CN114429245A - 一种工程造价数据的分析展示方法 - Google Patents

Abstract

一种工程造价数据的分析展示方法，该方法先采集各地区已完成项目在不同阶段、不同层级的数据后输入构建的大数据共享平台，大数据共享平台再将其分类整合形成数据集，然后输入待建设项目总工程和各子工程的数据，大数据共享平台再根据待建设项目的类型匹配出具有相同类型的已完成项目，随后将匹配出的已完成项目数据作为样本训练形成神经网络预测模型，并将待建设项目数据输入神经网络预测模型中得到待建设项目的工程造价预测结果，最后在获取用户的查询请求命令和筛选条件后，调取预测结果，从中筛选出符合用户查询要求的结果，归集筛选结果并进行图表展示。本设计不仅保证了造价预测的精度，而且实现了数据的深度展示。

Description

一种工程造价数据的分析展示方法

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的分析展示方法。

背景技术

工程造价为综合运用管理学、经济学和工程技术等方面的知识与技能。基于工程造价分析，整体的数据整合，工程造价是比较复杂的系统，它包括很多的影响因素，而且在工程的建设过程中还包含了很多的不确定因素，这些因素之间的关系错综复杂，难以确定单个因素对造价的影响，因此影响对预估工程的造价有准确而且快速的预测。同时，在基于数据的采集工程造价计价过程中涉及到大量的数据计算工作，多种影响因素考量均会影响工程造价的精准，容易出现判断工程造价与实际偏差较大的情况。

发明内容

本发明的目的是解决现有技术存在的上述问题，提供一种能够有效提高造价预测精度的一种工程造价数据的分析展示方法。

为实现以上目的，本发明提供了以下技术方案：

一种工程造价数据的分析展示方法，依次包括以下步骤：

步骤A、先采集各地区已完成项目在不同阶段、不同层级的数据后输入构建的大数据共享平台，大数据共享平台再将上述数据分类整合形成数据集；

步骤B、先将待建设项目总工程和各子工程的数据输入大数据共享平台中，大数据共享平台再根据待建设项目的类型匹配出具有相同类型的已完成项目；

步骤C、将匹配出的已完成项目的数据作为样本训练形成神经网络预测模型；

步骤D、将待建设项目数据输入神经网络预测模型中得到待建设项目的工程造价预测结果；

步骤E、在获取用户的查询请求命令和筛选条件后，调取步骤D的预测结果，从中筛选出符合用户查询要求的结果，归集筛选结果并生成相应图表进行展示。

步骤A中，所述已完成项目在不同阶段、不同层级的数据包括工程造价数据、项目地形比例、气象条件和施工技术方案；

所述分类整合形成数据集的方法为：先针对已完成项目数据中的地势数据，根据地理位置将其分为山地、高原、平原、丘陵和盆地五种地势数据集，并将这五种地势数据集的范围值进行编码，再按照地势数据的分类标准及各地势数据集的范围值确定各地势数据集中所有数据的标准编码值范围，随后将已完成项目数据中的其它数据分为通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集，并对通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集的值进行编码，以完成数据的分类整合。

所述步骤B先将待建设项目数据进行识别编码，然后基于模糊化数学理论将其与各地势数据集、通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集的编码值进行匹配，以确定具有相同类型的已完成项目。

步骤C中，所述神经网络预测模型为：

p(Y′|Y,α^*,σ^*2)＝∫p(Y′|w,σ^*2)p(w|Y,α^*,σ^*2)dw

上式中，p(Y′|Y,α^*,σ^*2)为似然函数，Y′后一时刻的输入样本，Y为当前时刻的输入样本，α^*为决定节点权值w的先验分布的超参数，σ^*2为优化参数。

所述步骤B还包括对待建设项目数据的自动检验，具体为：

先统计匹配出具有相同类型的已完成项目中各数据的最大和最小值，并将其作为该数据的合理范围，再将待建设项目的各数据与其对应的合理范围进行对比，若待建设项目数据在合理范围内，则将其作为有效数据输入神经网络预测模型中进行预测计算，若待建设项目数据不在合理范围内，则对其进行警示。

步骤E中，所述归集筛选结果的过程包括：先对筛选出的数据进行层级分类，再按照工程编码对数据进行归集，最后按照工程结构自动汇总并输出归集后的数据，其中，所述层级包括建设项目、单项工程、分部分项、清单、定额、消耗量和工料机数据。

所述方法还包括：

步骤F、先将不同项目的各子工程实际数据输入大数据共享平台中，随后大数据共享平台将展示结果数据与实际数据进行对比，并分析得出两者存在较大差异的原因，以其作为影响因素，再将确定的影响因素输入神经网络预测模型中进行优化。

与现有技术相比，本发明的有益效果为：

1、本发明一种工程造价数据的分析展示方法先采集各地区已完成项目在不同阶段、不同层级的数据后输入构建的大数据共享平台，大数据共享平台再将上述数据分类整合形成数据集，然后将待建设项目总工程和各子工程的数据输入大数据共享平台中，大数据共享平台再根据待建设项目的类型匹配出具有相同类型的已完成项目，随后将匹配出的已完成项目的数据作为样本训练形成神经网络预测模型，并将待建设项目数据输入神经网络预测模型中得到待建设项目的工程造价预测结果，最后在获取用户的查询请求命令和筛选条件后，调取预测结果，从中筛选出符合用户查询要求的结果，归集筛选结果并生成相应图表进行展示，该方法通过大数据共享平台实现对各地区已完成项目数据的收集和共享，并将待建设项目数据与大数据共享平台中已完成项目进行匹配，选择类型相似的已完成项目对神经网络模型进行训练和检验，以保证该神经网络模型工程造价的精准，且对不同阶段、不同层级、总工程、子工程数据进行分别整理，可实现数据的深度展示。因此，本发明不仅保证了造价预测的精度，而且实现了数据的深度展示。

2、本发明一种工程造价数据的分析展示方法中对已完成项目数据进行分类整合采用的方法为：先针对已完成项目数据中的地势数据，根据地理位置将其分为山地、高原、平原、丘陵和盆地五种地势数据集，并将这五种地势数据集的范围值进行编码，再按照地势数据的分类标准及各地势数据集的范围值确定各地势数据集中所有数据的标准编码值范围，随后将已完成项目数据中的其它数据分为通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集，并对通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集的值进行编码，该方法依照获取的已完成项目的地理位置进行分类，一方面，该方法不仅能够有效避免地势导致的施工工艺、施工难度和施工进度变动，使得最终分析结果与实际存在较大出入的问题，有效促进了最终的造价预测结果与实际更为贴合、精准可靠，而且便于后续使用过程中调取相关数据，另一方面，该方法通过对数据进行编码的方式有效节省了存储所需空间。因此，本发明不仅进一步提高了预测结果的准确度，而且便于后期调取相关数据，并节省存储空间。

具体实施方式

下面结合具体实施方式对本发明作进一步的说明。

一种工程造价数据的分析展示方法，依次包括以下步骤：

步骤A、先采集各地区已完成项目在不同阶段、不同层级的数据后输入构建的大数据共享平台，大数据共享平台再将上述数据分类整合形成数据集；

步骤B、先将待建设项目总工程和各子工程的数据输入大数据共享平台中，大数据共享平台再根据待建设项目的类型匹配出具有相同类型的已完成项目；

步骤C、将匹配出的已完成项目的数据作为样本训练形成神经网络预测模型；

步骤D、将待建设项目数据输入神经网络预测模型中得到待建设项目的工程造价预测结果；

步骤E、在获取用户的查询请求命令和筛选条件后，调取步骤D的预测结果，从中筛选出符合用户查询要求的结果，归集筛选结果并生成相应图表进行展示。

步骤A中，所述已完成项目在不同阶段、不同层级的数据包括工程造价数据、项目地形比例、气象条件和施工技术方案；

所述分类整合形成数据集的方法为：先针对已完成项目数据中的地势数据，根据地理位置将其分为山地、高原、平原、丘陵和盆地五种地势数据集，并将这五种地势数据集的范围值进行编码，再按照地势数据的分类标准及各地势数据集的范围值确定各地势数据集中所有数据的标准编码值范围，随后将已完成项目数据中的其它数据分为通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集，并对通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集的值进行编码，以完成数据的分类整合。

所述步骤B先将待建设项目数据进行识别编码，然后基于模糊化数学理论将其与各地势数据集、通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集的编码值进行匹配，以确定具有相同类型的已完成项目。

步骤C中，所述神经网络预测模型为：

p(Y′|Y,α^*,σ^*2)＝∫p(Y′|w,σ^*2)p(w|Y,α^*,σ^*2)dw

上式中，p(Y′|Y,α^*,σ^*2)为似然函数，Y′后一时刻的输入样本，Y为当前时刻的输入样本，α^*为决定节点权值w的先验分布的超参数，σ^*2为优化参数。

所述步骤B还包括对待建设项目数据的自动检验，具体为：

先统计匹配出具有相同类型的已完成项目中各数据的最大和最小值，并将其作为该数据的合理范围，再将待建设项目的各数据与其对应的合理范围进行对比，若待建设项目数据在合理范围内，则将其作为有效数据输入神经网络预测模型中进行预测计算，若待建设项目数据不在合理范围内，则对其进行警示。

步骤E中，所述归集筛选结果的过程包括：先对筛选出的数据进行层级分类，再按照工程编码对数据进行归集，最后按照工程结构自动汇总并输出归集后的数据，其中，所述层级包括建设项目、单项工程、分部分项、清单、定额、消耗量和工料机数据。

所述方法还包括：

步骤F、先将不同项目的各子工程实际数据输入大数据共享平台中，随后大数据共享平台将展示结果数据与实际数据进行对比，并分析得出两者存在较大差异的原因，以其作为影响因素，再将确定的影响因素输入神经网络预测模型中进行优化。

本发明所述神经网络预测模型的构建过程如下：

先建立如下神经网络初始模型：

上式中，x、y分别为输入样本归一化前、后的值，x_min、x_max分别为采集的样本最小值和最大值；

采用贝叶斯定理对上述模型进行优化，用变量表示造价预测值具体如下：

y_i＝y(x_i,w)+α_i+σ²

上式中，y(x_i,w)为第i个节点输入样本归一化前数值的权重与输入样本归一化后数值的关系，y_i为第i个节点输入样本归一化后数值，x_i为第i个节点输入样本归一化前数值，w为节点权值，α_i为第i个节点的噪声，σ²为优化参数；

训练样本的似然函数为：

上式中，m为输出节点的数量，y为输入样本归一化后数值，

为随机数值；

将节点权值w的分布定义成正态分布，具体如下：

上式中，α为决定节点权值w的先验分布的超参数，n为输入节点的数量，；

基于贝叶斯定理准则，得到节点权值w的后验分布如下：

由此看出后验分布也符合如下的高斯分布：

p(w|Y,α,σ²)＝N(u,∑)

上式中，u为所有节点的均值；

通过反复迭代可获得：

上式中，

分别为迭代前、后的α_i，∑ii为对i个节点数值的求和，u_i为第i个节点的均值；

最终得到优化后的神经网络预测模型为：

p(Y′|Y,α^*,σ^*2)＝∫p(Y′|w,σ^*2)p(w|Y,α^*,σ^*2)dw

上式中，Y′后一时刻的输入样本，Y为当前时刻的输入样本，α^*为决定节点权值w的先验分布的超参数，σ^*2为优化参数。

实施例1：

一种工程造价数据的分析展示方法，依次按照以下步骤进行：

1、先分别采集各地区已完成项目在不同阶段、不同层级的数据，再将其输入构建的大数据共享平台，其中，所述已完成项目在不同阶段、不同层级的数据包括工程造价数据、项目地形比例、气象条件和施工技术方案；

2、大数据共享平台将已完成项目数据按照如下方法分类整合形成数据集：

先针对已完成项目数据中的地势数据，根据地理位置将其分为山地、高原、平原、丘陵和盆地五种地势数据集，并将这五种地势数据集的范围值进行编码，再按照地势数据的分类标准及各地势数据集的范围值确定各地势数据集中所有数据的标准编码值范围，随后将已完成项目数据中的其它数据分为通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集，并对通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集的值进行编码，以完成数据的分类整合；

3、先采集待建设项目总工程和各子工程的数据后输入大数据共享平台中，再将待建设项目数据进行识别编码，然后基于模糊化数学理论将其与各地势数据集、通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集的编码值进行匹配，以确定具有相同类型的已完成项目，其中，所述模糊化数学理论的匹配步骤为：先对已完成项目的数据进行特征提取，得到具有统计学意义的特征数据，再结合提取的特征数据构建模糊参数矩阵，然后根据待建设项目数据的特征和模糊参数矩阵，匹配得出符合特征的已完成项目数据；

4、先统计匹配出具有相同类型的已完成项目中各数据的最大和最小值，并将其作为该数据的合理范围，再将待建设项目的各数据与其对应的合理范围进行对比，若待建设项目数据在合理范围内，则将其作为有效数据输入神经网络预测模型中进行预测计算，若待建设项目数据不在合理范围内，则对其进行警示；

5、将匹配出的已完成项目的数据作为样本训练形成以下神经网络预测模型：

p(Y′|Y,α^*,σ^*2)＝∫p(Y′|w,σ^*2)p(w|Y,α^*,σ^*2)dw

上式中，p(Y′|Y,α^*,σ^*2)为似然函数，Y′后一时刻的输入样本，Y为当前时刻的输入样本，α^*为决定节点权值w的先验分布的超参数，σ^*2为优化参数；

6、将待建设项目数据输入神经网络预测模型中得到待建设项目的工程造价预测结果；

7、在获取用户的查询请求命令和筛选条件后，调取工程造价预测结果，从中筛选出符合用户查询要求的结果，然后对筛选出的数据进行层级分类，再按照工程编码对数据进行归集，最后按照工程结构自动汇总并输出归集后的数据，并以图表的方式进行展示，其中，所述层级包括建设项目、单项工程、分部分项、清单、定额、消耗量和工料机数据。

实施例2：

与实施例1的不同之处在于：

所述方法还包括：

8、将不同项目的各子工程实际数据输入大数据共享平台中，随后大数据共享平台将展示结果数据与实际数据进行对比，并分析得出两者存在较大差异的原因，以其作为影响因素，再将确定的影响因素输入神经网络预测模型中进行优化。

Claims (7)

1.一种工程造价数据的分析展示方法，其特征在于：

所述方法依次包括以下步骤：

步骤A、先采集各地区已完成项目在不同阶段、不同层级的数据后输入构建的大数据共享平台，大数据共享平台再将上述数据分类整合形成数据集；

步骤B、先将待建设项目总工程和各子工程的数据输入大数据共享平台中，大数据共享平台再根据待建设项目的类型匹配出具有相同类型的已完成项目；

步骤C、将匹配出的已完成项目的数据作为样本训练形成神经网络预测模型；

步骤D、将待建设项目数据输入神经网络预测模型中得到待建设项目的工程造价预测结果；

步骤E、在获取用户的查询请求命令和筛选条件后，调取步骤D的预测结果，从中筛选出符合用户查询要求的结果，归集筛选结果并生成相应图表进行展示。

2.根据权利要求1所述的一种工程造价数据的分析展示方法，其特征在于：

步骤A中，所述已完成项目在不同阶段、不同层级的数据包括工程造价数据、项目地形比例、气象条件和施工技术方案；

所述分类整合形成数据集的方法为：先针对已完成项目数据中的地势数据，根据地理位置将其分为山地、高原、平原、丘陵和盆地五种地势数据集，并将这五种地势数据集的范围值进行编码，再按照地势数据的分类标准及各地势数据集的范围值确定各地势数据集中所有数据的标准编码值范围，随后将已完成项目数据中的其它数据分为通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集，并对通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集的值进行编码，以完成数据的分类整合。

3.根据权利要求2所述的一种工程造价数据的分析展示方法，其特征在于：

所述步骤B先将待建设项目数据进行识别编码，然后基于模糊化数学理论将其与各地势数据集、通用型数据集、设计型数据集、工艺加工数据集和管理信息数据集的编码值进行匹配，以确定具有相同类型的已完成项目。

4.根据权利要求1或2所述的一种工程造价数据的分析展示方法，其特征在于：

步骤C中，所述神经网络预测模型为：

p(Y′|Y,α^*,σ^*2)＝∫p(Y′|w,σ^*2)p(w|Y,α^*,σ^*2)dw

上式中，p(Y′|Y,α^*,σ^*2)为似然函数，Y′后一时刻的输入样本，Y为当前时刻的输入样本，α^*为决定节点权值w的先验分布的超参数，σ^*2为优化参数。

5.根据权利要求1或2所述的一种工程造价数据的分析展示方法，其特征在于：

所述步骤B还包括对待建设项目数据的自动检验，具体为：

先统计匹配出具有相同类型的已完成项目中各数据的最大和最小值，并将其作为该数据的合理范围，再将待建设项目的各数据与其对应的合理范围进行对比，若待建设项目数据在合理范围内，则将其作为有效数据输入神经网络预测模型中进行预测计算，若待建设项目数据不在合理范围内，则对其进行警示。

6.根据权利要求1或2所述的一种工程造价数据的分析展示方法，其特征在于：

步骤E中，所述归集筛选结果的过程包括：先对筛选出的数据进行层级分类，再按照工程编码对数据进行归集，最后按照工程结构自动汇总并输出归集后的数据，其中，所述层级包括建设项目、单项工程、分部分项、清单、定额、消耗量和工料机数据。

7.根据权利要求1或2所述的一种工程造价数据的分析展示方法，其特征在于：

所述方法还包括：

步骤F、先将不同项目的各子工程实际数据输入大数据共享平台中，随后大数据共享平台将展示结果数据与实际数据进行对比，并分析得出两者存在较大差异的原因，以其作为影响因素，再将确定的影响因素输入神经网络预测模型中进行优化。