CN114331221A - 一种基于机器学习的混凝土工程量指标估算方法 - Google Patents
一种基于机器学习的混凝土工程量指标估算方法 Download PDFInfo
- Publication number
- CN114331221A CN114331221A CN202210197698.5A CN202210197698A CN114331221A CN 114331221 A CN114331221 A CN 114331221A CN 202210197698 A CN202210197698 A CN 202210197698A CN 114331221 A CN114331221 A CN 114331221A
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- machine learning
- variable
- model
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于机器学习的混凝土工程量指标估算方法，涉及工程造价技术领域。本发明在工程成本指标估算方面应用机器学习技术，构建出一个基于以已建工程特征的量化数据为样本数据的数学模型，结合真实数据对模型进行训练，以实现混凝土工程量指标的预测与分析；本发明能够快速、高效、智能化的预测新项目的混凝土工程量，缩短含量指标计算时间，提高效率，减少不必要的重复性工作。
Description
技术领域
本发明涉及工程造价技术领域，特别的为一种基于机器学习的混凝土工程量指标估算方法。
背景技术
随着房地产行业发展放缓，建筑市场的竞争也越发激烈，投标报价的时间期限也越来越短。混凝土的工程量指标估算可以为企业预算报价提供重要依据，其准确与否将直接影响企业的投资决策。如何快速、高效对混凝土的工程量指标进行估算对建筑企业提升技术水平、核心竞争力尤为重要。
传统混凝土工程量指标预测是利用人为经验，通过项目相似度匹配进行估算，即选取新项目的工程因素，再通过寻找相同或相类似因素的历史项目数据，对新项目的混凝土含量指标进行估算。这种预测方法时效性差，效率低下，在进行预测时，遇到没有历史项目参考的情况下指标估算工作无法进行。
综上所述，研发一种基于机器学习的混凝土工程量指标估算方法，仍是工程造价技术领域中急需解决的关键问题。
发明内容
本发明提供的发明目的在于提供一种基于机器学习的混凝土工程量指标估算方法，能够快速、高效、智能化的预测新项目的混凝土工程量，缩短含量指标计算时间，提高效率，减少不必要的重复性工作。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于机器学习的混凝土工程量指标估算方法，其特征在于，包括以下步骤：
S1、根据影响混凝土工程量指标的工程概况因素构建混凝土工程量指标估算体系，采集历史项目工程中各单体混凝土工程量指标估算体系的原始数据；
S2、对提取到的原始数据进行多重数据处理，构建原始样本数据集，将原始样本集按指定比例划分为训练数据集和测试数据集；
S3、构建随机森林回归模型，将训练数据集作为模型输入，对原始样本数据集进行特征选择；
S4、构建多层BP神经网络模型，将最优特征变量集作为多层BP神经网络模型的输入变量，对应混凝土工程量指标作为输出变量，对多层BP神经网络模型进行训练，并利用测试数据集对训练后的神经网络模型进行评估。
本发明进一步设置为：所述混凝土工程量指标估算体系包括单体工程概况和混凝土工程量指标。
本发明进一步设置为：在步骤S2中，对提取到的原始数据进行多重数据处理，包括以下步骤：
S201对原始数据进行数据清洗；
S202进行特征数据类型转换，并对转换后的数据进行标准化处理，构建原始样本数据集。
本发明进一步设置为：在步骤S202中，所述原始样本数据集包括训练集和测试集，其训练集和测试集中样本数量比为4：1。
本发明进一步设置为：在步骤S3中，包括以下步骤：
S301根据随机森林回归中二叉树节点包含的特征数和决策树的棵树构建随机森林回归模型；
S302利用随机森林回归模型进行单特征重要性评估，对变量进行重要性度量的初步筛选；
S303对初步筛选后得到的变量集进行特征剪除，获取最优特征变量集。
本发明进一步设置为：在步骤S302中，包括以下步骤：
S3021将训练数据集作为随机森林回归模型的输入，对于随机森林回归模型中的每一棵决策树，采用该决策树对应的袋外数据计算其袋外数据误差；
S3022随机对步骤S3021中的决策树对应的袋外数据中所有样本数据的某个特征X加入噪声干扰，然后再次计算该决策树对应的袋外数据误差；
S3023构建重要性计算模型，并根据所述重要性计算模型对上述特征X进行特征重要性评价；
S3024重复步骤S3021至步骤S3023，直至输出所述训练数据集中所有特征的特征重要性评价，并将所有特征的特征重要性评价按降序排列，并根据排序结果对特征进行重要性度量的初步筛选，在对所有变量的变量重要性评价按降序排序时，以模型精确度减小量为标准初步衡量各变量的重要性。
本发明进一步设置为：在步骤S3021中，所述袋外数据是指构建单棵决策树时，通过Boostrap抽样得到的未参与该决策树建立过程的数据。
本发明进一步设置为：在步骤S3023中，所述重要性计算模型为：
式中，r1为随机森林回归模型中决策树对应的袋外数据的袋外误差，r2为对袋外数据中的某个特征X加入噪声干扰后的再次计算得到的袋外误差，N为随机森林回归模型中决策树的棵数。
本发明进一步设置为：在步骤S303中，对初步筛选后得到的变量集进行特征剪除，获取最优特征变量集，是指对初步筛选后得到的特征集，逐次去除一定比例的特征，每次去除一定比例的特征，对比除去该特征后，剩余变量对应的袋外误差率，将误差率最小的变量集作为最优特征变量集，并以此确定最优特征变量集中最优特征变量的数量，其中特征选择过程根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集。
本发明进一步设置为：在步骤S4中，包括以下步骤：
S401基于最优特征变量结果，构建机器学习数据集，并划分为训练集、验证集和测试集；
S402构建多层BP神经网络模型，构建的多层BP神经网络模型包括输入层、三层隐含层和输出层，三层隐含层包括第一层隐含层、第二层隐含层、第三层隐含层，节点数依次为64，128，32，数据通过输入层进入神经网络，通过隐含层进一步处理传入输出层，输出所需结果；
S403将训练集输入多层BP神经网络，对模型训练，获得输入和输出的映射关系；
S404利用优化后的多层BP神经网络对测试集进行测试，获得输出结果，实现对混凝土工程量指标的预测。
本发明提供了一种基于机器学习的混凝土工程量指标估算方法。具备以下有益效果：
本发明在工程成本指标估算方面应用机器学习技术，构建出一个基于以已建工程特征的量化数据为样本数据的数学模型，结合真实数据对模型进行训练，以实现混凝土工程量指标的预测与分析，本发明能够快速、高效、智能化的预测新项目的混凝土工程量，缩短含量指标计算时间，提高效率，减少不必要的重复性工作。
附图说明
图1为本发明的预测方法的流程图；
图2为本发明的多层BP神经网络结构图；
图3为本发明的混凝土工程量训练过程误差图；
图4为本发明的混凝土工程量测试结果图；
图5为本发明机器学习数据集样本数据构成表。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
如图1所示，一种基于机器学习的混凝土工程量指标估算方法，包括以下步骤：
S1根据影响混凝土工程量指标的工程概况因素构建混凝土工程量指标估算体系，采集历史项目工程中各单体混凝土工程量指标估算体系的原始数据。
进一步的，混凝土工程量指标估算体系包括单体工程概况和混凝土工程量指标。
在本实施例中，单体工程概况包括：地上部分/地下部分、业态、地区、层高、地上层数/地下层数、抗震设防烈度、安全等级、户数每层、占地面积、总层高、檐高、结构类型、抗震等级、使用年限、地上建筑面积/地下建筑面积、总建筑面积、基础类型、是否有人防、人防面积占比、预制三板应用率、抗浮水位。
S2对提取到的原始数据进行多重数据处理，构建原始样本数据集，将原始样本集按指定比例划分为训练数据集和测试数据集。
进一步的，对提取到的原始数据进行多重数据处理，包括以下步骤：
S201对原始数据进行数据清洗，主要包括删除空值、异常值删除。
S202进行特征数据类型转换，并对转换后的数据进行标准化处理，构建原始样本数据集。
更进一步的，原始样本数据集包括训练集和测试集，其训练集和测试集中样本数量比为4：1。
S3构建随机森林回归模型，将训练数据集作为模型输入，对原始样本数据集进行特征选择。
进一步的，在步骤S3中，包括以下步骤：
S301根据随机森林回归中二叉树节点包含的特征数和决策树的棵树构建随机森林回归模型。
S302利用随机森林回归模型进行单特征重要性评估，对变量进行重要性度量的初步筛选。
S303对初步筛选后得到的变量集进行特征剪除，获取最优特征变量集。
进一步的，在步骤S302中，包括以下步骤：
S3021将训练数据集作为随机森林回归模型的输入，对于随机森林回归模型中的每一棵决策树，采用该决策树对应的袋外数据计算其袋外数据误差。
S3022随机对步骤S3021中的决策树对应的袋外数据中所有样本数据的某个特征X加入噪声干扰，然后再次计算该决策树对应的袋外数据误差。
S3023构建重要性计算模型，并根据所述重要性计算模型对上述特征X进行特征重要性评价。
S3024重复步骤S3021至步骤S3023，直至输出所述训练数据集中所有特征的特征重要性评价，并将所有特征的特征重要性评价按降序排列，并根据排序结果对特征进行重要性度量的初步筛选，在对所有变量的变量重要性评价按降序排序时，以模型精确度减小量为标准初步衡量各变量的重要性。
更进一步的，在步骤S3021中，袋外数据是指构建单棵决策树时，通过Boostrap抽样得到的未参与该决策树建立过程的数据。
此外，在步骤S3023中，重要性计算模型为：
，
式中，r1为随机森林回归模型中决策树对应的袋外数据的袋外误差，r2为对袋外数据中的某个特征X加入噪声干扰后的再次计算得到的袋外误差，N为随机森林回归模型中决策树的棵数。
在步骤S303中，对初步筛选后得到的变量集进行特征剪除，获取最优特征变量集，是指对初步筛选后得到的特征集，逐次去除一定比例的特征，每次去除一定比例的特征，对比除去该特征后，剩余变量对应的袋外误差率，将误差率最小的变量集作为最优特征变量集，并以此确定最优特征变量集中最优特征变量的数量，其中特征选择过程根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集。
S4构建多层BP神经网络模型，将最优特征变量集作为多层BP神经网络模型的输入变量，对应混凝土工程量指标作为输出变量，对多层BP神经网络模型进行训练，并利用测试数据集对训练后的神经网络模型进行评估。
进一步的，在步骤S4中，包括以下步骤：
S401基于最优特征变量结果，构建机器学习数据集，并划分为训练集、验证集和测试集。
作为一种实施方式，机器学习数据集样本数据构成见表，如图5所示，表中输入因素包括地上/地下、业态、标准层高、抗震设防烈度、项目所在地区、耐火等级、总层高、结构类型、抗震等级、建筑面积以及基础类型，输出结果为混凝土工程量指标。
S402构建多层BP神经网络模型如图2所示，构建的多层BP神经网络模型包括输入层、三层隐含层和输出层，三层隐含层包括第一层隐含层、第二层隐含层、第三层隐含层，节点数依次为64，128，32，数据通过输入层进入神经网络，通过隐含层进一步处理传入输出层，输出所需结果。
S403将训练集输入多层BP神经网络，对模型训练，获得输入和输出的映射关系，训练过程误差图如图3所示。
S404利用优化后的多层BP神经网络对测试集进行测试，获得输出结果，实现对混凝土工程量指标的预测，测试结果如图4所示。
以上的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (10)
1.一种基于机器学习的混凝土工程量指标估算方法，其特征在于，包括以下步骤：
S1、根据影响混凝土工程量指标的工程概况因素构建混凝土工程量指标估算体系，采集历史项目工程中各单体混凝土工程量指标估算体系的原始数据；
S2、对提取到的原始数据进行多重数据处理，构建原始样本数据集，将原始样本集按指定比例划分为训练数据集和测试数据集；
S3、构建随机森林回归模型，将训练数据集作为模型输入，对原始样本数据集进行特征选择；
S4、构建多层BP神经网络模型，将最优特征变量集作为多层BP神经网络模型的输入变量，对应混凝土工程量指标作为输出变量，对多层BP神经网络模型进行训练，并利用测试数据集对训练后的神经网络模型进行评估。
2.根据权利要求1所述的一种基于机器学习的混凝土工程量指标估算方法，其特征在于：所述混凝土工程量指标估算体系包括单体工程概况和混凝土工程量指标。
3.根据权利要求1所述的一种基于机器学习的混凝土工程量指标估算方法，其特征在于：在步骤S2中，对提取到的原始数据进行多重数据处理，包括以下步骤：
S201对原始数据进行数据清洗；
S202进行特征数据类型转换，并对转换后的数据进行标准化处理，构建原始样本数据集。
4.根据权利要求3所述的一种基于机器学习的混凝土工程量指标估算方法，其特征在于：在步骤S202中，所述原始样本数据集包括训练集和测试集，其训练集和测试集中样本数量比为4：1。
5.根据权利要求1所述的一种基于机器学习的混凝土工程量指标估算方法，其特征在于：在步骤S3中，包括以下步骤：
S301根据随机森林回归中二叉树节点包含的特征数和决策树的棵树构建随机森林回归模型；
S302利用随机森林回归模型进行单特征重要性评估，对变量进行重要性度量的初步筛选；
S303对初步筛选后得到的变量集进行特征剪除，获取最优特征变量集。
6.根据权利要求5所述的一种基于机器学习的混凝土工程量指标估算方法，其特征在于：在步骤S302中，包括以下步骤：
S3021将训练数据集作为随机森林回归模型的输入，对于随机森林回归模型中的每一棵决策树，采用该决策树对应的袋外数据计算其袋外数据误差；
S3022随机对步骤S3021中的决策树对应的袋外数据中所有样本数据的某个特征X加入噪声干扰，然后再次计算该决策树对应的袋外数据误差；
S3023构建重要性计算模型，并根据所述重要性计算模型对上述特征X进行特征重要性评价；
S3024重复步骤S3021至步骤S3023，直至输出所述训练数据集中所有特征的特征重要性评价，并将所有特征的特征重要性评价按降序排列，并根据排序结果对特征进行重要性度量的初步筛选，在对所有变量的变量重要性评价按降序排序时，以模型精确度减小量为标准初步衡量各变量的重要性。
7.根据权利要求6所述的一种基于机器学习的混凝土工程量指标估算方法，其特征在于：在步骤S3021中，所述袋外数据是指构建单棵决策树时，通过Boostrap抽样得到的未参与该决策树建立过程的数据。
8.根据权利要求6所述的一种基于机器学习的混凝土工程量指标估算方法，其特征在于：在步骤S3023中，所述重要性计算模型为：
，
式中，r1为随机森林回归模型中决策树对应的袋外数据的袋外误差，r2为对袋外数据中的某个特征X加入噪声干扰后的再次计算得到的袋外误差，N为随机森林回归模型中决策树的棵数。
9.根据权利要求5所述的一种基于机器学习的混凝土工程量指标估算方法，其特征在于：在步骤S303中，对初步筛选后得到的变量集进行特征剪除，获取最优特征变量集，是指对初步筛选后得到的特征集，逐次去除一定比例的特征，每次去除一定比例的特征，对比除去该特征后，剩余变量对应的袋外误差率，将误差率最小的变量集作为最优特征变量集，并以此确定最优特征变量集中最优特征变量的数量，其中特征选择过程根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集。
10.根据权利要求1所述的一种基于机器学习的混凝土工程量指标估算方法，其特征在于：在步骤S4中，包括以下步骤：
S401基于最优特征变量结果，构建机器学习数据集，并划分为训练集、验证集和测试集；
S402构建多层BP神经网络模型，构建的多层BP神经网络模型包括输入层、三层隐含层和输出层，三层隐含层包括第一层隐含层、第二层隐含层、第三层隐含层，节点数依次为64，128，32，数据通过输入层进入神经网络，通过隐含层进一步处理传入输出层，输出所需结果；
S403将训练集输入多层BP神经网络，对模型训练，获得输入和输出的映射关系；
S404利用优化后的多层BP神经网络对测试集进行测试，获得输出结果，实现对混凝土工程量指标的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210197698.5A CN114331221A (zh) | 2022-03-02 | 2022-03-02 | 一种基于机器学习的混凝土工程量指标估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210197698.5A CN114331221A (zh) | 2022-03-02 | 2022-03-02 | 一种基于机器学习的混凝土工程量指标估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114331221A true CN114331221A (zh) | 2022-04-12 |
Family
ID=81031233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210197698.5A Pending CN114331221A (zh) | 2022-03-02 | 2022-03-02 | 一种基于机器学习的混凝土工程量指标估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331221A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114971092A (zh) * | 2022-07-29 | 2022-08-30 | 华北电力大学 | 一种变电站主控楼混凝土用量预测方法和装置 |
| CN115796972A (zh) * | 2022-11-24 | 2023-03-14 | 中核华纬工程设计研究有限公司 | 一种基于bim技术的量价融合实现方法 |
| CN116434893A (zh) * | 2023-06-12 | 2023-07-14 | 中才邦业(杭州)智能技术有限公司 | 混凝土抗压强度预测模型、构建方法、介质、电子设备 |
| CN116479725A (zh) * | 2023-05-04 | 2023-07-25 | 宁波中海建材有限公司 | 混凝土质量智能化加工预测系统 |
| CN116756466A (zh) * | 2023-06-20 | 2023-09-15 | 贵州省公路工程集团有限公司 | 钢桁-混凝土组合拱桥用超流态混凝土评估方法及系统 |
| CN117077037A (zh) * | 2023-08-23 | 2023-11-17 | 广东国地规划科技股份有限公司 | 一种建筑物尺度动态人口估算方法及系统 |
| CN117113230A (zh) * | 2022-08-19 | 2023-11-24 | 南方电网数字电网研究院有限公司 | 面向新能源高精度预测的机器学习特征选择方法 |
| CN117273548A (zh) * | 2023-11-17 | 2023-12-22 | 广东工业大学 | 一种基于人工智能的建筑工程方案选取方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507518A (zh) * | 2020-04-14 | 2020-08-07 | 中铁隧道局集团有限公司 | 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 |
| CN112069567A (zh) * | 2020-08-07 | 2020-12-11 | 湖北交投十巫高速公路有限公司 | 基于随机森林和智能算法预测混凝土抗压强度的方法 |
-
2022
- 2022-03-02 CN CN202210197698.5A patent/CN114331221A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507518A (zh) * | 2020-04-14 | 2020-08-07 | 中铁隧道局集团有限公司 | 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 |
| CN112069567A (zh) * | 2020-08-07 | 2020-12-11 | 湖北交投十巫高速公路有限公司 | 基于随机森林和智能算法预测混凝土抗压强度的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 任宏等: "神经网络在工程造价和主要工程量快速估算中的应用研究", 《土木工程学报》 * |
| 简书: "随机森林进行特征重要性度量的详细说明", 《HTTPS://WWW.JIANSHU.COM/P/8985BC8E4A12》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114971092B (zh) * | 2022-07-29 | 2022-10-18 | 华北电力大学 | 一种变电站主控楼混凝土用量预测方法和装置 |
| CN114971092A (zh) * | 2022-07-29 | 2022-08-30 | 华北电力大学 | 一种变电站主控楼混凝土用量预测方法和装置 |
| CN117113230A (zh) * | 2022-08-19 | 2023-11-24 | 南方电网数字电网研究院有限公司 | 面向新能源高精度预测的机器学习特征选择方法 |
| CN115796972A (zh) * | 2022-11-24 | 2023-03-14 | 中核华纬工程设计研究有限公司 | 一种基于bim技术的量价融合实现方法 |
| CN115796972B (zh) * | 2022-11-24 | 2024-05-07 | 中核华纬工程设计研究有限公司 | 一种基于bim技术的量价融合实现方法 |
| CN116479725B (zh) * | 2023-05-04 | 2023-11-10 | 紫云黔冠电力设备有限责任公司 | 混凝土质量智能化加工预测系统 |
| CN116479725A (zh) * | 2023-05-04 | 2023-07-25 | 宁波中海建材有限公司 | 混凝土质量智能化加工预测系统 |
| CN116434893A (zh) * | 2023-06-12 | 2023-07-14 | 中才邦业(杭州)智能技术有限公司 | 混凝土抗压强度预测模型、构建方法、介质、电子设备 |
| CN116434893B (zh) * | 2023-06-12 | 2023-08-29 | 中才邦业(杭州)智能技术有限公司 | 混凝土抗压强度预测模型、构建方法、介质、电子设备 |
| CN116756466A (zh) * | 2023-06-20 | 2023-09-15 | 贵州省公路工程集团有限公司 | 钢桁-混凝土组合拱桥用超流态混凝土评估方法及系统 |
| CN116756466B (zh) * | 2023-06-20 | 2024-02-09 | 贵州省公路工程集团有限公司 | 钢桁-混凝土组合拱桥用超流态混凝土评估方法及系统 |
| CN117077037A (zh) * | 2023-08-23 | 2023-11-17 | 广东国地规划科技股份有限公司 | 一种建筑物尺度动态人口估算方法及系统 |
| CN117077037B (zh) * | 2023-08-23 | 2024-04-16 | 广东国地规划科技股份有限公司 | 一种建筑物尺度动态人口估算方法及系统 |
| CN117273548A (zh) * | 2023-11-17 | 2023-12-22 | 广东工业大学 | 一种基于人工智能的建筑工程方案选取方法及装置 |
| CN117273548B (zh) * | 2023-11-17 | 2024-05-14 | 广东工业大学 | 一种基于人工智能的建筑工程方案选取方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114331221A (zh) | 一种基于机器学习的混凝土工程量指标估算方法 | |
| CN105469196A (zh) | 一种矿井建设项目过程后评价的综合评价方法及系统 | |
| CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
| CN106845777A (zh) | 案件工作量评价方法、法官业绩评价方法、建模方法、计算装置和计算机可读存储介质 | |
| CN112329262A (zh) | 一种居住建筑燃气碳排放量预测方法 | |
| CN114239681A (zh) | 变压器健康指数评估方法、装置、计算机设备和存储介质 | |
| CN113379238A (zh) | 风险评估方法、装置及电子设备 | |
| CN112861436A (zh) | 一种发动机排放实时预测方法 | |
| CN110569566A (zh) | 一种板带力学性能预测方法 | |
| CN111680859A (zh) | 基于信息生态理论和rf-ga-bp神经网络的平台专利价值评估方法 | |
| CN110287269A (zh) | 一种基于复合层次分析的数据处理分类方法和装置 | |
| CN112101785A (zh) | 一种用于电力与通信共享铁塔的综合效益分析的方法 | |
| CN114707692A (zh) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 | |
| CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN117689209A (zh) | 基于熵权模糊综合的桥梁安全风险评估方法、设备及介质 | |
| CN113610268A (zh) | 一种基于居住区空间形态的碳排放量预测方法 | |
| US7797136B2 (en) | Metrics to evaluate process objects | |
| Gurmu et al. | Modelling customers' perception of the quality of services provided by builders: A case of Victoria, Australia | |
| CN112487639A (zh) | 使用模糊灰色综合评价模型确定城市地下空间寿命周期风险等级的方法 | |
| CN116307352A (zh) | 一种基于机器学习的工程量指标估算方法及系统 | |
| CN110727986A (zh) | 基于bim和加权灰云聚类模型的古建筑维护模型获取方法 | |
| CN114707784A (zh) | 一种基于组合赋权法的权重确定方法及系统 | |
| CN116245379A (zh) | 面向电网建设工程效果评价的指标权重优化方法及装置 | |
| CN111654853B (zh) | 一种基于用户信息的数据分析方法 |
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 |
Application publication date: 20220412 |
|
| RJ01 | Rejection of invention patent application after publication |