CN114548494A - 一种可视化造价数据预测智能分析系统 - Google Patents
一种可视化造价数据预测智能分析系统 Download PDFInfo
- Publication number
- CN114548494A CN114548494A CN202210034764.7A CN202210034764A CN114548494A CN 114548494 A CN114548494 A CN 114548494A CN 202210034764 A CN202210034764 A CN 202210034764A CN 114548494 A CN114548494 A CN 114548494A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- intelligent
- value
- unit
- 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
- 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Abstract
一种可视化造价数据预测智能分析系统,包括数据采集系统、数据校验模块、筛选匹配模块、数据智能处理单元、BIM计算单元、神经网络预测单元、分析决策单元与监督管理单元,数据采集系统的输出端分别与数据校验模块、筛选匹配模块的输入端连接,数据校验模块的输出端与数据智能处理单元的输入端连接,数据智能处理单元的输出端分别与BIM计算单元、筛选匹配模块的输入端连接,筛选匹配模块的输出端与神经网络预测单元的输入端连接,BIM计算单元、神经网络预测单元的输出端分别与分析决策单元的输入端连接,分析决策单元的输出端与监督管理单元的输入端连接。本设计不仅提高了造价过程数据分析能力,而且提高了预测精度。
Description
技术领域
本发明涉及工程造价数据处理技术领域,尤其涉及一种可视化造价数据预测智能分析系统,主要适用于提高造价过程数据分析能力。
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,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,工程造价计价预测一般是以模糊数学、灰色系统、神经网络等为理论基础,对实际工程建立相关模型,进行造价计价预测。人工神经网络则是近年兴起的一种模拟生物神经系统结构的人工智能技术,能够从数据样本中自动地学习以前的经验而无需复杂的查询和表述过程,并能自动地逼近那些最佳刻画了样本数据规律的函数,揭示出数据样本中所蕴含的非线性关系。
在基于可视化造价数据预测分析中,预测是一个比较复杂的系统,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,在全面造价管理的要求下造价人员需要进行工程造价全过程要素成本叠加和动态分析,工作人员的工作难度增加,虽通过人工智能方式管理工程造价信息减轻工作难度,但是传统工程造价主要依靠造价人员、造价软件以及本区域价格等信息完成,在计算过程中不能实现动态更新和实时对比,不能准确提供决策依据,无法有效选取影响工程造价的高度关联指标,降低造价过程数据分析能力,因此需一种可视化造价数据预测智能分析系统来解决上述问题。
发明内容
本发明的目的是克服现有技术中存在的造价过程数据分析能力低的缺陷与问题,提供一种造价过程数据分析能力高的可视化造价数据预测智能分析系统。
为实现以上目的,本发明的技术解决方案是:一种可视化造价数据预测智能分析系统,该系统包括数据采集系统、数据校验模块、数据智能处理单元、BIM计算单元、神经网络预测单元与分析决策单元,所述数据智能处理单元包括人工智能数据库模块与智能列项模块;
所述数据采集系统的输出端与数据校验模块的输入端连接,数据校验模块的输出端与人工智能数据库模块的输入端连接,人工智能数据库模块的输出端与智能列项模块的输入端连接,智能列项模块的输出端与BIM计算单元的输入端连接,BIM计算单元的输出端与分析决策单元的输入端连接,所述神经网络预测单元的输入端与数据采集系统的输出端连接,神经网络预测单元的输出端与分析决策单元的输入端连接;
所述数据校验模块,用于对数据采集系统输送的数据的逻辑计算及数据格式的正确性进行校验;
所述人工智能数据库模块,用于采用人工智能并行算法分析处理海量数据,并支持将分布式数据从单机扩展到集群,对导入的数据进行标准化整理,兼容计价文件格式,支持全过程计价文件、合同和图纸文件的导入;
所述智能列项模块,用于利用智能数据接口导入BIM模型,承接项目模型的几何和空间物理属性与计算关系,加载计算规则,构建工程量,同时,通过数字化和图形处理技术进行智能清单列项,提取BIM模型中的构件信息,智能匹配数据库与BIM模型构件清单项,赋以构件项目编码确定、项目名称拟定、计量单位选择、工程量计算和项目特征描述,实现智能化和标准化的清单编制;
所述BIM计算单元,用于将不同阶段的BIM模型与工程计价依据、工程造价大数据集成,进行智能算量组价,组价时在人工智能数据库中找到与工程量清单描述匹配的信息,选择需要组价的单位工程和组价依据,设置组价方式,智能读取数据库信息,匹配市场最优报价;
所述神经网络预测单元,用于建立BP人工神经网络模型,并对工程进行造价预测;
所述分析决策单元,用于对估算、概算、预算、结算以及决算的数据设置边界条件,当数据触发边界条件后,通过可视化图形显示决策建议。
所述数据采集系统包括要素价格收集模块、工程信息收集模块和行业动态收集模块,数据采集系统通过自适应采集机器设备对项目建设全过程产生的原始资料数据进行收集和汇总,然后进行自动解析,完成造价估算数据的采集和整合。
所述系统还包括筛选匹配模块,所述筛选匹配模块的输入端分别与数据采集系统、智能列项模块连接,筛选匹配模块的输出端与神经网络预测单元的输入端连接;
所述筛选匹配模块具体用于执行如下步骤:
S1、收集各施工工序对应的工序数据,抽取各项造价基础数据样本,对收集的样本数据进行描述统计,包括统计样本数据的均值和标准差范围;
S2、抽取某一样本数据作为异常数据,计算除去抽取的异常数据所有样本数据的均值以及标准差,所述均值、标准差的计算方式如下:
上式中,Yi为第i个样本数据,i=10为第10个样本数据为可疑数据,m为均值,L为标准差,k为样本数据的数量;
S3、判定可疑数据是否超过置信区间的上限,若是,则将其作为异常数据筛选出来;
S4、将其他样本数据重复S1~S3的步骤,对所有样本数据进行筛选,通过数据值对工序施工影响因素进行匹配判定。
所述人工智能数据库模块,用于通过云+物联网+智能终端信息技术对数据进行积累与维护,基于云端数据进行数据复用、批注、共享,并支持web端和移动端多入口接入。
所述智能列项模块具体用于执行如下步骤:
S1、通过对造价信息数据进行提取,包括各施工工序对应的工序数据,编码为Gi,确定加工特征与施工工序之间的对应关系:
上式中,GU为工序数据优化值,Gnn为限制性工序列项矩阵,Gn为工序的总数量,i为标准样本工序数;
S2、初始化基本参数,设定循环次数与序列项样本容量重复带入,得出结果进行清单编制。
所述BIM计算单元具体用于执行如下步骤:
S1、根据智能列项模块获取的各施工工序的列项清单数据,取各项工序参数加权平均值,得到可行工序列项清单的权重系数Ai,并且确定各工序列项清单对应的总权重Al总,计算公式如下:
S2、获取当前工序数据优化值Gu-1与相邻工序数据优化值Gu-2之间的数据差,得到当前工序列项权重Bu0;
S3、获取当前工序数据优化值Gu-1与最前序列工序数据优化值Gu-0之间的数据差,得到当前工序列项权重在最前序列工序位置的距离权重Bup;
S4、确定各工序数据优化值权重Al总值和组价指标权重PO值,根据组价指标权重PO值,匹配市场最优报价信息;
PO=Buo+Bup+Al总。
所述分析决策单元包括技术经济分析模块,技术经济分析模块具体用于执行如下步骤:
先根据组价指标权重PO值匹配市场最优报价信息后,确定资金流动总量,再建立当前报价指标体系(KM1、KM2、…、KMn)、历史报价指标体系(KL1、KL2、…、KLn),然后计算当前节点经济水平关联值KL总与历史节点经济水平关联值KL总-1:
所述分析决策单元还包括智能决策模块,智能决策模块用于执行如下步骤:
先通过当前节点经济水平关联值KL总与历史节点经济水平关联值KL总-1得到差值Δt,以差值Δt来生成项目各项经济控制指标,分别以(JY1、JY2、…、JYn)表示,再根据工程造价指标库生成不同预选方案,然后将追加投资回收期T与项目各项经济控制指标进行匹配,确定最终优化方案;
追加投资回收期T为:
上式中,I1、I2为不同方案的投资额,C1、C2为不同方案的年生产成本,ΔI为追加的投资额,ΔC为节约的年生产成本额。
所述BP人工神经网络模型采用模糊数学的方法优选训练样本和检验样本,同时,采用以下两种处理方式对样本数据进行处理:
(1)线性变换公式为:
上式中,Xmax为输入向量的最大值,Xmin为输入向量的最小值;
(2)正态变换公式为:
所述系统还包括监督管理单元,所述监督管理单元的输入端与分析决策单元的输出端连接,监督管理单元包括造价数据监督管理模块、造价咨询企业诚信模块和造价从业人员诚信模块,监督管理单元用于对造价数据本身、数据工作流程以及项目实施程序进行监督和管理,建立造价行业诚信数据库及违法违规企业和人员黑名单数据库。
与现有技术相比,本发明的有益效果为:
1、本发明一种可视化造价数据预测智能分析系统中,通过分析决策单元对数据库中存储的完整造价要素信息进行模型化和指标化处理,对估算、概算、预算、结算以及决算过程进行技术经济指标分析、优选和决策,通过大数据和智能算法的应用提升工程造价管理的智能化,且建立了不同时间节点上技术经济水平的数据关联,从而实现全过程、实时、动态对比分析和预警,反映工程造价的真实状态,相较于传统方式,本发明可实现动态更新和实时对比,准确提供决策依据,有效选取影响工程造价的高度关联指标,提高造价过程数据分析能力。
2、本发明一种可视化造价数据预测智能分析系统中,通过神经网络预测单元的应用建立BP人工神经网络模型,用于对造价估算的准确度控制,BP人工神经网络模型需要相关工作人员进行信息参数的输入,之后对各部分神经进行综合计算,从而得到最为准确和最优化的结果,可得到训练误差值、样本误差值、误差率及预测值与实际值,通过运用BP神经网络实现工程造价和主要影响因素之间的复杂非线性映射,进而用已建的模型对工程进行造价预测;同时,通过比对实际值和预测值,验证所建模型的预测精度,具有良好的预测精度,为决策提供了可靠的依据,具有很强的理论价值和现实意义。
附图说明
图1是本发明的结构示意图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1,一种可视化造价数据预测智能分析系统,该系统包括数据采集系统、数据校验模块、数据智能处理单元、BIM计算单元、筛选匹配模块、神经网络预测单元、分析决策单元与监督管理单元,所述数据智能处理单元包括人工智能数据库模块与智能列项模块;所述数据采集系统的输出端与数据校验模块的输入端连接,数据校验模块的输出端与人工智能数据库模块的输入端连接,人工智能数据库模块的输出端与智能列项模块的输入端连接,智能列项模块的输出端与BIM计算单元的输入端连接,BIM计算单元的输出端与分析决策单元的输入端连接,所述神经网络预测单元的输入端与数据采集系统的输出端连接,神经网络预测单元的输出端与分析决策单元的输入端连接,所述筛选匹配模块的输入端分别与数据采集系统、智能列项模块连接,筛选匹配模块的输出端与神经网络预测单元的输入端连接,所述监督管理单元的输入端与分析决策单元的输出端连接。
所述数据采集系统包括要素价格收集模块、工程信息收集模块和行业动态收集模块,数据采集系统通过自适应采集机器设备对项目建设全过程产生的原始资料数据进行收集和汇总,然后进行自动解析,完成造价估算数据的采集和整合。
所述数据校验模块,用于对数据采集系统输送的数据的逻辑计算及数据格式的正确性进行校验。
所述人工智能数据库模块,用于采用人工智能并行算法分析处理海量数据,并支持将分布式数据从单机扩展到集群,对导入的数据进行标准化整理,兼容计价文件格式,支持全过程计价文件、合同和图纸文件的导入;还用于通过云+物联网+智能终端信息技术对数据进行积累与维护,基于云端数据进行数据复用、批注、共享,并支持web端和移动端多入口接入。
所述智能列项模块,用于利用智能数据接口导入BIM模型,承接项目模型的几何和空间物理属性与计算关系,加载计算规则,构建工程量,同时,通过数字化和图形处理技术进行智能清单列项,提取BIM模型中的构件信息,智能匹配数据库与BIM模型构件清单项,赋以构件项目编码确定、项目名称拟定、计量单位选择、工程量计算和项目特征描述,实现智能化和标准化的清单编制;
所述智能列项模块具体用于执行如下步骤:
S1、通过对造价信息数据进行提取,包括各施工工序对应的工序数据,编码为Gi,确定加工特征与施工工序之间的对应关系:
上式中,GU为工序数据优化值,Gnn为限制性工序列项矩阵,Gn为工序的总数量,i为标准样本工序数;
S2、初始化基本参数,设定循环次数与序列项样本容量重复带入,得出结果进行清单编制。
筛选匹配模块用于输入所需造价管理的工程项目的工程基本参数信息,并提取工程基本参数信息中的施工工序以及各施工工序对应的工序基本信息和工序施工影响因素,并将输入的工程项目的工程基本参数信息发送至神经网络预测单元;筛选匹配模块对数据进行筛选,通过标准值设定模块在造价的每个分类中设置标准值和误差范围,并使每个数据与该标准值进行比较,比较结果与该标准值相差的范围较大的数据,通过筛除模块将其数据进行筛除,挑选出有效造价数据,使该数据能够清楚反应出项目造价的变化情况,并且能够有效的减少数据处理人员的工作量;
所述筛选匹配模块具体用于执行如下步骤:
S1、收集各施工工序对应的工序数据,抽取各项造价基础数据样本,对收集的样本数据进行描述统计,包括统计样本数据的均值和标准差范围;
S2、抽取某一样本数据作为异常数据,计算除去抽取的异常数据所有样本数据的均值以及标准差,所述均值、标准差的计算方式如下:
上式中,Yi为第i个样本数据,i=10为第10个样本数据为可疑数据,m为均值,L为标准差,k为样本数据的数量;
S3、判定可疑数据是否超过置信区间的上限,若是,则将其作为异常数据筛选出来;
S4、将其他样本数据重复S1~S3的步骤,对所有样本数据进行筛选,通过数据值对工序施工影响因素进行匹配判定。
所述BIM计算单元,用于将不同阶段的BIM模型与工程计价依据、工程造价大数据集成,进行智能算量组价,组价时在人工智能数据库中找到与工程量清单描述匹配的信息,选择需要组价的单位工程和组价依据,设置组价方式,智能读取数据库信息,匹配市场最优报价;
所述BIM计算单元具体用于执行如下步骤:
S1、根据智能列项模块获取的各施工工序的列项清单数据,取各项工序参数加权平均值,得到可行工序列项清单的权重系数Ai,并且确定各工序列项清单对应的总权重Al总,计算公式如下:
S2、获取当前工序数据优化值Gu-1与相邻工序数据优化值Gu-2之间的数据差,得到当前工序列项权重Bu0;
S3、获取当前工序数据优化值Gu-1与最前序列工序数据优化值Gu-0之间的数据差,得到当前工序列项权重在最前序列工序位置的距离权重Bup;
S4、确定各工序数据优化值权重Al总值和组价指标权重PO值,根据组价指标权重PO值,匹配市场最优报价信息;
PO=Buo+Bup+Al总。
所述神经网络预测单元,用于建立BP人工神经网络模型,并对工程进行造价预测;BP人工神经网络模型可分为输入层设计、输出层设计和隐层设计;所述输入层设计中可确定工程各子模型的输入向量,所述输出层设计中可确定子模型输出向量,所述隐层设计可通过对隐含层节点数目的测试,得到不同节点数据;
所述BP人工神经网络模型采用模糊数学的方法优选训练样本和检验样本,同时,由于样本各分量数量级有很大差异,且神经网络算法要求输入输出数据在[0,1]区间内,采用以下两种处理方式对样本数据进行处理:
(1)线性变换公式为:
上式中,Xmax为输入向量的最大值,Xmin为输入向量的最小值;
(2)正态变换公式为:
根据样本模糊优选规则,按照贴近度从大到小排序,选出贴近度最大的10组数据作为训练样本,用于下一步的训练,优选出的10组训练样本,可把差距较大的数据删除,优选样本与待估工程更为贴近,提高模型预测精度,按照经验公式确定隐含层数目,在经过数据预处理后的优选样本中,选取前7个作为训练样本,后3个作为检测样本,把训练样本输入到训练网络的程序中,经过多次训练,确定最佳的隐含层数目,经过对隐层节点数目的测试,发现隐含层神经元个数为A的神经网络误差最小,逼近效果最好,隐含层的B神经元的神经网络误差非常接近隐含层为C的神经网络,根据在误差相近时选择神经元数目较少的原则,确定隐含层最优节点数目为Y;
在网络训练结束后,须用另外一组检测样本对其进行测试,利用仿真函数来获得网络的输出,然后检查输出和实际测量值之间的误差是否满足要求,由检验样本误差率可得,输出各项指标误差基本可控制在30%以内,该误差可满足项目投资机会研究阶段和初步可行性研究阶段的误差要求,用已经训练好的神经网络对待估价工程进行造价计价预测;
BP人工神经网络模型需要相关工作人员进行信息参数的输入,之后对各部分神经进行综合计算,从而得到最为准确和最优化的结果,可得到训练误差值、样本误差值、误差率及预测值与实际值,通过运用BP神经网络实现工程造价和主要影响因素之间的复杂非线性映射,进而用已建的模型对工程进行造价预测,其次通过比对实际值和预测值,验证所建模型的预测精度。
所述分析决策单元,用于对估算、概算、预算、结算以及决算的数据设置边界条件,当数据触发边界条件后,通过可视化图形显示决策建议;
所述分析决策单元包括技术经济分析模块,所述技术经济分析模块用于以平台数据库为基础,以资金运动为主线,以概算为总目标,建立了不同时间节点上技术经济水平的数据关联,从而实现全过程、实时、动态对比分析和预警,反映工程造价的真实状态,实现工程造价由事后分析向事中或事前控制、由被动三超(结算超预算、预算超概算、概算超估算)到主动管控的转变,解决工程造价过程控制的及时性、准确性和有效性问题;技术经济分析模块具体用于执行如下步骤:
先根据组价指标权重PO值匹配市场最优报价信息后,确定资金流动总量,再建立当前报价指标体系(KM1、KM2、…、KMn)、历史报价指标体系(KL1、KL2、…、KLn),然后计算当前节点经济水平关联值KL总与历史节点经济水平关联值KL总-1:
所述分析决策单元还包括智能决策模块,智能决策模块用于执行如下步骤:
先通过当前节点经济水平关联值KL总与历史节点经济水平关联值KL总-1得到差值Δt,以差值Δt来生成项目各项经济控制指标,分别以(JY1、JY2、…、JYn)表示,再根据工程造价指标库生成不同预选方案,然后将追加投资回收期T与项目各项经济控制指标进行匹配,确定最终优化方案;
追加投资回收期T为:
上式中,I1、I2为不同方案的投资额,C1、C2为不同方案的年生产成本,ΔI为追加的投资额,ΔC为节约的年生产成本额。
所述监督管理单元包括造价数据监督管理模块、造价咨询企业诚信模块和造价从业人员诚信模块,监督管理单元用于对造价数据本身、数据工作流程以及项目实施程序进行监督和管理,建立造价行业诚信数据库及违法违规企业和人员黑名单数据库。
Claims (10)
1.一种可视化造价数据预测智能分析系统,其特征在于,该系统包括数据采集系统、数据校验模块、数据智能处理单元、BIM计算单元、神经网络预测单元与分析决策单元,所述数据智能处理单元包括人工智能数据库模块与智能列项模块;
所述数据采集系统的输出端与数据校验模块的输入端连接,数据校验模块的输出端与人工智能数据库模块的输入端连接,人工智能数据库模块的输出端与智能列项模块的输入端连接,智能列项模块的输出端与BIM计算单元的输入端连接,BIM计算单元的输出端与分析决策单元的输入端连接,所述神经网络预测单元的输入端与数据采集系统的输出端连接,神经网络预测单元的输出端与分析决策单元的输入端连接;
所述数据校验模块,用于对数据采集系统输送的数据的逻辑计算及数据格式的正确性进行校验;
所述人工智能数据库模块,用于采用人工智能并行算法分析处理海量数据,并支持将分布式数据从单机扩展到集群,对导入的数据进行标准化整理,兼容计价文件格式,支持全过程计价文件、合同和图纸文件的导入;
所述智能列项模块,用于利用智能数据接口导入BIM模型,承接项目模型的几何和空间物理属性与计算关系,加载计算规则,构建工程量,同时,通过数字化和图形处理技术进行智能清单列项,提取BIM模型中的构件信息,智能匹配数据库与BIM模型构件清单项,赋以构件项目编码确定、项目名称拟定、计量单位选择、工程量计算和项目特征描述,实现智能化和标准化的清单编制;
所述BIM计算单元,用于将不同阶段的BIM模型与工程计价依据、工程造价大数据集成,进行智能算量组价,组价时在人工智能数据库中找到与工程量清单描述匹配的信息,选择需要组价的单位工程和组价依据,设置组价方式,智能读取数据库信息,匹配市场最优报价;
所述神经网络预测单元,用于建立BP人工神经网络模型,并对工程进行造价预测;
所述分析决策单元,用于对估算、概算、预算、结算以及决算的数据设置边界条件,当数据触发边界条件后,通过可视化图形显示决策建议。
2.根据权利要求1所述的一种可视化造价数据预测智能分析系统,其特征在于:所述数据采集系统包括要素价格收集模块、工程信息收集模块和行业动态收集模块,数据采集系统通过自适应采集机器设备对项目建设全过程产生的原始资料数据进行收集和汇总,然后进行自动解析,完成造价估算数据的采集和整合。
3.根据权利要求1所述的一种可视化造价数据预测智能分析系统,其特征在于:所述系统还包括筛选匹配模块,所述筛选匹配模块的输入端分别与数据采集系统、智能列项模块连接,筛选匹配模块的输出端与神经网络预测单元的输入端连接;
所述筛选匹配模块具体用于执行如下步骤:
S1、收集各施工工序对应的工序数据,抽取各项造价基础数据样本,对收集的样本数据进行描述统计,包括统计样本数据的均值和标准差范围;
S2、抽取某一样本数据作为异常数据,计算除去抽取的异常数据所有样本数据的均值以及标准差,所述均值、标准差的计算方式如下:
上式中,Yi为第i个样本数据,i=10为第10个样本数据为可疑数据,m为均值,L为标准差,k为样本数据的数量;
S3、判定可疑数据是否超过置信区间的上限,若是,则将其作为异常数据筛选出来;
S4、将其他样本数据重复S1~S3的步骤,对所有样本数据进行筛选,通过数据值对工序施工影响因素进行匹配判定。
4.根据权利要求1所述的一种可视化造价数据预测智能分析系统,其特征在于:所述人工智能数据库模块,用于通过云+物联网+智能终端信息技术对数据进行积累与维护,基于云端数据进行数据复用、批注、共享,并支持web端和移动端多入口接入。
6.根据权利要求5所述的一种可视化造价数据预测智能分析系统,其特征在于:所述BIM计算单元具体用于执行如下步骤:
S1、根据智能列项模块获取的各施工工序的列项清单数据,取各项工序参数加权平均值,得到可行工序列项清单的权重系数Ai,并且确定各工序列项清单对应的总权重Al总,计算公式如下:
S2、获取当前工序数据优化值Gu-1与相邻工序数据优化值Gu-2之间的数据差,得到当前工序列项权重Bu0;
S3、获取当前工序数据优化值Gu-1与最前序列工序数据优化值Gu-0之间的数据差,得到当前工序列项权重在最前序列工序位置的距离权重Bup;
S4、确定各工序数据优化值权重Al总值和组价指标权重PO值,根据组价指标权重PO值,匹配市场最优报价信息;
PO=Buo+Bup+Al总。
10.根据权利要求1所述的一种可视化造价数据预测智能分析系统,其特征在于:所述系统还包括监督管理单元,所述监督管理单元的输入端与分析决策单元的输出端连接,监督管理单元包括造价数据监督管理模块、造价咨询企业诚信模块和造价从业人员诚信模块,监督管理单元用于对造价数据本身、数据工作流程以及项目实施程序进行监督和管理,建立造价行业诚信数据库及违法违规企业和人员黑名单数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034764.7A CN114548494A (zh) | 2022-01-13 | 2022-01-13 | 一种可视化造价数据预测智能分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034764.7A CN114548494A (zh) | 2022-01-13 | 2022-01-13 | 一种可视化造价数据预测智能分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548494A true CN114548494A (zh) | 2022-05-27 |
Family
ID=81671149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210034764.7A Pending CN114548494A (zh) | 2022-01-13 | 2022-01-13 | 一种可视化造价数据预测智能分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548494A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115379308A (zh) * | 2022-07-19 | 2022-11-22 | 环球数科集团有限公司 | 一种基于卫星远程通信的物联网设备数据采集系统 |
CN117670256A (zh) * | 2024-01-28 | 2024-03-08 | 江苏建科工程咨询有限公司 | 基于bim技术的工程造价精准控制系统及方法 |
CN117670256B (zh) * | 2024-01-28 | 2024-04-26 | 江苏建科工程咨询有限公司 | 基于bim技术的工程造价精准控制系统及方法 |
-
2022
- 2022-01-13 CN CN202210034764.7A patent/CN114548494A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115379308A (zh) * | 2022-07-19 | 2022-11-22 | 环球数科集团有限公司 | 一种基于卫星远程通信的物联网设备数据采集系统 |
CN115379308B (zh) * | 2022-07-19 | 2023-01-13 | 环球数科集团有限公司 | 一种基于卫星远程通信的物联网设备数据采集系统 |
CN117670256A (zh) * | 2024-01-28 | 2024-03-08 | 江苏建科工程咨询有限公司 | 基于bim技术的工程造价精准控制系统及方法 |
CN117670256B (zh) * | 2024-01-28 | 2024-04-26 | 江苏建科工程咨询有限公司 | 基于bim技术的工程造价精准控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523316A (zh) | 商业服务模型的自动化建模方法 | |
CN112508053A (zh) | 基于集成学习框架的智能诊断方法、装置、设备及介质 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
US20220327398A1 (en) | Technology maturity judgment method and system based on science and technology data | |
CN117290462B (zh) | 一种数据大模型的智能决策系统及方法 | |
CN108491991A (zh) | 基于工业大数据产品工期的约束条件分析系统与方法 | |
CN114119110A (zh) | 一种工程造价清单归集系统及其方法 | |
CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及系统 | |
CN112184412A (zh) | 一种信用评分卡模型的建模方法、装置、介质及电子设备 | |
CN112241606A (zh) | 基于cps决策模块的船舶智能设备运维的协同决策方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN116187932A (zh) | 一种信息系统工程监理项目风险自适应评估方法 | |
Elwakil | Knowledge discovery based simulation system in construction | |
CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
CN112700065B (zh) | 基于深度学习的业务流程完成时间区间预测方法和系统 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
CN113205274A (zh) | 一种施工质量定量化排名方法 | |
CN112036727A (zh) | 一种燃气管线风险程度定位方法 | |
CN107798124A (zh) | 基于预测建模技术的搜索系统及方法 | |
Xiaomei et al. | A software intelligence level evaluation method based on analytic hierarchy process and principal component analysis | |
CN117787569B (zh) | 一种智能辅助评标方法及系统 | |
CN116342300B (zh) | 一种保险理赔人员特征分析方法、装置和设备 |
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 |