CN115170052A - 一种基于人工智能的工程管理方法及系统 - Google Patents
一种基于人工智能的工程管理方法及系统 Download PDFInfo
- Publication number
- CN115170052A CN115170052A CN202210552927.0A CN202210552927A CN115170052A CN 115170052 A CN115170052 A CN 115170052A CN 202210552927 A CN202210552927 A CN 202210552927A CN 115170052 A CN115170052 A CN 115170052A
- Authority
- CN
- China
- Prior art keywords
- data
- progress
- engineering
- project
- recognition 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
- 238000007726 management method Methods 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000004080 punching Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 41
- 239000000463 material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 102100034761 Cilia- and flagella-associated protein 418 Human genes 0.000 description 1
- 101100439214 Homo sapiens CFAP418 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
本发明提供了一种基于人工智能的工程管理方法及系统；其中，所述方法包括：获取工人的打卡数据，对所述打卡数据进行预处理以获得工人特征矩阵；将所述工人特征矩阵输入工程进度识别模型，所述工程进度识别模型基于人工智能算法构建；根据所述工程进度识别模型的输出结果确定工程进度。本发明的方案无需工程管理人员现场寻访来确定工程进度，极大地提高了工程进度管理的效率。
Description
技术领域
本发明涉及工程管理和人工智能技术领域，具体而言，涉及一种基于人工智能的工程管理方法、系统、电子设备及计算机存储介质。
背景技术
进度管理是工程管理的重要内容，对工程进度及时准确的掌握有利于工程管理人员做出更有利于工程顺利开展的决策。然而，实际情况中，管理人员一般是通过工程进度表、与具体施工负责人员的沟通来确定工程的进度，然而，工程的进度是涉及多因素的、逐步变化的，上述方式很难准确判定工程进度，而且也难以做到十分及时，导致无法满足实际的工程管理需要。
发明内容
为了至少解决上述背景技术中存在的技术问题，本发明提供了一种基于人工智能的工程管理方法、系统、电子设备及计算机存储介质。
本发明的第一方面提供了一种基于人工智能的工程管理方法，包括如下步骤：
获取工人的打卡数据，对所述打卡数据进行预处理以获得工人特征矩阵；
将所述工人特征矩阵输入工程进度识别模型，所述工程进度识别模型基于人工智能算法构建；
根据所述工程进度识别模型的输出结果确定工程进度。
进一步地，所述对所述打卡数据进行预处理以获得工人特征矩阵，包括：
根据打卡时间对所述打卡数据进行排序处理，按照第一时间间隔对排序处理后的打卡数据进行离散化处理，以得到第一打卡数据集合；
对所述第一打卡数据集合中的各子数据集合进行稳定性分析，在所述子数据集合的所述稳定性分析结果满足第一预设条件时，按照第二时间间隔对所述子数据集合进行离散化处理；
得到第二打卡数据集合，根据所述第二打卡数据集合获得工人特征矩阵；
其中，所述第一时间间隔大于所述第二时间间隔。
进一步地，所述方法还包括对所述工程进度识别模型的预训练步骤：
获取工人的历史打卡数据，根据经过人工分解标注的工程进度数据对所述历史打卡数据进行离散化，以得到第三打卡数据集合；
对所述第三打卡数据集合进行重组处理，以获得训练集；其中，所述训练集中包括若干数据对，各所述数据对包括进度核心特征数据、进度衔接特征数据，且每个所述数据对中的所述进度核心特征数据和所述进度衔接特征数据在时间邻接；以及，各所述数据对与所述工程进度数据关联；
将所述训练集中的各所述数据对输入所述工程进度识别模型以对其进行训练，直至满足训练监控指标为止。
进一步地，所述将所述训练集中的各数据对输入所述工程进度识别模型以对其进行训练，直至满足训练监控指标为止，包括：
将所述训练集中的各所述数据对输入所述工程进度识别模型，所述工程进度识别模型输出工程进度识别数据，计算所述工程进度识别数据与经过人工分解标注的所述工程进度数据的等效偏差值，
di＝α[∑(xij-zij)2]+β[∑(yij-zij)2]
式中，di为将第i个数据对输入工程进度识别模型后输出的所述工程进度识别数据与对应的所述工程进度数据的等效偏差值；xij和yij为第i个数据对中的单一子数据的第j个数据值；zij为与所述所述工程进度识别数据对应的所述工程进度数据中的第j个数据值；α、β为权重系数；
若di小于或等于第一阈值且输入所述工程进度识别模型的所述数据对的数量/比例满足第二预定条件时，则进行累计计值，在所述累计计值符合第三预定条件时，判定满足训练监控指标，停止训练。
进一步地，所述权重系数α、β通过如下方式确定：
若所述数据对为[进度核心特征数据,进度衔接特征数据]，则设置α<β，且α+β＝1；
若所述数据对为[进度衔接特征数据,进度核心特征数据]，则设置α>β，且α+β＝1；
若所述数据对为[进度核心特征数据,进度核心特征数据]，则设置α＝β，且α+β＝1；
若所述数据对为[进度衔接特征数据,进度衔接特征数据]，则设置α＝β，且α+β>1。
进一步地，所述根据所述工程进度识别模型的输出结果确定工程进度，包括：
根据所述输出结果确定工程进度属性，将所述工程进度属性与预设工程进度数据进行比对，判断是否存在工程逆行；
若否，则根据所述工程进度属性确定所述工程进度。
进一步地，在判断存在工程逆行时，获取工程材料进场记录数据；
根据所述工程进度属性确定目标工程材料，确定所述工程材料进场记录数据中的所述目标工程材料满足第四预设条件的最新的记录时刻；
计算所述记录时刻与当前的时间间隔，若所述时间间隔小于或等于第二阈值，则确定所述工程进度为最新的上一工程进度；否则，确定根据所述工程进度属性确定所述工程进度。
本发明的第二方面提供了一种基于人工智能的工程管理系统，包括获取模块、处理模块、存储模块；所述处理模块与所述获取模块、所述存储模块连接；
所述存储模块，用于存储可执行的计算机程序代码；
所述获取模块，用于获取工人的打卡数据并传输给所述处理模块；
所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如前任一项所述的方法。
本发明的第三方面提供了一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前任一项所述的方法。
本发明的第四方面提供了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。
本发明的方案，获取工人的打卡数据，对所述打卡数据进行预处理以获得工人特征矩阵；将所述工人特征矩阵输入工程进度识别模型，所述工程进度识别模型基于人工智能算法构建；根据所述工程进度识别模型的输出结果确定工程进度。本发明基于工人的打卡数据来间接分析当前的施工进度，具体是将打卡数据输入到采用人工智能算法搭建的工程进度识别模型中，工程进度识别模型可以输出对应的识别结果，进而可以准确的确定出当前的工程进度。显然，本发明的方案无需工程管理人员现场寻访来确定工程进度，极大地提高了工程进度管理的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例公开的一种基于人工智能的工程管理方法的流程示意图；
图2是本发明实施例公开的一种基于人工智能的工程管理系统的结构示意图；
图3是本发明实施例公开一种电子设备的结构示意图。
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，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本申请实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本申请实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
下面结合附图详细说明本发明的优选实施例。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于人工智能的工程管理方法的流程示意图。如图1所示，本发明实施例的一种基于人工智能的工程管理方法，包括如下步骤：
获取工人的打卡数据，对所述打卡数据进行预处理以获得工人特征矩阵；
将所述工人特征矩阵输入工程进度识别模型，所述工程进度识别模型基于人工智能算法构建；
根据所述工程进度识别模型的输出结果确定工程进度。
在本发明实施例中，参照背景所记载的内容，现有技术中工程管理人员一般是通过比对工程进度表、与具体施工负责人员的沟通等传统方式来确定工程的进度，这种传统方式显然无法满足现代施工管理的及时性、高效性、准确性的要求。针对于此，本发明基于工人的打卡数据来间接分析当前的施工进度，具体是将打卡数据输入到采用人工智能算法搭建的工程进度识别模型中，工程进度识别模型可以输出对应的识别结果，进而可以准确的确定出当前的工程进度。显然，本发明的方案无需工程管理人员现场寻访来确定工程进度，极大地提高了工程进度管理的效率。
本发明中所涉及的打卡数据一般是指工人在进入施工区域时在入口的刷卡考勤数据，其中的刷卡考勤可以为采用进程通信技术(例如RFID、NFC等)、定位技术(例如比对GPS系统/北斗系统/伽利略系统/格洛纳斯系统等的定位数据与预设的施工区域电子围栏实现)、指纹/虹膜/人脸识别技术等的相关装置实现，具体不再赘述。于是，与施工工程配置的管理服务器就可以获取到这些数据，进而可以通过工程进度识别模型来分析、识别当前的工程进度，再将其输出给工程管理人员，以辅助工程调度、监管等方面的决策制定与实施。
另外，本发明中涉及的人工智能算法可以为神经网络算法、深度学习算法、决策树算法或聚类算法中的任意算法。由于神经网络算法、深度学习算法、决策树算法或聚类算法本身是本领域技术人员所习知的，在此不做赘述。
进一步地，所述对所述打卡数据进行预处理以获得工人特征矩阵，包括：
根据打卡时间对所述打卡数据进行排序处理，按照第一时间间隔对排序处理后的打卡数据进行离散化处理，以得到第一打卡数据集合；
对所述第一打卡数据集合中的各子数据集合进行稳定性分析，在所述子数据集合的所述稳定性分析结果满足第一预设条件时，按照第二时间间隔对所述子数据集合进行离散化处理；
得到第二打卡数据集合，根据所述第二打卡数据集合获得工人特征矩阵；
其中，所述第一时间间隔大于所述第二时间间隔。
在本发明实施例中，工人的打卡数据都对应关联着打卡时间，据此可以将打卡数据按照时间进行排序，然后再对其进行分割以实现打卡数据的离散化，其中用于离散化的第一时间间隔可以为天、月、周等，具体可以由工程管理人员根据工程属性自由确定，在此不再赘述。同时，本发明还对工程进度的阶段间衔接区域进行针对性处理，具体来说，通过对对应的子数据集合进行稳定性分析识别出该子数据集合为前述的衔接区域时，可以进一步对其进行进一步的、更细的离散化，从而可以提升工程进度识别的准确性。举例来说，工程进度一的主要参与工种为土石运输工，工程进度二的主要参与工种为混凝土浇筑工，在某个时段内土石运输和混凝土浇筑为同步进行的，于是在工程进度一和工程进度二的衔接区域就会同时存在土石运输工和混凝土浇筑工，此时对应的子数据集合就表现为稳定性降低，据此可以识别为衔接区域，然后再将其进一步细分。
进一步地，所述方法还包括对所述工程进度识别模型的预训练步骤：
获取工人的历史打卡数据，根据经过人工分解标注的工程进度数据对所述历史打卡数据进行离散化，以得到第三打卡数据集合；
对所述第三打卡数据集合进行重组处理，以获得训练集；其中，所述训练集中包括若干数据对，各所述数据对包括进度核心特征数据、进度衔接特征数据，且每个所述数据对中的所述进度核心特征数据和所述进度衔接特征数据在时间邻接；以及，各所述数据对与所述工程进度数据关联；
将所述训练集中的各所述数据对输入所述工程进度识别模型以对其进行训练，直至满足训练监控指标为止。
在本发明实施例中，工程进度识别模型是需要进行预先训练的，本发明采用工人的历史打卡数据来构建训练集，具体来说，先采用人工标注的方式获得工程进度数据，据此可以将工人的历史打卡数据进行离散化处理，得出第三打卡数据集合。同时，还分别识别第三打卡数据集合中的邻接的各数据的特性，从而提取出进度核心特征数据、进度衔接特征数据，并且将进度核心特征数据、进度衔接特征数据组件数据对，其中，每个数据对中可能仅包括进度核心特征数据或进度衔接特征数据，也可能二者均包括。最后，再将各所述数据对与所述工程进度数据进行关联之后即可获得完整的训练集，将其逐步输入工程进度识别模型即可完成训练。
需要进行说明的是，本发明中用于组件训练集的历史打卡数据可以是针对与本次工程属性相同或相近的其它工程中获得，从而可以保障训练结果的可用性。
进一步地，所述将所述训练集中的各数据对输入所述工程进度识别模型以对其进行训练，直至满足训练监控指标为止，包括：
将所述训练集中的各所述数据对输入所述工程进度识别模型，所述工程进度识别模型输出工程进度识别数据，计算所述工程进度识别数据与经过人工分解标注的所述工程进度数据的等效偏差值，
di＝α[∑(xij-zij)2]+β[∑(yij-zij)2]
式中，di为将第i个数据对输入工程进度识别模型后输出的所述工程进度识别数据与对应的所述工程进度数据的等效偏差值；xij和yij为第i个数据对中的单一子数据的第j个数据值；zij为与所述所述工程进度识别数据对应的所述工程进度数据中的第j个数据值；α、β为权重系数；
若di小于或等于第一阈值且输入所述工程进度识别模型的所述数据对的数量/比例满足第二预定条件时，则进行累计计值，在所述累计计值符合第三预定条件时，判定满足训练监控指标，停止训练。
在本发明实施例中，本发明以数据对的形式对工程进度识别模型进行训练，相比于传统训练方式采用单一数据进行训练的方式，本发明的该训练方式还考虑了相邻数据间的关联关系，更能够体现工程进度的逐步变化特性，使得训练出的工程进度识别模型具有更为准确的识别能力。
需要进行说明的是，第一阈值、第二预定条件可以基于实验测定值或经验值来确定，本发明对此不作限定。以及，对于第三预定条件，则可以为同样基于稳定性分析来确定，例如，累计计值达到最低限值且跳空(即因不满足前述条件而未进行累计计值的情况)率低于限定值。
进一步地，所述权重系数α、β通过如下方式确定：
若所述数据对为[进度核心特征数据,进度衔接特征数据]，则设置α<β，且α+β＝1；
若所述数据对为[进度衔接特征数据,进度核心特征数据]，则设置α>β，且α+β＝1；
若所述数据对为[进度核心特征数据,进度核心特征数据]，则设置α＝β，且α+β＝1；
若所述数据对为[进度衔接特征数据,进度衔接特征数据]，则设置α＝β，且α+β>1。
在本发明实施例中，本发明针对数据对所包含的子数据的属性的不同而对权重系数α、β进行调节。其中，对于第一、二种情况，设置进度衔接特征数据的权重更大，以实现对进度衔接特征数据对应的偏差的调大，达到提升对进度衔接特征数据训练严苛度的目的；对于第三种情况，由于都属于进度核心特征数据，数据对中的各子数据相互间区别不大且都反映工程进度的最核心特征，此时可以不对二者的偏差值进行针对性调节；对于第四种情况，该数据对完全处于进度衔接区域，此时将权重系数α、β的总和调高，以实现对进度衔接特征数据对应的偏差的调大，达到更加提升对进度衔接特征数据训练严苛度的目的。通过上述对权重系数α、β的分情况调节，可以使得工程进度识别模型尤其能够对不具有明显区别特征的进度衔接区域对应的工程进度进行准确识别。
进一步地，所述根据所述工程进度识别模型的输出结果确定工程进度，包括：
根据所述输出结果确定工程进度属性，将所述工程进度属性与预设工程进度数据进行比对，判断是否存在工程逆行；
若否，则根据所述工程进度属性确定所述工程进度。
在本发明实施例中，正常情况下，工程的进度是不会存在逆行的，但某些异常情况例如针对不合格的工程进行返工时则导致逆行。有鉴于此，本发明在工程进度识别模型输出了输出结果之后，先判断是否存在工程逆行，如果不存在，则直接认可该输出结果，据此确定工程进度。
进一步地，在判断存在工程逆行时，获取工程材料进场记录数据；
根据所述工程进度属性确定目标工程材料，确定所述工程材料进场记录数据中的所述目标工程材料满足第四预设条件的最新的记录时刻；
计算所述记录时刻与当前的时间间隔，若所述时间间隔小于或等于第二阈值，则确定所述工程进度为最新的上一工程进度；否则，确定根据所述工程进度属性确定所述工程进度。
在本发明实施例中，在确定工程逆行情况存在时，则进一步判断是返工情况，还是工程的固有设计，例如，某隧道施工工程中涉及分岔隧道，于是，对于主隧道A和分岔隧道B的施工工序相同、施工存在先后，但打卡数据都是在同一入口完成的，此时，就会出现工程逆行的情况。有鉴于此，本发明查询与输出结果对应的工程进度属性所需要的目标工程材料的进场记录，如果该目标工程材料的进场记录很近，则说明该目标工程材料的预准备性较低、临时性较高，可判定为返工情况，并非真正的工程逆行，此时可不对工程进度进行更新，仍以最近确定的工程进度为准；反之，则说明该目标工程材料的预准备性较高、临时性较低，可判定为正常的循环施工安排，直接以工程进度识别模型的输出结果来确定并更新工程进度。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于人工智能的工程管理系统的结构示意图。如图2所示，本发明实施例的一种基于人工智能的工程管理系统，包括获取模块(101)、处理模块(102)、存储模块(103)；所述处理模块(102)与所述获取模块(101)、所述存储模块(103)连接；
所述存储模块(103)，用于存储可执行的计算机程序代码；
所述获取模块(101)，用于获取工人的打卡数据并传输给所述处理模块(102)；
所述处理模块(102)，用于通过调用所述存储模块(103)中的所述可执行的计算机程序代码，执行如实施例一所述的方法。
该实施例中的一种基于人工智能的工程管理系统的具体功能参照上述实施例一，由于本实施例中的系统采用了上述实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
实施例三
请参阅图3，图3是本发明实施例公开的一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如实施例一所述的方法。
实施例四
本发明实施例还公开了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如实施例一所述的方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括、但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smal ltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用的技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明的构思的情况下，还可以包括更多其他等效实施例，均属于本发明的保护范畴。
Claims (10)
1.一种基于人工智能的工程管理方法，其特征在于，包括如下步骤：
获取工人的打卡数据，对所述打卡数据进行预处理以获得工人特征矩阵；
将所述工人特征矩阵输入工程进度识别模型，所述工程进度识别模型基于人工智能算法构建；
根据所述工程进度识别模型的输出结果确定工程进度。
2.根据权利要求1所述的一种基于人工智能的工程管理方法，其特征在于：所述对所述打卡数据进行预处理以获得工人特征矩阵，包括：
根据打卡时间对所述打卡数据进行排序处理，按照第一时间间隔对排序处理后的打卡数据进行离散化处理，以得到第一打卡数据集合；
对所述第一打卡数据集合中的各子数据集合进行稳定性分析，在所述子数据集合的所述稳定性分析结果满足第一预设条件时，按照第二时间间隔对所述子数据集合进行离散化处理；
得到第二打卡数据集合，根据所述第二打卡数据集合获得工人特征矩阵；
其中，所述第一时间间隔大于所述第二时间间隔。
3.根据权利要求1或2所述的一种基于人工智能的工程管理方法，其特征在于：所述方法还包括对所述工程进度识别模型的预训练步骤：
获取工人的历史打卡数据，根据经过人工分解标注的工程进度数据对所述历史打卡数据进行离散化，以得到第三打卡数据集合；
对所述第三打卡数据集合进行重组处理，以获得训练集；其中，所述训练集中包括若干数据对，各所述数据对包括进度核心特征数据、进度衔接特征数据，且每个所述数据对中的所述进度核心特征数据和所述进度衔接特征数据在时间上邻接；以及，各所述数据对与所述工程进度数据关联；
将所述训练集中的各所述数据对输入所述工程进度识别模型以对其进行训练，直至满足训练监控指标为止。
4.根据权利要求3所述的一种基于人工智能的工程管理方法，其特征在于：所述将所述训练集中的各数据对输入所述工程进度识别模型以对其进行训练，直至满足训练监控指标为止，包括：
将所述训练集中的各所述数据对输入所述工程进度识别模型，所述工程进度识别模型输出工程进度识别数据，计算所述工程进度识别数据与经过人工分解标注的所述工程进度数据的等效偏差值：
di＝α[∑(xij-zij)2]+β[∑(yij-zij)2]
式中，di为将第i个数据对输入工程进度识别模型后输出的所述工程进度识别数据与对应的所述工程进度数据的等效偏差值；xij和yij为第i个数据对中的单一子数据的第j个数据值；zij为与所述所述工程进度识别数据对应的所述工程进度数据中的第j个数据值；α、β为权重系数；
若di小于或等于第一阈值且输入所述工程进度识别模型的所述数据对的数量/比例满足第二预定条件时，则进行累计计值，在所述累计计值符合第三预定条件时，判定满足训练监控指标，停止训练。
5.根据权利要求4所述的一种基于人工智能的工程管理方法，其特征在于：所述权重系数α、β通过如下方式确定：
若所述数据对为[进度核心特征数据,进度衔接特征数据]，则设置α<β，且α+β＝1；
若所述数据对为[进度衔接特征数据,进度核心特征数据]，则设置α>β，且α+β＝1；
若所述数据对为[进度核心特征数据,进度核心特征数据]，则设置α＝β，且α+β＝1；
若所述数据对为[进度衔接特征数据,进度衔接特征数据]，则设置α＝β，且α+β>1。
6.根据权利要求1或5所述的一种基于人工智能的工程管理方法，其特征在于：所述根据所述工程进度识别模型的输出结果确定工程进度，包括：
根据所述输出结果确定工程进度属性，将所述工程进度属性与预设工程进度数据进行比对，判断是否存在工程逆行；
若否，则根据所述工程进度属性确定所述工程进度。
7.根据权利要求6所述的一种基于人工智能的工程管理方法，其特征在于：在判断存在工程逆行时，获取工程材料进场记录数据；
根据所述工程进度属性确定目标工程材料，确定所述工程材料进场记录数据中的所述目标工程材料满足第四预设条件的最新的记录时刻；
计算所述记录时刻与当前的时间间隔，若所述时间间隔小于或等于第二阈值，则确定所述工程进度为最新的上一工程进度；否则，确定根据所述工程进度属性确定所述工程进度。
8.一种基于人工智能的工程管理系统，包括获取模块、处理模块、存储模块；所述处理模块与所述获取模块、所述存储模块连接；
所述存储模块，用于存储可执行的计算机程序代码；
所述获取模块，用于获取工人的打卡数据并传输给所述处理模块；
其特征在于：所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如权利要求1-7任一项所述的方法。
9.一种电子设备，包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
其特征在于：所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质，该存储介质上存储有计算机程序，其特征在于：该计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210552927.0A CN115170052A (zh) | 2022-05-19 | 2022-05-19 | 一种基于人工智能的工程管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210552927.0A CN115170052A (zh) | 2022-05-19 | 2022-05-19 | 一种基于人工智能的工程管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115170052A true CN115170052A (zh) | 2022-10-11 |
Family
ID=83482731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210552927.0A Pending CN115170052A (zh) | 2022-05-19 | 2022-05-19 | 一种基于人工智能的工程管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115170052A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681320A (zh) * | 2023-04-07 | 2023-09-01 | 中宬建设管理有限公司 | 一种工程监控一体化的智能管理方法及系统 |
| CN117010615A (zh) * | 2023-06-20 | 2023-11-07 | 南方电网数字平台科技(广东)有限公司 | 一种电网基建项目建设管理方法及系统 |
-
2022
- 2022-05-19 CN CN202210552927.0A patent/CN115170052A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681320A (zh) * | 2023-04-07 | 2023-09-01 | 中宬建设管理有限公司 | 一种工程监控一体化的智能管理方法及系统 |
| CN116681320B (zh) * | 2023-04-07 | 2023-12-05 | 中宬建设管理有限公司 | 一种工程监控一体化的智能管理方法及系统 |
| CN117010615A (zh) * | 2023-06-20 | 2023-11-07 | 南方电网数字平台科技(广东)有限公司 | 一种电网基建项目建设管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115170052A (zh) | 一种基于人工智能的工程管理方法及系统 | |
| WO2019169768A1 (zh) | 保险保单集中核单方法、电子装置及可读存储介质 | |
| CN110599041A (zh) | 基于人工智能技术的企业目标管理方法、云端及系统 | |
| CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
| CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
| CN118350593A (zh) | 一种模块化集成建筑的智能施工方法、系统、设备和介质 | |
| CN117876090A (zh) | 风险识别方法、电子设备、存储介质及程序产品 | |
| CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及系统 | |
| CN116866152A (zh) | 风险操作管控方法、装置、电子设备及存储介质 | |
| CN117196800A (zh) | 一种用于银行网点员工行为的数字化管理方法 | |
| CN115603955B (zh) | 异常访问对象识别方法、装置、设备和介质 | |
| CN115688961A (zh) | 基于深度学习的电力设备故障预测方法及系统 | |
| CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 | |
| Alamilla et al. | Seismicity assessment using earthquake catalogues with uncertain and incomplete data: probabilistic formulation | |
| CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 | |
| Orooji et al. | Analytical Framework for Homeowner-Focused Computational Cost-Benefit Mitigation Decision Making | |
| CN113743695A (zh) | 基于大数据的国际工程项目投标报价风险管理方法 | |
| CN117035557B (zh) | 针对业务场景的公路基础设施数字化程度测评方法 | |
| CN118365050A (zh) | 一种基于布控球工单的自动匹配方法及系统 | |
| CN112785415B (zh) | 评分卡模型构建方法、装置、设备及计算机可读存储介质 | |
| CN117973872B (zh) | 供应链风险识别方法、装置、电子设备及存储介质 | |
| KR102375021B1 (ko) | 적정 감사 처분을 위한 경영 활동 및 이상 징후를 모니터링하는 방법 및 그 장치 | |
| CN117332377B (zh) | 一种基于深度学习的离散时间序列事件挖掘方法及系统 | |
| CN113918817B (zh) | 推送模型构建方法、装置、计算机设备及存储介质 | |
| CN113537372B (zh) | 一种地址识别方法、装置、设备及存储介质 |
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 |