位数据获得当前项目的总造价数据,否则根据项目数据单位均值获得当前项目的总造价数据;
遍历当前工程的所有项目,根据所有项目的总造价数据得到修正后数据,即当前工程的工程造价数据。
本发明的有益效果为:
1)本发明提供的工程造价数据修正系统自动采集外网的历史的工程造价数据,通过大数据分析的方式形成工程造价数据的评估体系,并且将接收到的工作人员输入的当前工程的工程造价数据进行对比、分类以及修正,建立了消除工程造价中误差数据的数据修正系统,减小了工程造价的误差和人力成本投入,提高了工程造价评估的效率。
2)本发明提供的工程造价数据修正方法通过K-means聚类方法对历史的工程造价数据进行聚类,为后续的工程造价数据修正提供了对比类别,提高了数据处理的效率和准确性,并且采用均值评估方法进行数据修正,减小了各个项目的误差,根据本次工程包括的各个项目的数据获取最后的工程造价数据,提高了数据修正方法对不同项目的适应性,最后基于LSTM-FC神经网络建立的数据修正模型大大的提高了方法的准确性和处理效率,实现了工程造价的自动化修正。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中工程造价数据修正系统的结构框图。
图2是本发明中工程造价数据修正方法的方法流程图。
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。
实施例1:
如图1所示,本实施例提供一种工程造价数据修正系统,包括数据采集单元和数据修正单元,数据采集单元的输出端与数据修正单元连接,数据采集单元的输入端连接有外部的工程造价数据库,且数据采集单元设置有数据输入接口,数据修正单元设置有数据修正模型;
数据采集单元用于采集外网的工程造价数据库中的历史的工程造价数据,并通过数据输入接口采集当前工程的工程造价数据;
数据修正单元用于根据接收的历史的工程造价数据优化数据修正模型,并将当前工程的工程造价数据输入数据修正模型进行数据修正。
作为优选,数据采集单元包括微处理器、数据预处理模块、缓存模块以及数据输入接口,微处理器分别与数据预处理模块和缓存模块连接,缓存模块与数据预处理模块连接,且缓存模块设置有缓存数据库,数据预处理模块分别与数据输入接口和数据修正单元连接,且数据预处理模块连接有外部的工程造价数据库。
数据输入接口接收输入的当前工程的工程造价数据,并将当前工程的工程造价数据传输至数据预处理模块,微处理器控制数据预处理模块的正常工作,将预处理后数据存储至缓存模块的缓存数据库中,数据预处理模块对采集的历史的工程造价数据和当前工程的工程造价数据进行预处理,输出统一格式且能识别的预处理后数据并传输至数据修正单元。
作为优选,数据修正单元包括数据分析模块、数据分类模块、数据修正模块以及存储模块,数据分析模块分别与数据分类模块、数据修正模块以及存储模块连接,且数据分析模块连接有外部的人机交互设备,数据分类模块分别与数据修正模块和数据采集单元连接,且数据分析模块设置有数据修正模型,存储模块设置有工程造价数据库。
数据分类模块接收数据采集单元传输的预处理后数据,并对预处理后数据进行数据分类,得到分类后数据和类别结果,数据修正模块对分类后数据进行数据修正,得到修正后数据,数据分析模块通过数据分类模块产生的分类后数据和数据修正模块产生的修正后数据对数据修正模型进行训练和优化,并将分类后数据和修正后数据存储至存储模块的工程造价数据库中。
本发明提供的工程造价数据修正系统自动采集外网的历史的工程造价数据,通过大数据分析的方式形成工程造价数据的评估体系,并且将接收到的工作人员输入的当前工程的工程造价数据进行对比、分类以及修正,建立了消除工程造价中误差数据的数据修正系统,减小了工程造价的误差和人力成本投入,提高了工程造价评估的效率。
实施例2:
本实施例为基于实施例1的技术方案的改进,其与实施例1的区别在于:
一种工程造价数据修正方法,如图2所示,基于工程造价数据修正系统,包括如下步骤:
获取历史的工程造价数据,并根据历史的工程造价数据基于神经网络建立数据修正模型,包括如下步骤:
使用数据采集单元获取历史的工程造价数据,并对历史的工程造价数据进行预处理,得到历史的预处理后数据;
将历史的预处理后数据分为训练集和测试集,将训练集输入LSTM-FC神经网络进行训练,建立初始的数据修正模型;
LSTM-FC神经网络的公式为:
式中,ft为t时刻的遗忘门函数;au t为t时刻的输入值;ut、ut-1 、为t、t-1时刻的输出
值;为Sigmoid函数;it为t时刻的输入门函数;gt为t时刻的中间层函数;ot为t时刻的输
出门函数;st、st-1为t、t-1时刻的神经元状态函数;分别为遗忘门、输入
门、中间层以及输出门的偏置值;为Tanh函数;均为遗忘门函数的权重;均为输入门函数的权重;均为中间层函数的权重;均
为输出门函数的权重。
基于初始的数据修正模型使用K-means聚类方法对训练集进行分类,得到初始的聚类中心和初始的分类结果;
将测试集输入初始的数据修正模型进行优化,得到最优的数据修正模型、最优的聚类中心以及最优的分类结果;
获取当前工程的工程造价数据,并将当前工程的工程造价数据输入数据修正模型进行修正,得到当前工程的修正后数据,包括如下步骤:
对当前工程的工程造价数据进行预处理,得到当前工程的预处理后数据;
将当前工程的预处理后数据输入数据修正模型,数据修正模型根据当前工程的预处理后数据与聚类中心的相似度进行数据分类,得到当前工程的分类后数据以及对应的类别结果;
相似度的计算公式为:
式中,为数据集X与Y的欧氏距离函数,根据欧氏距离进行排序,当前
工程的预处理后数据属于欧氏距离最近的聚类中心的类别结果;X为输入的当前工程的预
处理后数据;Y为当前聚类中心的数据;qn为当前工程的预处理后数据的第n个特征;pn为当
前聚类中心数据的第n个特征;n为特征指示量;N为特征总维数。
提取工程造价数据库中的相同的类别结果的历史的分类后数据,并根据历史的分类后数据使用均值评估方法对当前工程的分类后数据进行数据修正,得到当前工程的修正后数据,包括如下步骤:
提取存储模块的工程造价数据库中与当前工程的分类后数据的类别结果相同的所有的历史的分类后数据,并根据所有的历史的分类后数据获取每个项目的项目数据单位均值;包括本工程中包括的材料名称、项目名称、历史的各个项目的项目报价成本、历史的项目材料用量以及历史的项目材料成本;
获取当前工程的分类后数据中当前项目单位数据与对应的项目数据单位均值之间的数据误差值;
若数据误差值小于预设阈值,则根据当前项目单位数据获得当前项目的总造价数据,否则根据项目数据单位均值获得当前项目的总造价数据;例如当前项目的项目材料用量的数据误差值小于预设阈值,即项目数据单位均值为每一平方米的钢材使用量为0.5吨,本工程要求用量0.6吨,数据误差值为0.1吨,没有超过预设阈值0.11吨,钢材使用的项目报价成本=本工程该项目的要求用量(0.6吨/m2)*施工面积(m2)*本工程实际的钢材单位价格(元/吨)(假设钢材单位价格符合要求),若当前项目的项目材料用量的数据误差值大于预设阈值,即项目数据单位均值为每一平方米的钢材使用量为0.5吨,本工程要求用量0.6吨,数据误差值为0.1吨,超过了预设阈值0.08吨,钢材使用的项目报价成本=该项目的项目数据单位均值(0.5吨/m2*)施工面积(m2)*本工程实际的钢材单位价格(元/吨)(假设钢材单位价格符合要求);
遍历当前工程的所有项目,根据所有项目的总造价数据得到修正后数据,即当前工程的工程造价数据。
作为优选,工程造价数据包括包括工程造价中的施工面积、材料名称、项目名称以及工程造价成本;
工程造价成本包括各个项目的项目报价成本、项目材料用量、项目材料成本以及工程总成本;
项目报价成本包括单位材料报价成本和单个项目报价成本;
项目材料用量包括单位面积材料用量和当前项目材料用量;
项目材料成本包括每个项目的材料成本;
工程总成本的计算公式为:
式中,Q为工程总成本;Qk为第k个项目的项目报价成本;lkj为第k个项目第j个材料的项目材料用量;ckj为第k个项目第j个材料的项目材料成本;Q* k为第i个项目的项目报价成本补偿;k、j分别为项目指示量和材料指示量;K、J分别为项目总数和当前项目的材料总数。
本发明提供的工程造价数据修正方法通过K-means聚类方法对历史的工程造价数据进行聚类,为后续的工程造价数据修正提供了对比类别,提高了数据处理的效率和准确性,并且采用均值评估方法进行数据修正,减小了各个项目的误差,根据本次工程包括的各个项目的数据获取最后的工程造价数据,提高了数据修正方法对不同项目的适应性,最后基于LSTM-FC神经网络建立的数据修正模型大大的提高了方法的准确性和处理效率,实现了工程造价的自动化修正。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (1)
1.一种工程造价数据修正方法,基于工程造价数据修正系统,其特征在于:所述的工程造价数据修正系统,包括数据采集单元和数据修正单元,所述的数据采集单元的输出端与数据修正单元连接,数据采集单元的输入端连接有外部的工程造价数据库,且数据采集单元设置有数据输入接口,所述的数据修正单元设置有数据修正模型;
所述的数据采集单元用于采集外网的工程造价数据库中的历史的工程造价数据,并通过数据输入接口采集当前工程的工程造价数据;
所述的数据修正单元用于根据接收的历史的工程造价数据优化数据修正模型,并将当前工程的工程造价数据输入数据修正模型进行数据修正;
所述的数据采集单元包括微处理器、数据预处理模块、缓存模块以及数据输入接口,所述的微处理器分别与数据预处理模块和缓存模块连接,所述的缓存模块与数据预处理模块连接,且缓存模块设置有缓存数据库,所述的数据预处理模块分别与数据输入接口和数据修正单元连接,且数据预处理模块连接有外部的工程造价数据库;
所述的数据修正单元包括数据分析模块、数据分类模块、数据修正模块以及存储模块,所述的数据分析模块分别与数据分类模块、数据修正模块以及存储模块连接,且数据分析模块连接有外部的人机交互设备,所述的数据分类模块分别与数据修正模块和数据采集单元连接,且数据分析模块设置有数据修正模型,所述的存储模块设置有工程造价数据库;
所述的工程造价数据修正方法,包括如下步骤:
获取历史的工程造价数据,并根据历史的工程造价数据基于神经网络建立数据修正模型;
所述的工程造价数据包括工程造价中的施工面积、材料名称、项目名称以及工程造价成本;
所述的工程造价成本包括各个项目的项目报价成本、项目材料用量、项目材料成本以及工程总成本;
所述的项目报价成本包括单位材料报价成本和单个项目报价成本;
所述的项目材料用量包括单位面积材料用量和当前项目材料用量;
所述的项目材料成本包括每个项目的材料成本;
工程总成本的计算公式为:
式中,Q为工程总成本;Qk为第k个项目的项目报价成本;lkj为k个项目第j个材料的项目材料用量;ckj为第k个项目第j个材料的项目材料成本;Q* K为第i个项目的项目报价成本补偿;k、j分别为项目指示量和材料指示量;K、J分别为项目总数和当前项目的材料总数;
建立数据修正模型的具体方法,包括如下步骤:
使用数据采集单元获取历史的工程造价数据,并对历史的工程造价数据进行预处理,得到历史的预处理后数据;
将历史的预处理后数据分为训练集和测试集,将训练集输入LSTM-FC神经网络进行训练,建立初始的数据修正模型;
所述的LSTM-FC神经网络的公式为:
式中,为t时刻的遗忘门函数;为t时刻的输入值;为t、t-1时刻的输出
值;为Sigmoid函数;it为t时刻的输入门函数;gt为t时刻的中间层函数;Ot为t时刻的输
出门函数;分别为t、t-1时刻的神经元状态函数;分别为遗忘
门、输入门、中间层以及输出门的偏置值;为Tanh函数;均为遗忘门函
数的权重;均为输入门函数的权重;均为中间层函数的权重;均为输出门函数的权重;
基于初始的数据修正模型使用K-means聚类方法对训练集进行分类,得到初始的聚类中心和初始的分类结果;
将测试集输入初始的数据修正模型进行优化,得到最优的数据修正模型、最优的聚类中心以及最优的分类结果;
获取当前工程的工程造价数据,并将当前工程的工程造价数据输入数据修正模型进行修正,得到当前工程的修正后数据,包括如下步骤:
对当前工程的工程造价数据进行预处理,得到当前工程的预处理后数据;
将当前工程的预处理后数据输入数据修正模型,数据修正模型根据当前工程的预处理后数据与聚类中心的相似度进行数据分类,得到当前工程的分类后数据以及对应的类别结果;
相似度的计算公式为:
式中,为数据集X与Y的欧氏距离函数,根据欧氏距离进行排序,当前工程的预处理后数据属于欧氏距离最近的聚类中心的类别结果;X为输入的当前工程的预处理后数据;Y为当前聚类中心的数据;qn为当前工程的预处理后数据的第n个特征;pn为当前聚类中心数据的第n个特征;n为特征指示量;N为特征总维数;
提取工程造价数据库中的相同的类别结果的历史的分类后数据,并根据历史的分类后数据使用均值评估方法对当前工程的分类后数据进行数据修正,得到当前工程的修正后数据,包括如下步骤:
提取存储模块的工程造价数据库中与当前工程的分类后数据的类别结果相同的所有的历史的分类后数据,并根据所有的历史的分类后数据获取每个项目的项目数据单位均值;
获取当前工程的分类后数据中当前项目单位数据与对应的项目数据单位均值之间的数据误差值;
若数据误差值小于预设阈值,则根据当前项目单位数据获得当前项目的总造价数据,否则根据项目数据单位均值获得当前项目的总造价数据;
遍历当前工程的所有项目,根据所有项目的总造价数据得到修正后数据,即当前工程的工程造价数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094672.8A CN114116756B (zh) | 2022-01-26 | 2022-01-26 | 一种工程造价数据修正系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094672.8A CN114116756B (zh) | 2022-01-26 | 2022-01-26 | 一种工程造价数据修正系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114116756A CN114116756A (zh) | 2022-03-01 |
CN114116756B true CN114116756B (zh) | 2022-07-19 |
Family
ID=80362008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210094672.8A Active CN114116756B (zh) | 2022-01-26 | 2022-01-26 | 一种工程造价数据修正系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114116756B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116775672B (zh) * | 2023-06-21 | 2024-02-06 | 广东泰通伟业工程咨询有限公司 | 基于bim的工程造价数据动态修正方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016755A (zh) * | 2020-08-31 | 2020-12-01 | 国网甘肃省电力公司建设分公司 | 输变电工程施工图通用设计造价标准化技术模块构建方法 |
CN113919028A (zh) * | 2021-10-13 | 2022-01-11 | 赵亮 | 一种基于大数据分析的工程造价评估管理系统 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7349580B2 (en) * | 2003-06-03 | 2008-03-25 | Topcon Corporation | Apparatus and method for calibrating zoom lens |
CN103592465B (zh) * | 2013-10-24 | 2015-07-22 | 燕山大学 | 基于粒子群优化的三轴微机械加速度计静态修正方法 |
CN103968836B (zh) * | 2014-05-16 | 2016-10-19 | 施浒立 | 一种基于时序伪距差分推算移动目标位置的方法及装置 |
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 |
CN105894125A (zh) * | 2016-04-22 | 2016-08-24 | 牛东晓 | 一种输变电工程造价预测方法 |
CN106600464A (zh) * | 2016-12-22 | 2017-04-26 | 重庆电力设计院 | 基于模糊数学的电网建设新建项目造价快速估算方法 |
KR20190108937A (ko) * | 2018-03-16 | 2019-09-25 | 주식회사 차후 | 비정형 건축물 검증 시스템 및 방법 |
US11210750B2 (en) * | 2018-11-29 | 2021-12-28 | Electronics And Telecommunications Research Institute | Method and system for energy improvement verification of buildings |
CN109934455A (zh) * | 2019-01-26 | 2019-06-25 | 国家电网有限公司 | 一种电网工程造价评估方法 |
CN109934385A (zh) * | 2019-01-29 | 2019-06-25 | 跨越速运集团有限公司 | 基于长短记忆神经网络的货量预测方法及系统 |
CN110826885A (zh) * | 2019-10-28 | 2020-02-21 | 陈贞辉 | 一种电力工程造价建立预算方法 |
CN111260115A (zh) * | 2020-01-09 | 2020-06-09 | 天津大学 | 一种分布式光伏运维数据智能采集终端优化配置方法 |
CN113344552B (zh) * | 2021-07-08 | 2021-12-31 | 中宬建设管理有限公司 | 一种基于工程造价的多项目联合管理方法及系统 |
CN113762224B (zh) * | 2021-11-09 | 2022-04-29 | 四川野马科技有限公司 | 一种工程造价成果质量检查系统及其方法 |
-
2022
- 2022-01-26 CN CN202210094672.8A patent/CN114116756B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016755A (zh) * | 2020-08-31 | 2020-12-01 | 国网甘肃省电力公司建设分公司 | 输变电工程施工图通用设计造价标准化技术模块构建方法 |
CN113919028A (zh) * | 2021-10-13 | 2022-01-11 | 赵亮 | 一种基于大数据分析的工程造价评估管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114116756A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778837B (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
WO2022174588A1 (zh) | 一种列车计划运行图自动调整系统及方法 | |
CN104835103A (zh) | 基于神经网络和模糊综合评价的移动网络健康评价方法 | |
CN106934720A (zh) | 基于物联网的设备保险智能定价方法与系统 | |
CN112348332A (zh) | 一种基于云计算的工程造价监控系统 | |
CN107610282A (zh) | 一种公交客流统计系统 | |
CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和系统 | |
CN109377050A (zh) | 一种基于风险分析及ai人工智能模型风险分析方法 | |
CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
CN114116756B (zh) | 一种工程造价数据修正系统及其方法 | |
CN111553633A (zh) | 一种工程造价管理系统及方法 | |
CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理系统及其评估方法 | |
CN113344467A (zh) | 一种电力工程资金预测方法和装置 | |
CN113505946A (zh) | 一种生产成本管控方法、系统、存储介质及设备 | |
CN115953186A (zh) | 一种网约车需求模式识别与短时需求预测方法 | |
CN115392771A (zh) | 一种园区内企业效能管理系统及方法 | |
CN113516313A (zh) | 一种基于用户画像的燃气异常检测方法 | |
CN114119110A (zh) | 一种工程造价清单归集系统及其方法 | |
CN114648400A (zh) | 一种基于移动互联网的财务数据智能采集分析管理系统 | |
CN115359659A (zh) | 一种车道开闭配置方法和系统 | |
CN117273541A (zh) | 一种基于大数据的建筑工程造价质量评估系统 | |
CN113608975A (zh) | 电力现货市场下电能计量系统运行状态在线评估方法及系统 | |
CN108805447A (zh) | 一种农田土壤重金属污染分析预警系统 | |
CN113435939A (zh) | 一种工程造价进度管理系统 | |
CN114155072B (zh) | 基于大数据分析的财务预测模型构建方法及系统 |
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 |