CN115660503A - 一种基于行为分析的项目健康度监测分析方法及设备 - Google Patents
一种基于行为分析的项目健康度监测分析方法及设备 Download PDFInfo
- Publication number
- CN115660503A CN115660503A CN202211395998.0A CN202211395998A CN115660503A CN 115660503 A CN115660503 A CN 115660503A CN 202211395998 A CN202211395998 A CN 202211395998A CN 115660503 A CN115660503 A CN 115660503A
- Authority
- CN
- China
- Prior art keywords
- project
- stage
- degree
- task completion
- current task
- 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
本发明公开了一种基于行为分析的项目健康度监测分析方法及设备,属于项目管理技术领域,用于解决在目前电子产品项目工程的阶段管理中,难以对其的生命周期进行整体全面贯穿管理,以及电子产品项目健康度的监测困难,项目管理效率低下的技术问题。方法包括:对项目各个阶段进行任务完成进展的计算,得到项目各个阶段的当前任务完成度;并与预设理想任务完成度进行数据匹配,得到数据映射关系;根据优化数据映射关系,对当前任务完成度进行交叉映射匹配,确定出项目各个阶段的健康度;将项目各个阶段的健康度输入训练好的神经网络模型中,得到项目各个阶段的评估指标;通过评估指标,构建指标体系;将综合关联度等级以及指标体系进行可视化展示。
Description
技术领域
本申请涉及项目管理领域,尤其涉及一种基于行为分析的项目健康度监测分析方法及设备。
背景技术
项目健康度一般从七个层面进行监测判断,包括:相关负责人、项目范围控制性、进度的可控性、项目的目标性、风险的认知性、团队组织性以及可转化利益性。对这七个层面的监测预评估应该贯穿项目的始终,从项目的启动到收尾阶段,该项目的管理人员都可以通过对健康度的有效追踪,来实时管理和调控项目的进展,实现对项目过程的管理。
随着电子信息产品的需求量越来越大,对电子产品项目中整体生命周期的健康度监测有了更高的要求。
目前传统的项目管理方式为利用基于全生命周期的项目管理模式对项目工程的某一个环节或某一个部分进行管理,没有贯穿电子产品项目的整个周期。对于项目工程中的项目质量管理和相关人员的行为管理,难以形成完善的管理机制,容易造成项目工程总质量差以及电子产品项目的健康度监测不全面。同时,在电子产品项目中,对整个项目的生命周期,例如需求分析、设计、开发、测试、验收以及反馈等阶段的数据展示不全面,并且难以对各阶段的进行有效的评估。对于新任管理者来说,项目上手比较困难,不能很好的对电子产品项目做到有效的过程管理,降低了电子产品项目的管理效率。
发明内容
本申请实施例提供了一种基于行为分析的项目健康度监测分析方法及设备,用于解决如下技术问题:在目前电子产品项目工程的阶段管理中,难以对其的生命周期进行整体全面贯穿管理,以及电子产品项目健康度的监测困难,使得项目管理效率低下。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种基于行为分析的项目健康度监测分析方法,包括:根据预先获取的项目各个阶段中的初始项目健康参数值,对所述项目各个阶段进行实时任务完成进展的计算,得到所述项目各个阶段的当前任务完成度;将所述当前任务完成度与预设理想任务完成度进行有关粗糙集的数据匹配,得到所述当前任务完成度与所述理想任务完成度之间的数据映射关系;对所述数据映射关系进行纠正处理,得到优化数据映射关系,并根据所述优化数据映射关系,对所述当前任务完成度中的若干子任务的当前任务完成度分别进行交叉映射匹配,以确定出所述项目各个阶段的健康度;其中,所述当前任务完成度包含若干子任务的当前任务完成度;将所述项目各个阶段的健康度输入训练好的神经网络模型中,得到所述项目各个阶段的评估指标;通过所述项目各个阶段的评估指标,构建基于项目全生命周期的指标体系;其中,所述项目全生命周期为项目各个阶段的总和阶段周期;根据所述指标体系,对所述项目全生命周期进行关联度等级判断,得到所述项目全生命周期的综合关联度等级。
本申请实施例通过对项目各个阶段健康度的监测分析,并结合项目全生命周期的指标体系以及综合关联度等级,实现对项目全生命周期的监测,并通过向项目管理人员展示项目全周期的指标完成情况以及每个阶段的关联程度,有助于管理人员更好的对项目过程进行管理,简化繁琐的管理过程,将项目各个阶段的健康度做到精确的预警,帮助管理人员及时调控相关阶段,智能提醒管理人员需要处理的问题,还能提升项目管理的效率,完善对项目工程的管理,降低了项目管理过程中可能存在的隐藏风险。
在一种可行的实施方式中,根据预先获取的项目各个阶段中的初始项目健康参数值,对所述项目各个阶段进行实时任务完成进展的计算,得到所述项目各个阶段的当前任务完成度,具体包括:获取所述项目全生命周期中的各个阶段信息;其中,所述各个阶段至少包括:项目需求阶段、项目设计阶段、项目开发阶段、项目测试阶段、项目验收阶段以及项目反馈阶段;提取所述各个阶段中初始项目健康参数值;其中,所述初始项目健康参数至少包括:项目进度值、项目成本值以及项目质量值;根据NPV现值模型,对所述项目成本进行成本折现值处理,得到初始成本值;对所述项目进度中时间值与任务量值进行比值转化,得到初始进度值;将所述项目质量值、所述初始成本值以及初始进度值进行数据库的构建,得到初始数据库;获取各个阶段的实时任务量;其中,所述实时任务量至少包括:当前任务进度值、当前任务成本值以及当前任务质量值;将所述当前任务成本值输入到所述初始数据库,确定出所述项目各个阶段的当前任务完成度。
本申请实施例通过对项目各个阶段的当前任务完成度的确定,有利于及时把握项目中每个阶段的实时任务进度,为项目各个阶段的健康度提供准确的判断条件。
在一种可行的实施方式中,将所述当前任务完成度与预设理想任务完成度进行有关粗糙集的数据匹配,得到所述当前任务完成度与所述理想任务完成度之间的数据映射关系,具体包括:获取与所述当前任务完成度所对应的当前任务完成集合;其中,所述当前任务完成集合中包含当前任务完成子集合,所述当前任务完成子集合至少包括:当前任务进度集合、当前任务成本集合以及当前任务质量集合;根据所述当前任务完成集合的边界域,以预设距离对所述当前任务完成集合进行扩展,得到所述当前任务完成集合的内近似集合以及外近似集合;其中,所述内近似集合对应于扩展前的当前任务完成集合,所述外近似集合对应于扩展后除了所述内近似集合之外所对应的集合;将所述内近似集合与所述外近似集合进行近似区域的重叠,确定出所述当前任务完成集合的粗糙集合,并将所述粗糙集合作为决策属性集合;根据所述当前任务完成子集合中的当前任务信息,在数据库中确定出理想任务完成集合;其中,所述理想任务完成集合为所述当前任务完成集合在理想状态下的集合,并将所述理想任务完成集合确定为条件属性集合;其中,所述理想任务完成集合中包含理想任务完成子集合,所述理想任务完成子集合至少包括:理想任务进度集合、理想任务成本集合以及理想任务质量集合;将所述决策属性集合中的决策属性特征与所述条件属性集合中的条件属性特征进行映射匹配,得到所述数据映射关系;其中,所述决策属性特征以及条件属性特征为属性集合中的信息特征。
本申请实施例通过将当前任务完成度与理想任务完成度进行数据映射,有利于将当前任务完成度中的各项数据与理想状态条的各项数据进行一一对应,得到两者之间的相互映射关系,有利于对项目各个阶段健康度的确定提供判断依据。
在一种可行的实施方式中,将所述决策属性集合的决策属性特征与所述条件属性集合的条件属性特征进行映射匹配,得到所述数据映射关系,具体包括:提取所述决策属性特征中的决策信息特征;并根据所述决策信息特征中基准属性的根节点,构建决策属性结构树;其中,所述决策信息特征包括子任务名称、子任务特征与子任务进度;提取所述条件属性特征中的条件信息特征;并根据所述条件信息特征中基准属性的根节点,构建条件属性结构树;其中,所述条件信息特征对应于理想状态下各子任务信息,其包括各子任务名称,子任务特征与参考子任务进度;根据预设的相似度阈值,将所述决策属性结构树与所述条件属性结构树之间相似的信息特征进行融合,得到相似度结构树;根据所述相似度结构树,确定出所述决策信息特征与所述条件信息特征之间的包含映射关系;其中,所述包含映射关系为所述决策信息特征与所述条件信息特征之间的上下位包含关系;根据所述包含映射关系以及所述相似度结构树,将所述决策属性特征与所述条件属性特征进行映射匹配,并生成映射匹配表;根据所述映射匹配表,确定出所述决策属性特征与所述条件属性特征之间的所述数据映射关系。
在一种可行的实施方式中,根据所述优化数据映射关系,对所述当前任务完成度中的若干子任务的当前任务完成度分别进行交叉映射匹配,以确定出所述项目各个阶段的健康度,具体包括:通过预设交叉梯度函数,将所述当前任务完成度与所述理想任务完成度之间的重叠数据特征区域进行离散化处理;将所述离散化处理后的重叠数据特征区域与所述交叉梯度函数的最小目标函数进行相似度反向拟合,得到所述当前任务完成度与所述理想任务完成度之间的非重叠数据特征区域;其中,所述非重叠数据特征区域为重叠数据特征区域交叉不重叠区域;将所述优化数据映射关系与所述非重叠数据特征区域进行映射匹配,得到匹配结果;其中,所述匹配结果至少包括:已匹配路径、已匹配个数、未匹配路径以及未匹配个数;根据所述匹配结果,对所述当前任务完成度与所述理想任务完成度进行匹配,得到匹配估计值;并将所述匹配估计值进行期望预测,确定出所述项目各个阶段的健康度。
本申请实施例通过项目各个阶段的健康度,有利于对每个阶段进行多层次的监测,确定出每个层次的健康度,量化项目各个阶段的完成情况,反映出当前任务的风险情况。
在一种可行的实施方式中,在将所述项目各个阶段的健康度输入训练好的神经网络模型中,得到所述项目各个阶段的评估指标之前,所述方法还包括:对所述项目各个阶段的健康度进行权重阈值的划分,得到权重阈值;将所述权重阈值所对应的误差函数进行输出层的节点权值调节,得到权值修正量,并通过所述权值修正量,对所述权重阈值进行实时修正,得到健康度的权值,将所述健康度的权值作为所述神经网络模型的权值。
在一种可行的实施方式中,将所述项目各个阶段的健康度输入训练好的神经网络模型中,得到所述项目各个阶段的评估指标,具体包括:将所述训练好的神经网络模型与预设PSO粒子群模型进行相互结合,得到指标评估模型;将所述项目各个阶段的健康度输入到所述指标评估模型中,并通过所述指标评估模型的反复迭代更新,将权值以及位置向量进行优化,得到优化后的权值以及优化后的位置向量;其中,所述位置向量为预设PSO粒子群模型的输出量;对所述优化后的权值以及优化后的位置向量进行皮尔逊相关性分析,得到冲突程度指标;其中,所述冲突程度指标表示所述优化后的权值与优化后的位置向量之间的关联程度;将所述冲突程度指标与所述项目各个阶段的健康度进行整合,得到所述评估指标;其中,所述评估指标表示所述项目各个阶段中各个任务的达标情况。
在一种可行的实施方式中,根据所述指标体系,对所述项目全生命周期进行关联度等级判断,得到所述项目全生命周期的综合关联度等级,具体包括:获取所述项目全生命周期中各个阶段的评估指标;根据预设阶段监测指标等级,对所述评估指标进行节域评价判断,得到所述各个阶段的阶段关联隶属等级;其中,所述阶段关联隶属等级包括:较差关联度、一般关联度、良好关联度以及优秀关联度;根据预设全生命周期监测指标等级,对所述各个阶段中的若干评估指标进行经典域评价判断,得到所述项目全生命周期的质量关联隶属等级;其中,所述质量关联隶属等级包括:高关联度、中关联度以及低关联度;将所述阶段关联隶属等级与所述质量关联隶属等级进行组合,得到所述项目全生命周期的综合关联度等级。
本申请实施例通过项目全生命周期的综合关联度等级,有利于对项目各个阶段中的任务前后关联度进行判断,并对项目的全生命周期进行全过程的关联分析,再通过综合关联度等级,反映出项目各阶段之间的协调情况,有利于管理人员及时了解项目全程的关联关系。
在一种可行的实施方式中,在根据所述指标体系,对所述项目全生命周期进行关联度等级判断,得到所述项目全生命周期的综合关联度等级之后,所述方法还包括:通过所述项目各个阶段、所述项目全生命周期的综合关联度等级以及指标体系,构建项目全程监测表;将所述项目全程监测表输送到所述干系人员的管理系统中,以进行所述项目全程监测表的可视化展示;根据预设阈值,对所述项目全程监测表进行数据阈值判断,并对小于所述预设阈值的数据进行标记预警提示,以方便所述干系人员对项目的过程管理。
另一方面,本申请实施例还提供了一种基于行为分析的项目健康度监测分析设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行上述任一实施例所述的一种基于行为分析的项目健康度监测分析方法。
本申请提供了一种基于行为分析的项目健康度监测分析方法及设备,通过对项目各个阶段健康度的监测分析,并结合项目全生命周期的指标体系以及综合关联度等级,实现对项目全生命周期的监测,并通过向项目管理人员展示项目全周期的指标完成情况以及每个阶段的关联程度,有助于管理人员更好的对项目过程进行管理,简化繁琐的管理过程,将项目各个阶段的健康度做到精确的预警,帮助管理人员及时调控相关阶段,智能提醒管理人员需要处理的问题,还能提升项目管理的效率,完善对项目工程的管理,降低了项目管理过程中可能存在的隐藏风险。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,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的附图。在附图中:
图1为本申请实施例提供的一种基于行为分析的项目健康度监测分析方法流程图;
图2为本申请实施例提供的一种粗糙集合的边界域示意图;
图3为本申请实施例提供的一种基于行为分析的项目健康度监测分析设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例提供了一种基于行为分析的项目健康度监测分析方法,如图1所示,基于行为分析的项目健康度监测分析方法具体包括步骤S101-S106:
S101、根据预先获取的项目各个阶段中的初始项目健康参数值,对项目各个阶段进行实时任务完成进展的计算,得到项目各个阶段的当前任务完成度。
具体地,获取项目全生命周期中的各个阶段信息。其中,各个阶段至少包括:项目需求阶段、项目设计阶段、项目开发阶段、项目测试阶段、项目验收阶段以及项目反馈阶段。
在一个实施例中,对于一个应用于用户的软件APP来说,从该软件项目的生命周期来看,该APP一般需要经过有关市场的需求分析阶段,然后经过有市场的调研,对该APP进行初步的规划设计,然后组织专业的人员进行软件的开发,之后再进行各种的测试以及验收后,初步投放到市场中,然后再收集用户反馈的结果,方便对该APP后续的改进与更新。并对这些阶段的初始规划信息进行获取,也就是获取每个阶段的计划信息。
进一步地,提取各个阶段中初始项目健康参数值。其中,初始项目健康参数至少包括:项目进度值、项目成本值以及项目质量值。具体为获取每个阶段的初始计划信息的各个步骤、板块以及任务量的初始项目健康参数值,该初始项目健康参数值为的整个项目运行中每个阶段对应的理想状态下具体参考数值。
进一步地,根据NPV现值模型,对项目成本进行成本折现值处理,得到初始成本值。对项目进度中时间值与任务量值进行比值转化,得到初始进度值。将项目质量值、初始成本值以及初始进度值进行数据库的构建,得到初始数据库。
在一个实施例中,根据全生命周期中的NPV现值模型,即,其中,为在第i阶段成本折现值,为第i阶段的现值成本值,为第i阶段的时间成本值,为第i阶段的任务量成本值,为第i阶段的净回收折现值。根据,其中,P为初始成本值,为第i阶段计划项目成本,t为项目进度时间,为第i阶段的初始项目健康参数值,将第i阶段的时间成本值与第i阶段的初始项目健康参数值进行比值运算,得到项目进度中时间值,第i阶段的任务量成本值与第i阶段的初始项目健康参数值进行比值运算,得到项目进度中任务量值,然后将项目进度中时间值与任务量值进行数据对应组合,得到第i阶段的初始进度值。然后根据第i阶段的初始项目健康参数值中的项目质量值、第i阶段的初始成本值以及初始进度值进行数据库的构建,得到第i阶段的初始数据库。
进一步地,获取各个阶段的实时任务量。其中,实时任务量至少包括:当前任务进度值、当前任务成本值以及当前任务质量值。将当前任务成本值输入到初始数据库,确定出项目各个阶段的当前任务完成度。
作为一种可行的实施方式,实时获取一个阶段中的实时任务量,其中,实时任务量的数据与初始项目健康参数值为对应关系,即当前阶段的项目健康参数值,然后将实时任务量中的当前任务成本输入到已构建的初始数据库中,与对应的初始成本值进行对比,再结合当前任务进度值以及当前任务质量值,确定出该阶段的当前任务完成度。
S102、将当前任务完成度与预设理想任务完成度进行有关粗糙集的数据匹配,得到当前任务完成度与理想任务完成度之间的数据映射关系。
具体地,获取与当前任务完成度所对应的当前任务完成集合。其中,当前任务完成集合中包含当前任务完成子集合,当前任务完成子集合至少包括:当前任务进度集合、当前任务成本集合以及当前任务质量集合。
作为一种可行的实施方式,将一个阶段中的当前任务中各个板块或者步骤间的完成度,当做集合量,构建当前任务完成集合,该集合中至少会包括有关当前任务进度的集合、有关当前任务成本的集合以及有关当前任务质量的集合,其中,当前任务质量即为当前任务工程的瑕疵占比量。
进一步地,以预设距离对当前任务完成集合进行扩展,得到当前任务完成集合的内近似集合以及外近似集合。其中,内近似集合对应于扩展前的当前任务完成集合,外近似集合对应于扩展后除了内近似集合之外所对应的集合。
在一个实施例中,首先根据当前任务完成集合,确定出该集合的边界域,然后通过预设距离对边界域的进行边界线的扩展,得到边界线的内外两部分区域,即根据,得到当前任务完成集合的边界域,其中,X为当前任务完成集合,为当前任务完成集合的等价关系量。然后根据,为当前任务完成集合的内近似集合,根据,得到当前任务完成集合的外近似集合,其中,U为边界域之外的集合区域。
进一步地,将内近似集合与外近似集合进行近似区域的重叠,确定出当前任务完成集合的粗糙集合。并将粗糙集合作为决策属性集合。
在一个实施例中,图2为本申请实施例提供的一种粗糙集合的边界域示意图,如图2所示,根据,得到重叠近似度精度,然后根据重叠近似度精度,确定出当前任务完成集合X的重叠近似区域的范围,即使重叠近似度精度满足,且|X|为X的基数,,当前任务完成集合X为粗糙集,并且将此时的粗糙集合定位为起决定性判断作用的决策属性集合。
进一步地,根据当前任务完成子集合中的当前任务信息,在数据库中确定出理想任务完成集合。其中,理想任务完成集合为当前任务完成集合在理想状态下的集合,并将理想任务完成集合确定为条件属性集合,即用来与决策属性集合作参考对照的属性集合。理想任务完成集合中包含理想任务完成子集合,理想任务完成子集合至少包括:理想任务进度集合、理想任务成本集合以及理想任务质量集合。
作为一种可行的实施方式,在数据库中获取一个阶段中最理想状态下的当前任务进度集合,即理想任务完成集合,该理想任务完成集合所拥有的理想任务完成子集合都是在计划规定的情况下,最优的任务完成集合,作为当前任务完成集合的对照集合来使用。
进一步地,将决策属性集合中的决策属性特征与条件属性集合中的条件属性特征进行映射匹配,得到数据映射关系;其中,决策属性特征以及条件属性特征为属性集合中的信息特征。
其中,首先提取决策属性特征中的决策信息特征。并根据决策信息特征中基准属性的根节点,构建决策属性结构树。其中,决策信息特征包括子任务名称、子任务特征与子任务进度。提取条件属性特征中的条件信息特征。并根据条件信息特征中基准属性的根节点,构建条件属性结构树。其中,条件信息特征对应于理想状态下各子任务信息,其包括各子任务名称,子任务特征与参考子任务进度。
在一个实施例中,首先分别确定决策属性特征中的决策信息特征,就是获取决策属性结构树的基准属性,包括子任务名称、子任务特征与子任务进度相关的基准属性,然后按照一个阶段中的板块或者步骤的预设顺序,确定出决策信息特征中基准属性的根节点,构建出决策属性结构树。然后再获取条件信息特征中基准属性,包括理想状态下各子任务信息的各子任务名称,子任务特征与参考子任务进度,然后再根据条件信息特征中基准属性,依据其对应的基准属性的根节点,建立条件属性结构树。
接着根据预设的相似度阈值,将决策属性结构树与条件属性结构树之间相似的信息特征进行融合,得到相似度结构树。
在一个实施例中,如果决策信息特征中基准属性的每一个根节点与条件信息特征中基准属性的每一个根节点,满足最大相似度阈值,则将决策属性结构树与条件属性结构树之间相似的信息特征进行融合,得到融合后的相似度结构树,该相似度结构树包含决策信息特征与条件信息特征中两种属性。
然后根据相似度结构树,确定出决策信息特征与条件信息特征之间的包含映射关系。其中,包含映射关系为决策信息特征与条件信息特征之间的上下位包含关系。
在一个实施例中,对于该相似度结构树中相融合根节点中,还存在属性特征的包含映射关系,即存在决策属性特征高于条件属性特征的情况,然后再确定出这部分的映射关系,即包含映射关系。
最后根据包含映射关系以及相似度结构树,将决策属性特征与条件属性特征进行映射匹配,并生成映射匹配表。根据映射匹配表,确定出决策属性特征与条件属性特征之间的数据映射关系。
在一个实施例中,根据相似度结构树所对应的相似度映射关系,再结合上下位的包含映射关系,确定出当前任务完成度与理想任务完成度之间在相似层面以及包含关系层面上的数据映射关系,即确定出决策属性特征与条件属性特征之间的数据映射关系,并据此生成直观的映射匹配表,存储于后端数据库中。
S103、对数据映射关系进行纠正处理,得到优化数据映射关系,并根据优化数据映射关系,对当前任务完成度中的若干子任务的当前任务完成度分别进行交叉映射匹配,以确定出项目各个阶段的健康度。
具体地,首先对数据映射关系对应的映射匹配表中的数据进行数据清洗,将不良的数据进行纠正处理,并对错误或者乱码的数据进行删除,以得到准确较高的数据映射关系。
进一步地,通过预设交叉梯度函数,将当前任务完成度与理想任务完成度之间的重叠数据特征区域进行离散化处理。将离散化处理后的重叠数据特征区域与交叉梯度函数的的最小目标函数进行相似度反向拟合,得到当前任务完成度与理想任务完成度之间的非重叠数据特征区域。其中,非重叠数据特征区域为重叠数据特征区域交叉不重叠区域。
在一个实施例中,通过预设的交叉梯度函数,将当前任务完成度与理想任务完成度之间的重叠数据特征区域进行离散化处理,对重叠数据特征区域进行模拟交叉梯度的约束,将前任务完成度与理想任务完成度所对应的数据进行冲得关联,该关联即为数据交叉,利用交叉梯度函数捕捉离散化处理后的重叠数据特征区域,得到两者之间的交叉规则,即,得到当前任务完成度与理想任务完成度之间的交叉规则,其中,表示当前任务完成度属性特征,表示理想任务完成度属性特征,然后根据交叉梯度函数的最小目标函数对该交叉规则进行最小化目标处理,并利用交叉规则中的验算因子以及交叉梯度函数的梯度向量对最小化目标处理后的交叉规则进行线性相似度的反向拟合处理,便可得到该交叉规则之外的属性特征区域,即当前任务完成度与理想任务完成度之间的非重叠数据特征区域。
进一步地,将优化数据映射关系与非重叠数据特征区域进行映射匹配,得到匹配结果。其中,匹配结果至少包括:已匹配路径、已匹配个数、未匹配路径以及未匹配个数。将优化数据映射关系与非重叠数据特征区域进行映射匹配,能够得到前任务完成度与理想任务完成度之间的所有关系,包括能够映射的映射关系,以及存在但不能相互映射的非映射关系,然后得到项目的一个阶段中当前任务完成度与理想任务完成度之间的匹配结果。
进一步地,根据匹配结果,对当前任务完成度与理想任务完成度进行匹配,得到匹配估计值。并将匹配估计值进行期望预测,确定出项目各个阶段的健康度。
在一个实施例中,根据两者之间的匹配结果,进行匹配度的估计,得到匹配估计值,由于存在计算的不稳定性,对该匹配估计值进行期望预测,利用期望预测的平均值以及标准差,对匹配估计值进行线性离散程度的逆向微调,得到最终微调后的匹配估计值,即项目各个阶段的健康度。
S104、将项目各个阶段的健康度输入训练好的神经网络模型中,得到项目各个阶段的评估指标。
具体地,对项目各个阶段的健康度进行权重阈值的划分,得到权重阈值。将权重阈值所对应的误差函数进行输出层的节点权值调节,得到权值修正量,并通过权值修正量,对权重阈值进行实时修正,得到健康度的权值,将健康度的权值作为神经网络模型的权值。
在一个实施例中,神经网络模型一般具有输入层、隐含层以及输出层,通过对权重阈值对应的误差函数,在输出层进行节点权值调节,使网络调节逐渐达到最小值,通过误差函数与激励函数相结合对输出层进行反传误差,得到出层节点权值的权值修正量,然后对权值阈值进行实时修正与调节,得到权值修正量。
进一步地,将训练好的神经网络模型与预设PSO粒子群模型进行相互结合,得到指标评估模型。
在一个实施例中,首先获取PSO粒子群模型中的初始化算法参数。然后输入样本训练数据,确定每个粒子的适应度函数值。粒子对粒子群的速度和位置进行更新以及迭代运算,并重复更新最优解,然后将全局最优粒子的位置向量与神经网络的权值和阈值过程相结合,实现对神经网络模型的优化,最终得到指标评估模型。
进一步地,将项目各个阶段的健康度输入到指标评估模型中,并通过指标评估模型的反复迭代更新,将权值以及位置向量进行优化,得到优化后的权值以及优化后的位置向量。其中,位置向量为预设PSO粒子群模型的输出量。
进一步地,对优化后的权值以及优化后的位置向量进行皮尔逊相关性分析,得到冲突程度指标。其中,冲突程度指标表示优化后的权值与优化后的位置向量之间的关联程度。
需要说明的是,皮尔逊相关性分析法是一种两个连续变量的相关性程度的数学统计学方法,然后根据目标判定矩阵,将对优化后的权值以及优化后的位置向量进行目标判定,然后对优化后的权值以及优化后的位置向量进行皮尔逊冲突系数的计算,得到两者之间的冲突指标。
进一步地,将冲突程度指标与项目各个阶段的健康度进行整合,得到评估指标。其中,评估指标表示项目各个阶段中各个任务的达标情况。
在一个实施例中,将项目各个阶段的冲突程度指标与项目各个阶段的健康度进行组合,得到一个能够反映项目各个阶段达标情况的评估指标。
S105、通过项目各个阶段的评估指标,构建基于项目全生命周期的指标体系。
具体地,获取项目每个阶段的评估指标,然后根据项目每个阶段的评估指标,构建出项目全生命周期的指标体系,项目全生命周期中的每个阶段都与之对应的评估指标。
S106、根据指标体系,对项目全生命周期进行关联度等级判断,得到项目全生命周期的综合关联度等级。
具体地,获取项目全生命周期中各个阶段的评估指标。
进一步地,根据预设阶段监测指标等级,对评估指标进行节域评价判断,得到各个阶段的阶段关联隶属等级。其中,阶段关联隶属等级包括:较差关联度、一般关联度、良好关联度以及优秀关联度。
进一步地,根据预设全生命周期监测指标等级,对各个阶段中的若干评估指标进行经典域评价判断,得到项目全生命周期的质量关联隶属等级。其中,质量关联隶属等级包括:高关联度、中关联度以及低关联度。将阶段关联隶属等级与质量关联隶属等级进行组合,得到项目全生命周期的综合关联度等级。
在一个实施例中,首先对项目各个阶段中当前任务的若干信息进行,小范围的节域评价判断,确定出若干信息之间的关联度,即各个阶段的阶段关联隶属等级,然后对项目的整个生命周期的全阶段进行大范围的经典域评价判断,得到项目全生命周期的质量关联隶属等级。
进一步地,将综合关联度等级以及指标体系进行可视化展示,以完成干系人员对项目的过程管理。通过项目各个阶段、项目全生命周期的综合关联度等级以及指标体系,构建项目全程监测表。将项目全程监测表输送到干系人员的管理系统中,以进行项目全程监测表的可视化展示。
进一步地,根据预设阈值,对项目全程监测表进行数据阈值判断,并对小于预设阈值的数据进行标记预警提示,以方便干系人员对项目的过程管理。
另外,本申请实施例还提供了一种基于行为分析的项目健康度监测分析设备,如图3所示,基于行为分析的项目健康度监测分析设备300具体包括:
至少一个处理器301,以及,与至少一个处理器301通信连接的存储器302。其中,存储器302存储有能够被至少一个处理器301执行的指令,以使至少一个处理器301能够执行:
根据预先获取的项目各个阶段中的初始项目健康参数值,对项目各个阶段进行实时任务完成进展的计算,得到项目各个阶段的当前任务完成度;
将当前任务完成度与预设理想任务完成度进行有关粗糙集的数据匹配,得到当前任务完成度与理想任务完成度之间的数据映射关系;
对数据映射关系进行纠正处理,得到优化数据映射关系,并根据优化数据映射关系,对当前任务完成度中的若干子任务的当前任务完成度分别进行交叉映射匹配,以确定出项目各个阶段的健康度;其中,当前任务完成度包含若干子任务的当前任务完成度;
将项目各个阶段的健康度输入训练好的神经网络模型中,得到项目各个阶段的评估指标;
通过项目各个阶段的评估指标,构建基于项目全生命周期的指标体系;其中,项目全生命周期为项目各个阶段的总和阶段周期;
根据指标体系,对项目全生命周期进行关联度等级判断,得到项目全生命周期的综合关联度等级。
本申请提供了一种基于行为分析的项目健康度监测分析方法及设备,通过对项目各个阶段健康度的监测分析,并结合项目全生命周期的指标体系以及综合关联度等级,实现对项目全生命周期的监测,并通过向项目管理人员展示项目全周期的指标完成情况以及每个阶段的关联程度,有助于管理人员更好的对项目过程进行管理,简化繁琐的管理过程,将项目各个阶段的健康度做到精确的预警,帮助管理人员及时调控相关阶段,智能提醒管理人员需要处理的问题,还能提升项目管理的效率,完善对项目工程的管理,降低了项目管理过程中可能存在的隐藏风险。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于行为分析的项目健康度监测分析方法,其特征在于,所述方法包括:
根据预先获取的项目各个阶段中的初始项目健康参数值,对所述项目各个阶段进行实时任务完成进展的计算,得到所述项目各个阶段的当前任务完成度;
将所述当前任务完成度与预设理想任务完成度进行有关粗糙集的数据匹配,得到所述当前任务完成度与所述理想任务完成度之间的数据映射关系;
对所述数据映射关系进行纠正处理,得到优化数据映射关系,并根据所述优化数据映射关系,对所述当前任务完成度中的若干子任务的当前任务完成度分别进行交叉映射匹配,以确定出所述项目各个阶段的健康度;其中,所述当前任务完成度包含若干子任务的当前任务完成度;
将所述项目各个阶段的健康度输入训练好的神经网络模型中,得到所述项目各个阶段的评估指标;
通过所述项目各个阶段的评估指标,构建基于项目全生命周期的指标体系;其中,所述项目全生命周期为项目各个阶段的总和阶段周期;
根据所述指标体系,对所述项目全生命周期进行关联度等级判断,得到所述项目全生命周期的综合关联度等级。
2.根据权利要求1所述的一种基于行为分析的项目健康度监测分析方法,其特征在于,根据预先获取的项目各个阶段中的初始项目健康参数值,对所述项目各个阶段进行实时任务完成进展的计算,得到所述项目各个阶段的当前任务完成度,具体包括:
获取所述项目全生命周期中的各个阶段信息;其中,所述各个阶段至少包括:项目需求阶段、项目设计阶段、项目开发阶段、项目测试阶段、项目验收阶段以及项目反馈阶段;
提取所述各个阶段中初始项目健康参数值;其中,所述初始项目健康参数至少包括:项目进度值、项目成本值以及项目质量值;
根据NPV现值模型,对所述项目成本进行成本折现值处理,得到初始成本值;对所述项目进度中时间值与任务量值进行比值转化,得到初始进度值;
将所述项目质量值、所述初始成本值以及初始进度值进行数据库的构建,得到初始数据库;
获取各个阶段的实时任务量;其中,所述实时任务量至少包括:当前任务进度值、当前任务成本值以及当前任务质量值;
将所述当前任务成本值输入到所述初始数据库,确定出所述项目各个阶段的当前任务完成度。
3.根据权利要求1所述的一种基于行为分析的项目健康度监测分析方法,其特征在于,将所述当前任务完成度与预设理想任务完成度进行有关粗糙集的数据匹配,得到所述当前任务完成度与所述理想任务完成度之间的数据映射关系,具体包括:
获取与所述当前任务完成度所对应的当前任务完成集合;其中,所述当前任务完成集合中包含当前任务完成子集合,所述当前任务完成子集合至少包括:当前任务进度集合、当前任务成本集合以及当前任务质量集合;
根据所述当前任务完成集合的边界域,以预设距离对所述当前任务完成集合进行扩展,得到所述当前任务完成集合的内近似集合以及外近似集合;其中,所述内近似集合对应于扩展前的当前任务完成集合,所述外近似集合对应于扩展后除了所述内近似集合之外所对应的集合;
将所述内近似集合与所述外近似集合进行近似区域的重叠,确定出所述当前任务完成集合的粗糙集合,并将所述粗糙集合作为决策属性集合;
根据所述当前任务完成子集合中的当前任务信息,在数据库中确定出理想任务完成集合;其中,所述理想任务完成集合为所述当前任务完成集合在理想状态下的集合,并将所述理想任务完成集合确定为条件属性集合;
其中,所述理想任务完成集合中包含理想任务完成子集合,所述理想任务完成子集合至少包括:理想任务进度集合、理想任务成本集合以及理想任务质量集合;
将所述决策属性集合中的决策属性特征与所述条件属性集合中的条件属性特征进行映射匹配,得到所述数据映射关系;其中,所述决策属性特征以及条件属性特征为属性集合中的信息特征。
4.根据权利要求3所述的一种基于行为分析的项目健康度监测分析方法,其特征在于,将所述决策属性集合的决策属性特征与所述条件属性集合的条件属性特征进行映射匹配,得到所述数据映射关系,具体包括:
提取所述决策属性特征中的决策信息特征;并根据所述决策信息特征中基准属性的根节点,构建决策属性结构树;其中,所述决策信息特征包括子任务名称、子任务特征与子任务进度;
提取所述条件属性特征中的条件信息特征;并根据所述条件信息特征中基准属性的根节点,构建条件属性结构树;其中,所述条件信息特征对应于理想状态下各子任务信息,其包括各子任务名称,子任务特征与参考子任务进度;
根据预设的相似度阈值,将所述决策属性结构树与所述条件属性结构树之间相似的信息特征进行融合,得到相似度结构树;
根据所述相似度结构树,确定出所述决策信息特征与所述条件信息特征之间的包含映射关系;其中,所述包含映射关系为所述决策信息特征与所述条件信息特征之间的上下位包含关系;
根据所述包含映射关系以及所述相似度结构树,将所述决策属性特征与所述条件属性特征进行映射匹配,并生成映射匹配表;
根据所述映射匹配表,确定出所述决策属性特征与所述条件属性特征之间的所述数据映射关系。
5.根据权利要求1所述的一种基于行为分析的项目健康度监测分析方法,其特征在于,根据所述优化数据映射关系,对所述当前任务完成度中的若干子任务的当前任务完成度分别进行交叉映射匹配,以确定出所述项目各个阶段的健康度,具体包括:
通过预设交叉梯度函数,将所述当前任务完成度与所述理想任务完成度之间的重叠数据特征区域进行离散化处理;
将所述离散化处理后的重叠数据特征区域与所述交叉梯度函数的最小目标函数进行相似度反向拟合,得到所述当前任务完成度与所述理想任务完成度之间的非重叠数据特征区域;其中,所述非重叠数据特征区域为重叠数据特征区域交叉不重叠区域;
将所述优化数据映射关系与所述非重叠数据特征区域进行映射匹配,得到匹配结果;其中,所述匹配结果至少包括:已匹配路径、已匹配个数、未匹配路径以及未匹配个数;
根据所述匹配结果,对所述当前任务完成度与所述理想任务完成度进行匹配,得到匹配估计值;并将所述匹配估计值进行期望预测,确定出所述项目各个阶段的健康度。
6.根据权利要求1所述的一种基于行为分析的项目健康度监测分析方法,其特征在于,在将所述项目各个阶段的健康度输入训练好的神经网络模型中,得到所述项目各个阶段的评估指标之前,所述方法还包括:
对所述项目各个阶段的健康度进行权重阈值的划分,得到权重阈值;
将所述权重阈值所对应的误差函数进行输出层的节点权值调节,得到权值修正量,并通过所述权值修正量,对所述权重阈值进行实时修正,得到健康度的权值,将所述健康度的权值作为所述神经网络模型的权值。
7.根据权利要求1所述的一种基于行为分析的项目健康度监测分析方法,其特征在于,将所述项目各个阶段的健康度输入训练好的神经网络模型中,得到所述项目各个阶段的评估指标,具体包括:
将所述训练好的神经网络模型与预设PSO粒子群模型进行相互结合,得到指标评估模型;
将所述项目各个阶段的健康度输入到所述指标评估模型中,并通过所述指标评估模型的反复迭代更新,将权值以及位置向量进行优化,得到优化后的权值以及优化后的位置向量;其中,所述位置向量为预设PSO粒子群模型的输出量;
对所述优化后的权值以及优化后的位置向量进行皮尔逊相关性分析,得到冲突程度指标;其中,所述冲突程度指标表示所述优化后的权值与优化后的位置向量之间的关联程度;
将所述冲突程度指标与所述项目各个阶段的健康度进行整合,得到所述评估指标;其中,所述评估指标表示所述项目各个阶段中各个任务的达标情况。
8.根据权利要求1所述的一种基于行为分析的项目健康度监测分析方法,其特征在于,根据所述指标体系,对所述项目全生命周期进行关联度等级判断,得到所述项目全生命周期的综合关联度等级,具体包括:
获取所述项目全生命周期中各个阶段的评估指标;
根据预设阶段监测指标等级,对所述评估指标进行节域评价判断,得到所述各个阶段的阶段关联隶属等级;其中,所述阶段关联隶属等级包括:较差关联度、一般关联度、良好关联度以及优秀关联度;
根据预设全生命周期监测指标等级,对所述各个阶段中的若干评估指标进行经典域评价判断,得到所述项目全生命周期的质量关联隶属等级;其中,所述质量关联隶属等级包括:高关联度、中关联度以及低关联度;
将所述阶段关联隶属等级与所述质量关联隶属等级进行组合,得到所述项目全生命周期的综合关联度等级。
9.根据权利要求1所述的一种基于行为分析的项目健康度监测分析方法,其特征在于,在根据所述指标体系,对所述项目全生命周期进行关联度等级判断,得到所述项目全生命周期的综合关联度等级之后,所述方法还包括:
通过所述项目各个阶段、所述项目全生命周期的综合关联度等级以及指标体系,构建项目全程监测表;
将所述项目全程监测表输送到干系人员的管理系统中,以进行所述项目全程监测表的可视化展示;
根据预设阈值,对所述项目全程监测表进行数据阈值判断,并对小于所述预设阈值的数据进行标记预警提示,以方便所述干系人员对项目的过程管理。
10.一种基于行为分析的项目健康度监测分析设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行根据权利要求1-9任一项所述的一种基于行为分析的项目健康度监测分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395998.0A CN115660503A (zh) | 2022-11-09 | 2022-11-09 | 一种基于行为分析的项目健康度监测分析方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395998.0A CN115660503A (zh) | 2022-11-09 | 2022-11-09 | 一种基于行为分析的项目健康度监测分析方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660503A true CN115660503A (zh) | 2023-01-31 |
Family
ID=85016478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211395998.0A Pending CN115660503A (zh) | 2022-11-09 | 2022-11-09 | 一种基于行为分析的项目健康度监测分析方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660503A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110584A (zh) * | 2023-02-23 | 2023-05-12 | 江苏万顶惠康健康科技服务有限公司 | 一种人体健康风险评估预警系统 |
-
2022
- 2022-11-09 CN CN202211395998.0A patent/CN115660503A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110584A (zh) * | 2023-02-23 | 2023-05-12 | 江苏万顶惠康健康科技服务有限公司 | 一种人体健康风险评估预警系统 |
CN116110584B (zh) * | 2023-02-23 | 2023-09-22 | 江苏万顶惠康健康科技服务有限公司 | 一种人体健康风险评估预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zabin et al. | Applications of machine learning to BIM: A systematic literature review | |
Dolado | A validation of the component-based method for software size estimation | |
Chen et al. | Hybrid ANN-CBR model for disputed change orders in construction projects | |
Idri et al. | Fuzzy analogy: A new approach for software cost estimation | |
Nasab et al. | Finding a probabilistic approach to analyze lean manufacturing | |
Hernandez-Matias et al. | An integrated modelling framework to support manufacturing system diagnosis for continuous improvement | |
US8196114B2 (en) | System and method for service offering for feedback controller design and implementation for performance management in information technology systems | |
US8200526B2 (en) | Method and system for collecting stakeholder relationship data | |
CN109242149A (zh) | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 | |
Hyung et al. | Improved similarity measure in case-based reasoning: A case study of construction cost estimation | |
Ji et al. | Simulation-based analytics for quality control decision support: Pipe welding case study | |
Zhang et al. | Model maturity towards modeling and simulation: Concepts, index system framework and evaluation method | |
CN115660503A (zh) | 一种基于行为分析的项目健康度监测分析方法及设备 | |
WO2005065392A2 (en) | System and method for adaptive decision making analysis and assessment | |
Zhou et al. | Representing and matching simulation cases: A case-based reasoning approach | |
JP2013516707A (ja) | 新規の工業プラント運転準備完了コストを見積もるためのシステム | |
Uvalieva et al. | Development of decision support system to control the quality of education | |
CN104462372A (zh) | 一种基于文件驱动的项目进度控制方法及系统 | |
CN116644965A (zh) | 一种项目预算的可视化分析方法及系统 | |
Shapiro et al. | DPCM: a method for modelling and analysing design process changes based on the applied signposting model | |
Relich et al. | Declarative modelling approach for new product development | |
Sehra et al. | Applying fuzzy-AHP for software effort estimation in data scarcity | |
Ajayi et al. | Comparative analysis of software components reusability level using gfs and ANFIS soft-computing techniques | |
Patra et al. | Development of software effort estimation using a non-fuzzy model | |
Mao et al. | A study on the distribution and cost prediction of requirements changes in the software life-cycle |
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 |