CN115841267A - 一种基多层bp神经网络的企业定额修正方法 - Google Patents

Abstract

本发明涉及工程定额技术领域，具体涉及一种基多层BP神经网络的企业定额修正方法，包括以下步骤，获取历史项目的历史数据，根据所述历史数据计算实际材料消耗指标和实际人工、设备工效，根据所述步骤S001数据建立基于多层BP神经网络建立数据修正模型，获取当前的企业定额数据，并将当前的企业定额数据输入数据修正模型进行修正，得到当前定额的修正后数据；本发明提供的基于多层BP神经网络的企业定额修正方法通过的历史的工程项目的消耗指标及工效数据，运用大数据分析的方式形成企业定额数据的评估体系，并且将数据进行对比、分类以及修正，消除误差数据，完成企业定额的修正。

Description

一种基多层BP神经网络的企业定额修正方法

技术领域

本发明涉及工程定额技术领域，具体涉及一种基多层BP神经网络的企业定额修正方法。

背景技术

长期以来，定额管理是我国公路工程建设和市场经济发展以及企业的生产经营管理工作中的一种科学有效的管理方式，为各级人民政府科学地编制概预算、控制成本和造价，节约建设投资发挥了重要作用，也为企业在市场经济体制下开展公平竞争创造了有利条件和环境，提高了工程经济效益，同时定额管理也是总结先进生产手段，提升科学管理水平，推动提升社会生产率的重要手段。

施工企业根据本企业的施工技术和管理水平，以及有关工程造价资料制定的，并供本企业使用的人工、材料和机械台班消耗量标准。企业定额只在企业内部使用，是企业素质的一个标志。企业定额水平一般应高于国家现行定额，才能满足生产技术发展、企业管理和市场竞争的需要。

在造价改革大势下，国家政策文件、造价行业业务变化都在导向未来朝着市场化清单模式发展。政府和行业主管部门将逐步放开对工程造价市场的定价指导权，鼓励建筑市场各主体加强工程造价数据积累，运用信息技术为概预算编制提供依据，通过企业定额的成本管理模型实现对项目的精细化管控，因此本发明提供一种基多层BP神经网络的企业定额修正方法。

发明内容

为解决上述技术问题，本发明提供一种基多层BP神经网络的企业定额修正方法，包括以下步骤：

S001、获取历史项目的历史数据，根据所述历史数据计算实际材料消耗指标和实际人工、设备工效；

S002、根据所述步骤S001数据建立基于多层BP神经网络建立数据修正模型；

S003、获取当前的企业定额数据，并将当前的企业定额数据输入数据修正模型进行修正，得到当前定额的修正后数据。

进一步地，步骤S003中企业定额数据包括工序中的人工、材料、设备名称、对应的型号以及标准消耗数据。

进一步地，工序完成需要消耗x个人工工种、y种机械、z种材料，截止到统计时间点ts，n次汇报work_real为实际累计完成的工程量，步骤S001可具体描述为以下步骤：

S110、计算人工工种实际工效，那么对于x个人工工种，定义参数i∈[1……x]，real_efficienc[i]为第i个人工工种的实际工效，l_real[i]为第i个人工工种：

S120、计算机械设备实际工效，定义参数i∈[1.......y]，real_machine[i]为第i种机械的实际工效，g_real[i]为第i种机械：

S130、计算材料的实际消耗指标，定义参数i∈[1.......z]，real_material[i]为第i种材料的实际消耗指标，f_real[i]为第i种材料：

进一步地，步骤S002中基于多层BP神经网络建立数据修正模型包括以下步骤：

S210、对原始数据进行数据清洗；

S220、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，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；

S230、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；

S240、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；

S250、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。

进一步地，步骤S003中对当前企业定额进行修正的具体方法，包括以下步骤：

S310、对当前的企业定额进行预处理，得到企业定额的预处理后数据，预处理步骤是为了避免人为修改引起的误差及偏差；

S320、将当前的企业定额预处理后数据输入数据修正模型，数据修正模型根据当前的企业定额预处理后数据与聚类中心的相似度进行数据分类，得到当前的企业定额的分类后数据以及对应的类别结果；

S330、提取企业定额数据库中的相同的类别结果的历史的分类后数据，并根据历史的分类后数据使用均值评估方法对当前工程的分类后数据进行数据修正，得到当前工程的修正后数据。

进一步地，步骤S330中均值评估方法使用欧式距离函数完成。

进一步地，步骤S330中使用均值评估方法进行数据修正的具体方法，包括以下步骤：

S331、提取步骤S001中模块历史项目的历史数据库中与当前企业定额的分类后数据的类别结果相同的所有的历史的分类后数据，并根据所有的历史的分类后数据获取每个项目的项目数据单位均值；

S332、获取当前企业定额的分类后数据中当前项目单位数据与对应的项目数据单位均值之间的数据误差值；若数据误差值小于预设阈值，则当前的企业定额修正为分类后的数据，否则企业定额不修正。

本发明的上述技术方案的有益效果如下：

1、本发明提供的基于多层BP神经网络的企业定额修正方法通过的历史的工程项目的消耗指标及工效数据，运用大数据分析的方式形成企业定额数据的评估体系，并且将数据进行对比、分类以及修正，消除误差数据，完成企业定额的修正。

2、本发明提供的基于多层BP神经网络的企业定额修正方法通过对历史的消耗指标及定额数据进行聚类，为后续的定额数据的修正提供了对比类别，提高了数据处理的效率和准确性，并且采用均值评估方法进行数据修正，减小了误差，基于多层BP神经网络建立的数据修正模型大大的提高了方法的准确性和处理效率，实现了企业定额数据的自动化修正。

附图说明

图1本发明中基于多层BP神经网络的企业定额修正方法的流程图；

图2本发明多层BP神经网络结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图1-2，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

如图1所述，一种基多层BP神经网络的企业定额修正方法，包括以下步骤：

S001、获取历史项目的历史数据，根据所述历史数据计算实际材料消耗指标和实际人工、设备工效；

S002、根据所述步骤S001数据建立基于多层BP神经网络建立数据修正模型；

S003、获取当前的企业定额数据，并将当前的企业定额数据输入数据修正模型进行修正，得到当前定额的修正后数据。

进一步地，步骤S003中企业定额数据包括工序中的人工、材料、设备名称、对应的型号以及标准消耗数据，本专利侧重根据历史项目的实际消耗量修正标准的消耗数据。

进一步地，假设工序完成需要消耗x个人工工种、y种机械、z种材料，截止到统计时间点ts，n次汇报work_real为实际累计完成的工程量，步骤S001可具体描述为以下步骤：

S110、计算人工工种实际工效，那么对于x个人工工种，定义参数i∈[1……x]，real_efficienc[i]为第i个人工工种的实际工效，l_real[i]为第i个人工工种：

S120、计算机械设备实际工效，定义参数i∈[1.......y]，real_machine[v]为第i种机械的实际工效，g_real[i]为第i种机械：

S130、计算材料的实际消耗指标，定义参数i∈[1.......z]，real_material[i]为第i种材料的实际消耗指标，f_real[i]为第i种材料：

进一步地，步骤S002中基于多层BP神经网络建立数据修正模型包括以下步骤：

S210、对原始数据进行数据清洗；

S220、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，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；

S230、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；

S240、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；

S250、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。

进一步地，步骤S003中对当前企业定额进行修正的具体方法，包括以下步骤：

S310、对当前的企业定额进行预处理，得到企业定额的预处理后数据，预处理步骤是为了避免人为修改引起的误差及偏差；

S320、将当前的企业定额预处理后数据输入数据修正模型，数据修正模型根据当前的企业定额预处理后数据与聚类中心的相似度进行数据分类，得到当前的企业定额的分类后数据以及对应的类别结果；

S330、提取企业定额数据库中的相同的类别结果的历史的分类后数据，并根据历史的分类后数据使用均值评估方法对当前工程的分类后数据进行数据修正，得到当前工程的修正后数据。

进一步地，步骤S330中均值评估方法使用欧式距离函数完成。

进一步地，步骤S330中使用均值评估方法进行数据修正的具体方法，包括以下步骤：

S331、提取步骤S001中模块历史项目的历史数据库中与当前企业定额的分类后数据的类别结果相同的所有的历史的分类后数据，并根据所有的历史的分类后数据获取每个项目的项目数据单位均值；

S332、获取当前企业定额的分类后数据中当前项目单位数据与对应的项目数据单位均值之间的数据误差值；若数据误差值小于预设阈值，则当前的企业定额修正为分类后的数据，否则企业定额不修正。

作为一种实施方式，S230所述BP神经网络如图2所示，图2多层BP神经网络的输入可以为S001中计算所得实际人工工效、实际机械设备工效、实际材料消耗指标。

本发明提供的基于多层BP神经网络的企业定额修正方法通过的历史的工程项目的消耗指标及工效数据，运用大数据分析的方式形成企业定额数据的评估体系，并且将数据进行对比、分类以及修正，消除误差数据，完成企业定额的修正；本发明提供的基于多层BP神经网络的企业定额修正方法通过对历史的消耗指标及定额数据进行聚类，为后续的定额数据的修正提供了对比类别，提高了数据处理的效率和准确性，并且采用均值评估方法进行数据修正，减小了误差，基于多层BP神经网络建立的数据修正模型大大的提高了方法的准确性和处理效率，实现了企业定额数据的自动化修正。

在本发明中，除非另有明确的规定和限定，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基多层BP神经网络的企业定额修正方法，其特征在于，包括以下步骤：

S001、获取历史项目的历史数据，根据所述历史数据计算实际材料消耗指标和实际人工、设备工效；

S002、根据所述步骤S001数据建立基于多层BP神经网络建立数据修正模型；

S003、获取当前的企业定额数据，并将当前的企业定额数据输入数据修正模型进行修正，得到当前定额的修正后数据。

2.如权利要求1所述的一种基多层BP神经网络的企业定额修正方法，其特征在于：步骤S003中企业定额数据包括工序中的人工、材料、设备名称、对应的型号以及标准消耗数据。

3.如权利要求1所述的一种基多层BP神经网络的企业定额修正方法，其特征在于：工序完成需要消耗x个人工工种、y种机械、z种材料，截止到统计时间点ts，n次汇报work_real为实际累计完成的工程量，步骤S001可具体描述为以下步骤：

S110、计算人工工种实际工效，那么对于x个人工工种，定义参数i∈[1……x]，real_efficienc[i]为第i个人工工种的实际工效，l_real[i]为第i个人工工种：

S120、计算机械设备实际工效，定义参数i∈[1.......y]，real_machine[i]为第i种机械的实际工效，g_real[i]为第i种机械：

S130、计算材料的实际消耗指标，定义参数i∈[1.......z]，real_material[i]为第i种材料的实际消耗指标，f_real[i]为第i种材料：

4.如权利要求1所述的一种基多层BP神经网络的企业定额修正方法，其特征在于：步骤S002中基于多层BP神经网络建立数据修正模型包括以下步骤：

S210、对原始数据进行数据清洗；

S220、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，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；

S230、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；

S240、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；

S250、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。

5.如权利要求1所述的一种基多层BP神经网络的企业定额修正方法，其特征在于：步骤S003中对当前企业定额进行修正的具体方法，包括以下步骤：

S310、对当前的企业定额进行预处理，得到企业定额的预处理后数据，预处理步骤是为了避免人为修改引起的误差及偏差；

S320、将当前的企业定额预处理后数据输入数据修正模型，数据修正模型根据当前的企业定额预处理后数据与聚类中心的相似度进行数据分类，得到当前的企业定额的分类后数据以及对应的类别结果；

S330、提取企业定额数据库中的相同的类别结果的历史的分类后数据，并根据历史的分类后数据使用均值评估方法对当前工程的分类后数据进行数据修正，得到当前工程的修正后数据。

6.如权利要求5所述的一种基多层BP神经网络的企业定额修正方法，其特征在于：步骤S330中均值评估方法使用欧式距离函数完成。

7.如权利要求5所述的一种基多层BP神经网络的企业定额修正方法，其特征在于：步骤S330中使用均值评估方法进行数据修正的具体方法，包括以下步骤：

S331、提取步骤S001中模块历史项目的历史数据库中与当前企业定额的分类后数据的类别结果相同的所有的历史的分类后数据，并根据所有的历史的分类后数据获取每个项目的项目数据单位均值；

S332、获取当前企业定额的分类后数据中当前项目单位数据与对应的项目数据单位均值之间的数据误差值；若数据误差值小于预设阈值，则当前的企业定额修正为分类后的数据，否则企业定额不修正。

Images