CN115936264A - 单日工程量计算方法、阶段性工程量预测方法及预测装置 - Google Patents
单日工程量计算方法、阶段性工程量预测方法及预测装置 Download PDFInfo
- Publication number
- CN115936264A CN115936264A CN202310148617.7A CN202310148617A CN115936264A CN 115936264 A CN115936264 A CN 115936264A CN 202310148617 A CN202310148617 A CN 202310148617A CN 115936264 A CN115936264 A CN 115936264A
- Authority
- CN
- China
- Prior art keywords
- engineering quantity
- day
- engineering
- predicted
- day engineering
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 54
- 230000000737 periodic effect Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及工程管理技术领域，尤其涉及一种单日工程量计算方法、阶段性工程量预测方法及预测装置。其中，单日工程量计算模型的训练方法包括，首先获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量；将多个单日工程量影响因素样本输入到初始单日工程量计算模型中，得到各单日工程量影响因素样本对应的预测单日工程量；根据各单日工程量影响因素样本对应的预测单日工程量和实际单日工程量，对初始单日工程量计算模型的模型参数进行更新，以得到训练后的单日工程量计算模型，这样通过训练后的单日工程量计算模型，可以计算工程的单日工程量，且得到的单日工程量精度较高。
Description
技术领域
本发明涉及工程管理技术领域，尤其涉及一种单日工程量计算方法、阶段性工程量预测方法及预测装置。
背景技术
土地综合整治是指在一定的区域范围内，按照土地利用总体规划的目标和用途，对整治区内土地进行平整、复垦、开发等工作，推动田、水、路、林、村的综合整治，以改善整治区生产生活条件和生态环境，进一步促进整治区经济发展、优化生态布局。土地综合整治工程是涉及土地学、地理学、测绘学、管理学等多学科的综合工程，工程实施的范围广、周期长，以往在实施过程中由于人力、物力等资源的不足，大多不会定时测量已有工程量，更不会测量单日的工程量，这往往导致在项目验收的前几天发现与计划相差过大，严重时会导致工程延误，进而造成经济损失。因此在实施过程中如果能够准确的推算出当前实际的工程量，则能够与计划值对比快速发现工程进度方面存在的问题，进而适当调整工作计划，为工程项目的按时交付提供保障，避免经济损失。
现有技术中对单日工程量的计算以及工程进度进行预测多是利用统计学方法和概率论理论进行估算，这样预测得到的结果精确度较低，无法满足当前精细化施工的要求。
发明内容
本发明提供一种单日工程量计算方法、阶段性工程量预测方法及预测装置，用以解决现有技术中对单日工程量的计算精度较低的技术问题。
本发明提供一种单日工程量计算模型的训练方法，包括：
获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量；
将所述多个单日工程量影响因素样本输入到初始单日工程量计算模型中，得到各所述单日工程量影响因素样本对应的预测单日工程量；
根据各所述单日工程量影响因素样本对应的预测单日工程量和实际单日工程量，对所述初始单日工程量计算模型的模型参数进行更新，以得到训练后的单日工程量计算模型。
根据本发明提供的一种单日工程量计算模型的训练方法，所述获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量，包括：
获取历史施工日志数据，从所述历史施工日志数据中提取所述单日工程量影响因素样本以及各单日工程量影响因素样本对应的实际单日工程量。
根据本发明提供的一种单日工程量计算模型的训练方法，所述单日工程量影响因素样本包括单日的天气状况、工程区所处地理条件、机械设备投入数量和人员投入数量。
本发明还提供一种单日工程量计算方法，包括：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；其中，所述单日工程量计算模型为上述任一项所述的单日工程量计算模型。
本发明还提供一种未来阶段性工程量预测模型的训练方法，包括：
获取多个阶段性工程量样本，以及各阶段性工程量样本对应的未来阶段性实际工程量；
将所述多个阶段性工程量样本输入到初始未来阶段性工程量预测模型中，得到各所述阶段性工程量样本对应的未来阶段性预测工程量；
根据所述各阶段性工程量样本对应的未来阶段性预测工程量和未来阶段性实际工程量，对所述初始未来阶段性工程量预测模型的模型参数进行更新，以得到训练后的未来阶段性工程量预测模型；
其中，所述阶段性工程量样本包括多个单日工程量；
所述单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；所述单日工程量计算模型为上述任一项所述的单日工程量计算模型。
本发明还提供一种阶段性工程量预测方法，包括：
获取待预测工程对应的阶段性工程量；
将所述阶段性工程量输入到训练好的未来阶段性工程量预测模型中，得到所述待预测工程对应的未来阶段性工程量；
所述阶段性工程量包括多个单日工程量；
所述单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；所述单日工程量计算模型为上述任一项所述的单日工程量计算模型。
本发明还提供一种工程进度自动预警方法，包括：
获取待预测工程对应的阶段性工程量；
将所述阶段性工程量输入到训练好的未来阶段性工程量预测模型中，得到所述待预测工程对应的未来阶段性工程量；
根据所述未来阶段性工程量确定所述待预测工程的工程进度是否达到计划进度，若否则发出预警信息；
其中，所述阶段性工程量包括多个单日工程量；
所述单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；所述单日工程量计算模型为上述任一项所述的单日工程量计算模型。
本发明还提供一种单日工程量计算模型的训练装置，包括：
第一获取单元，用于获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量；
第一处理单元，用于将所述多个单日工程量影响因素样本输入到初始单日工程量计算模型中，得到各所述单日工程量影响因素样本对应的预测单日工程量；
第一更新单元，用于根据各所述单日工程量影响因素样本对应的预测单日工程量和实际单日工程量，对所述初始单日工程量计算模型的模型参数进行更新，以得到训练后的单日工程量计算模型。
本发明还提供一种单日工程量计算装置，包括：
第二获取单元，用于获取待预测工程的单日工程量影响因素；
第二处理单元，用于将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；其中，所述单日工程量计算模型为上述任一项所述的单日工程量计算模型。
本发明还提供一种未来阶段性工程量预测模型的训练装置，包括：
第三获取单元，用于获取多个阶段性工程量样本，以及各阶段性工程量样本对应的未来阶段性实际工程量；
第三处理单元，用于将所述多个阶段性工程量样本输入到初始未来阶段性工程量预测模型中，得到各所述阶段性工程量样本对应的未来阶段性预测工程量；
第二更新单元，用于根据所述各阶段性工程量样本对应的未来阶段性预测工程量和未来阶段性实际工程量，对所述初始未来阶段性工程量预测模型的模型参数进行更新，以得到训练后的未来阶段性工程量预测模型；
其中，所述阶段性工程量样本包括多个单日工程量；
所述单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；所述单日工程量计算模型为上述任一项所述的单日工程量计算模型。
本发明提供一种单日工程量计算模型的训练方法，首先获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量；将多个单日工程量影响因素样本输入到初始单日工程量计算模型中，得到各单日工程量影响因素样本对应的预测单日工程量；根据各单日工程量影响因素样本对应的预测单日工程量和实际单日工程量，对初始单日工程量计算模型的模型参数进行更新，以得到训练后的单日工程量计算模型，这样通过训练后的单日工程量计算模型，可以计算工程的单日工程量，且得到的单日工程量精度较高。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
图1为本发明实施例提供的单日工程量计算模型的训练方法的流程示意图；
图2为本发明实施例提供的单日工程量计算方法的流程示意图；
图3为本发明实施例提供的未来阶段性工程量预测模型的训练方法的流程示意图；
图4为本发明实施例的LSTM网络模型的结构示意图；
图5为本发明实施例的阶段性工程量预测方法流程示意图之一；
图6为本发明实施例的阶段性工程量预测方法流程示意图之二；
图7为本发明实施例的工程进度自动预警方法流程示意图；
图8为本发明实施例提供的一种单日工程量计算模型的训练装置的结构示意图；
图9为本发明实施例提供的一种单日工程量计算装置的结构示意图；
图10为本发明实施例提供的未来阶段性工程量预测模型的训练装置的结构示意图；
图11为本发明实施例提供的阶段性工程量预测装置的结构示意图；
图12为本发明实施例提供的工程进度自动预警装置的结构示意图；
图13为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，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，其中A，B可以是单数或者复数。在本发明的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
由于工程类型包括多样，且不同的工程类型差异较大，因此不同类型的工程的单日工程量计算方法以及阶段性工程量预测方法不同。本发明实施例提供的单日工程量计算方法以及阶段性工程量预测方法均针对土地综合治理工程，主要包括农田平整工程、土地开发工程、道路交通工程、其他工程（如水利工程、防护林工程等）几大类，且由于整治过程中地形、天气等因素对其影响程度较深，因此其他工程进度的预测方法在该土地综合治理工程领域的适用性较差。本发明实施例基于深度学习技术，提供一种单日工程量计算模型的训练方法，首先获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量；将多个单日工程量影响因素样本输入到初始单日工程量计算模型中，得到各单日工程量影响因素样本对应的预测单日工程量；根据各单日工程量影响因素样本对应的预测单日工程量和实际单日工程量，对初始单日工程量计算模型的模型参数进行更新，以得到训练后的单日工程量计算模型，这样通过训练后的单日工程量计算模型，可以计算工程的单日工程量，且得到的单日工程量精度较高。
进一步的，本发明提供一种未来阶段性工程量预测模型的训练方法，以训练得到未来阶段性工程量预测模型，基于该未来阶段性工程量预测模型，输入待预测工程的阶段性工程量，即可预测得到待预测工程对应的未来阶段性工程量。并基于预测得到的未来阶段性工程量，通过与计划工程量比较，以确定工程量的完成进度，若完成进度出发预警阈值，则发出预警信息。
下面，将通过下述几个具体的实施例对本发明提供的单日工程量计算模型的训练方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例提供的单日工程量计算模型的训练方法的流程示意图，该单日工程量计算模型的训练方法可以由软件和/或硬件装置执行。示例地，该硬件装置可以为嵌入式设备，或者个人电脑、或者服务器等设备。示例的，请参见图1所示，该单日工程量计算模型的训练方法可以包括：
S101、获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量。
示例的，经过测试对土地综合整治工程来说，影响单日工程量的主要因素包括自然环境、社会经济条件、机器和人四大因素，具体的本实施例的影响因素可以包括单日的天气状况、工程区所处地理条件、机械设备投入数量和人员投入数量。例如天气状况具体可以包括单日的最高温度、最低温度等。单日的天气状况、机械设备投入数量和人员投入数量都可以通过施工日志获取。例如，获取电子版的历史施工日志数据，从历史施工日志数据中进行信息提取，以得到单日工程量影响因素样本以及各单日工程量影响因素样本对应的实际单日工程量。
由于各工程的影响条件和工序存在差异，所以需要针对不同特点的工程分别梳理进度影响因素。通过对工程实地勘察以及历史资料分析，将土地综合整治工程划分为农田平整工程、土地开发工程、道路交通工程和其他工程，各工程对应的主要影响因素对应如下表1所示。
表1
表1中，现场环境指数、施工/监理制度完善程度都是默认在已经符合施工标准的条件下，因此在训练模型时，可以默认现场环境指数、施工/监理制度完善程度都达到预设标准。
S102、将多个单日工程量影响因素样本输入到初始单日工程量计算模型中，得到各单日工程量影响因素样本对应的预测单日工程量。
示例的，初始单日工程量计算模型为基于BP神经网络构建的模型，BP神经网络是指连接权调整采用了反向传播算法的前馈神经网络，是目前应用最广泛的神经网络模型之一，具有很强的非线性映射能力和柔性的网络结构，具有不俗的大数据处理能力，因此选用BP神经网络作为初始单日工程量计算模型。
其中，将每个单日工程量影响因素样本输入到初始单日工程量计算模型中，即可得到该单日工程量影响因素样本对应的预测单日工程量。在训练初始单日工程量计算模型时，为了提高模型训练的精度，对输入的单日工程量影响因素样本进行归一化处理。
示例的，在输入单日工程量影响因素样本所对应的数据时，需要对天气状况、现场环境指数、地形和施工/监理制度完善程度进行定量处理。例如对天气状况的定量处理：本实施例搜集了近三年土地整治工程相关工程日志，本实施例从相关工程日志中梳理了14项较为常见的天气状况，其对应数值定量处理如以下表2所示。
表2
示例的，现场环境指数的定量处理：现场环境指数通过工程现场的各类社会事件（如秋收时节农民活动、高考中考等社会活动会延后工程进度）发生概率与影响程度的乘积来衡量。一般而言，事件发生概率为100%，影响程度为实际工作时间与计划工作时间的比值。
示例的，地形的定量处理：对于土地整治工程而言，地形的影响主要指坡度，因此本实施例主要选择坡度作为影响因素进行讨论。坡度分级参照国家耕地坡度等级划分标准，具体见以下表3所示。
表3
示例的，施工/监理制度完善程度的定量处理：由于在工程项目招投标阶段会审核相关制度情况，因此在工程项目中该数值默认为1。
S103、根据各单日工程量影响因素样本对应的预测单日工程量和实际单日工程量，对初始单日工程量计算模型的模型参数进行更新，以得到训练后的单日工程量计算模型。
示例的，可以选择1000个单日工程量影响因素样本来训练初始单日工程量计算模型，按照7：3的比例，将1000个单日工程量影响因素样本分为训练集和验证集，以对初始单日工程量计算模型进行训练和验证。在模型训练阶段设置误差限（即损失函数），多次训练直到模型达到所预期的误差限，则训练完成。
可以看出，依据本实施例提供的单日工程量计算模型的训练方法，基于神经网络技术，考虑了对土地综合整治的进度影响的主要因素，对输入的多个单日工程量影响因素样本先进行量化，再对量化后的数据进行归一化处理，采用归一化处理后的样本数据对初始单日工程量计算模型进行训练，以得到训练后的单日工程量计算模型。这样通过训练后的单日工程量计算模型，可以计算工程的单日工程量，且得到的单日工程量精度较高。
可以看出，本实施例训练单日工程量计算模型时所需要的样本容易获取，地形、天气等环境类因素可以从遥感影像中根据算法解译得到；其他人员投入、材料投入、机械设备投入等参数可以从施工日志中读取得到，无需进行手动计算和测量便可得出单日工程量影响因素样本。
另外，本实施例提供的单日工程量计算模型的训练方法可以适用于表1所示的所有土地综合整治工程，具有良好的泛化能力和推广能力。依据本实施例方法得到单日工程量计算模型，可以精确的计算出单日工程量，将依据该单日工程量计算模型得到的单日工程量和实际人工测试的工程量相比，计算精度可以达到83%以上，满足精细化工程进度管理的要求。
上述图1所示的实施例详细地描述了在本发明实施例中，如何训练单日工程量计算模型，下面，将通过下述图2所示的实施例，对单日工程量计算模型的应用过程进行描述。
图2为本发明实施例提供的单日工程量计算方法的流程示意图，该单日工程量计算方法可以由软件和/或硬件装置执行。示例地，该硬件装置可以为手机、嵌入式设备，或者个人电脑、或者服务器等设备。示例的，请参见图2所示，该单日工程量计算方法可以包括：
S201、获取待预测工程的单日工程量影响因素。
示例的，在获取待预测工程的单日工程量影响因素时，可以接收其他电子设备发送的待预测工程的单日工程量影响因素；也可以从本地存储中查找待预测工程的单日工程量影响因素；当然，也可以从第三方数据库中获取待预测工程的单日工程量影响因素，具体可以根据实际需要进行设置，在此，本发明实施例只是以这三种方式获取待预测工程的单日工程量影响因素为例进行说明，但并不代表本申请实施例仅局限于此。例如，本实施例中可以从施工日志中获取待预测工程的单日工程量影响因素。
S202、将待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到单日工程量影响因素对应的单日工程量。
示例的，将待预测工程的单日工程量影响因素输入到单日工程量计算模型之前，可以对量化后的待预测工程的单日工程量影响因素进行归一化处理，将归一化处理后的单日工程量影响因素输入到单日工程量计算模型中，得到的单日工程量结果更加准确。
图3为本发明实施例提供的未来阶段性工程量预测模型的训练方法的流程示意图，该未来阶段性工程量预测模型的训练方法可以由软件和/或硬件装置执行。示例地，该硬件装置可以为手机、嵌入式设备，或者个人电脑、或者服务器等设备。示例的，请参见图3所示，该未来阶段性工程量预测模型的训练方法可以包括：
S301、获取多个阶段性工程量样本，以及各阶段性工程量样本对应的未来阶段性实际工程量。
其中，阶段性工程量样本包括多个单日工程量，例如某个阶段性工程量样本包括某成功初期阶段连续20个工作日的单日工程量，训练集一般包括多个阶段性工程量样本。未来阶段性实际工程量根据历史施工日志即可获取。
其中，每个单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；将待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到单日工程量影响因素对应的单日工程量；单日工程量计算模型为以上所述的训练好的单日工程量计算模型。
S302、将多个阶段性工程量样本输入到初始未来阶段性工程量预测模型中，得到各阶段性工程量样本对应的未来阶段性预测工程量。
实例的，本实施例的初始未来阶段性工程量预测模型为LSTM网络模型，图4为本发明实施例的LSTM网络模型的结构示意图，请参考图4所示，LSTM网络模型的基本单元中包括遗忘门、输入门和输出门。遗忘门中输入
X t 与状态记忆单元
S t-1 、中间输出
h t-1 共同决定状态记忆单元遗忘部分。输入门中的
X t 分别经过sigmoid和tanh函数变化后共同决定状态记忆单元中保留向量。中间输出
h t 由更新后的
S t 与输出
O t 共同决定。本发明实施例中将多个阶段性工程量样本输入到初始未来阶段性工程量预测模型中，得到各阶段性工程量样本对应的未来阶段性预测工程量。
S303、根据各阶段性工程量样本对应的未来阶段性预测工程量和未来阶段性实际工程量，对初始未来阶段性工程量预测模型的模型参数进行更新，以得到训练后的未来阶段性工程量预测模型。
示例的，根据各阶段性工程量样本对应的未来阶段性预测工程量和未来阶段性实际工程量，构造对应的损失函数，对初始未来阶段性工程量预测模型的模型参数进行更新，直至更新后的未来阶段性工程量预测模型收敛，并将收敛的未来阶段性工程量预测模型确定为最终训练得到的未来阶段性工程量预测模型。
示例的，阶段性工程量样本包括由多个单日工程量组成的第一工程量序列，未来阶段性预测工程量一般也包括由至少一个单日工程量组成的第二工程量序列，且一般的第二工程量序列包括的单日工程量天数少于第一工程量序列的天数。例如阶段性工程量样本包括20个单日工程量，未来阶段性预测工程量包括未来连续两天的工程量，需要说明的是，未来阶段性预测工程量包括的单日工程量天数可以根据需要设定，一般不会超过阶段性工程量样本包含的单日工程量天数。
依据本发明实施例的未来阶段性工程量预测模型的训练方法，可以得到训练后的未来阶段性工程量预测模型，依据该未来阶段性工程量预测模型可以依据阶段性工程量，预测得到未来阶段性工程量。
上述图3所示的实施例详细地描述了在本发明实施例中，如何训练未来阶段性工程量预测模型，下面，将通过下述图5所示的实施例，对未来阶段性工程量预测模型的应用过程进行描述。
图5为本发明实施例的阶段性工程量预测方法流程示意图之一，图6为本发明实施例的阶段性工程量预测方法流程示意图之二，该阶段性工程量预测方法可以由软件和/或硬件装置执行。示例地，该硬件装置可以为手机、嵌入式设备，或者个人电脑、或者服务器等设备。请参考图5和图6所示，该阶段性工程量预测方法包括：
S501、获取待预测工程对应的阶段性工程量。
示例的，阶段性工程量包括多个单日工程量；其中，单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；将待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到单日工程量影响因素对应的单日工程量。
示例的，依据上述的单日工程量计算方法可以计算出每日的工程量，例如计算出某月1-20号日期限内每日对应的单日工程量，将这20日内的单日工程量作为阶段性工程量。
S502、将阶段性工程量输入到训练好的未来阶段性工程量预测模型中，得到待预测工程对应的未来阶段性工程量。
示例的，将上述的由20日的单日工程量组成的阶段性工程量输入到训练好的未来阶段性工程量预测模型中，得到某月21-23号的工程量，即得到未来阶段性工程量。
示例的，当前日期为20号，通过工程日志可以获取1-19日的单日工程量影响因素，根据上述的单日工程量计算方法即可计算得到20日的单日工程量，然后将1-20号的单日工程量输入到训练好的未来阶段性工程量预测模型，预测得到21号的单日工程量。然后将2-21号的单日工程量输入到未来阶段性工程量预测模型中，预测得到22号的单日工程量。
依据该未来阶段性工程量预测模型可以依据阶段性工程量，预测得到未来阶段性工程量，且预测的精度较高。
图7为本发明实施例的工程进度自动预警方法流程示意图，该工程进度自动预警方法可以由软件和/或硬件装置执行。示例地，该硬件装置可以为手机、嵌入式设备，或者个人电脑、或者服务器等设备。请参考图7所示，该工程进度自动预警方法包括：
S701、获取待预测工程对应的阶段性工程量。
示例的，阶段性工程量包括多个单日工程量；单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；将待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到单日工程量影响因素对应的单日工程量；单日工程量计算模型为以上所述的单日工程量计算模型。
S702、将阶段性工程量输入到训练好的未来阶段性工程量预测模型中，得到待预测工程对应的未来阶段性工程量。
S703、根据未来阶段性工程量确定待预测工程的工程进度是否达到计划进度，若否则发出预警信息。
示例的，通过未来阶段性工程量预测模型可以估算出某一阶段的工程量，计算出的未来阶段性工程需要与计划进行对比，当超出一定的阈值则会发出预警。预警等级越高，则代表问题的严重程度越高，需要即刻解决，其中预警等级和指标完成度可以参考一下表4所示。
表4
依据本实施例提供的方法，可以对工程量的进度进行实时预测和监控，在工程进度落后于计划进度较多时，则发出预警信息，以提醒工作人员加快工程进度，避免工程延期。
下面对本发明提供的单日工程量计算模型的训练装置和单日工程量计算装置进行描述，下文描述的单日工程量计算模型的训练装置与上文描述的单日工程量计算模型的训练方法可相互对应参照，单日工程量计算装置与上文描述的单日工程量计算方法可相互对应参照。
图8为本发明实施例提供的一种单日工程量计算模型的训练装置的结构示意图，示例的，请参见图8所示，该单日工程量计算模型的训练装置80可以包括：
第一获取单元801，用于获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量。
第一处理单元802，用于将多个单日工程量影响因素样本输入到初始单日工程量计算模型中，得到各单日工程量影响因素样本对应的预测单日工程量。
第一更新单元803，用于根据各单日工程量影响因素样本对应的预测单日工程量和实际单日工程量，对初始单日工程量计算模型的模型参数进行更新，以得到训练后的单日工程量计算模型。
可选的，第一获取单元801，具体用于获取历史施工日志数据，从历史施工日志数据中提取所述单日工程量影响因素样本以及各单日工程量影响因素样本对应的实际单日工程量。其中，单日工程量影响因素样本包括单日的天气状况、机械设备投入数量和人员投入数量。
本发明实施例提供的单日工程量计算模型的训练装置80，可以执行上述任一实施例中单日工程量计算模型的训练方法的技术方案，其实现原理以及有益效果与单日工程量计算模型的训练方法的实现原理及有益效果类似，可参见单日工程量计算模型的训练装方法的实现原理及有益效果，此处不再进行赘述。
图9为本发明实施例提供的一种单日工程量计算装置的结构示意图，示例的，请参见图9所示，该单日工程量计算装置90可以包括：
第二获取单元901，用于获取待预测工程的单日工程量影响因素。
第二处理单元902，用于将待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到单日工程量影响因素对应的单日工程量。其中，单日工程量计算模型为上述实施例训练得到的单日工程量计算模型。
本发明实施例提供的单日工程量计算装置90，可以执行上述任一实施例中单日工程量计算方法的技术方案，其实现原理以及有益效果与单日工程量计算方法的实现原理及有益效果类似，可参见单日工程量计算方法的实现原理及有益效果，此处不再进行赘述。
图10为本发明实施例提供的未来阶段性工程量预测模型的训练装置的结构示意图，请参见图10所示，该未来阶段性工程量预测模型的训练装置100包括：
第三获取单元1001，用于获取多个阶段性工程量样本，以及各阶段性工程量样本对应的未来阶段性实际工程量。
第三处理单元1002，用于将所述多个阶段性工程量样本输入到初始未来阶段性工程量预测模型中，得到各所述阶段性工程量样本对应的未来阶段性预测工程量。
第二更新单元1003，用于根据所述各阶段性工程量样本对应的未来阶段性预测工程量和未来阶段性实际工程量，对所述初始未来阶段性工程量预测模型的模型参数进行更新，以得到训练后的未来阶段性工程量预测模型。
其中，阶段性工程量样本包括多个单日工程量；单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；将待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到单日工程量影响因素对应的单日工程量；单日工程量计算模型为上述实施例所述的单日工程量计算模型。
图11为本发明实施例提供的阶段性工程量预测装置的结构示意图，请参见图11所示，该阶段性工程量预测装置110包括：
第四获取单元1101，用于获取待预测工程对应的阶段性工程量。
第四处理单元1102，用于将阶段性工程量输入到训练好的未来阶段性工程量预测模型中，得到待预测工程对应的未来阶段性工程量。
图12为本发明实施例提供的工程进度自动预警装置的结构示意图，请参见图12所示，该自动预警装置120包括：
第五获取单元1201，用于获取待预测工程对应的阶段性工程量。
第五处理单元1202，用于将阶段性工程量输入到训练好的未来阶段性工程量预测模型中，得到待预测工程对应的未来阶段性工程量。
第六处理单元1203，用于根据未来阶段性工程量确定待预测工程的工程进度是否达到计划进度，若否则发出预警信息。
图13为本发明实施例提供的一种电子设备的实体结构示意图，如图13所示，该电子设备可以包括：处理器(processor)1301、通信接口(Communications Interface)1302、存储器(memory)1303和通信总线1304，其中，处理器1301，通信接口1302，存储器1303通过通信总线1304完成相互间的通信。处理器1301可以调用存储器1303中的逻辑指令，以执行单日工程量计算模型的训练方法，或者单日工程量计算方法，或者未来阶段性工程量预测模型的训练方法，或者阶段性工程量预测方法，或者工程进度自动预警方法。
此外，上述的存储器1303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的单日工程量计算模型的训练方法，或者单日工程量计算方法，或者未来阶段性工程量预测模型的训练方法，或者阶段性工程量预测方法，或者工程进度自动预警方法。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的单日工程量计算模型的训练方法，或者单日工程量计算方法，或者未来阶段性工程量预测模型的训练方法，或者阶段性工程量预测方法，或者工程进度自动预警方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种单日工程量计算模型的训练方法，其特征在于，包括：
获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量；
将所述多个单日工程量影响因素样本输入到初始单日工程量计算模型中，得到各所述单日工程量影响因素样本对应的预测单日工程量；
根据各所述单日工程量影响因素样本对应的预测单日工程量和实际单日工程量，对所述初始单日工程量计算模型的模型参数进行更新，以得到训练后的单日工程量计算模型。
2.根据权利要求1所述的单日工程量计算模型的训练方法，其特征在于，所述获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量，包括：
获取历史施工日志数据，从所述历史施工日志数据中提取所述单日工程量影响因素样本以及各单日工程量影响因素样本对应的实际单日工程量。
3.根据权利要求1所述的单日工程量计算模型的训练方法，其特征在于，所述单日工程量影响因素样本包括单日的天气状况、工程区所处地理条件、机械设备投入数量和人员投入数量。
4.一种单日工程量计算方法，其特征在于，包括：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；其中，所述单日工程量计算模型为上述权利要求1-3任一项所述的单日工程量计算模型。
5.一种未来阶段性工程量预测模型的训练方法，其特征在于，包括：
获取多个阶段性工程量样本，以及各阶段性工程量样本对应的未来阶段性实际工程量；
将所述多个阶段性工程量样本输入到初始未来阶段性工程量预测模型中，得到各所述阶段性工程量样本对应的未来阶段性预测工程量；
根据所述各阶段性工程量样本对应的未来阶段性预测工程量和未来阶段性实际工程量，对所述初始未来阶段性工程量预测模型的模型参数进行更新，以得到训练后的未来阶段性工程量预测模型；
其中，所述阶段性工程量样本包括多个单日工程量；
所述单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；所述单日工程量计算模型为上述权利要求1-3任一项所述的单日工程量计算模型。
6.一种阶段性工程量预测方法，其特征在于，包括：
获取待预测工程对应的阶段性工程量；
将所述阶段性工程量输入到训练好的未来阶段性工程量预测模型中，得到所述待预测工程对应的未来阶段性工程量；
所述阶段性工程量包括多个单日工程量；
所述单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；所述单日工程量计算模型为上述权利要求1-3任一项所述的单日工程量计算模型。
7.一种工程进度自动预警方法，其特征在于，包括：
获取待预测工程对应的阶段性工程量；
将所述阶段性工程量输入到训练好的未来阶段性工程量预测模型中，得到所述待预测工程对应的未来阶段性工程量；
根据所述未来阶段性工程量确定所述待预测工程的工程进度是否达到计划进度，若否则发出预警信息；
其中，所述阶段性工程量包括多个单日工程量；
所述单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；所述单日工程量计算模型为上述权利要求1-3任一项所述的单日工程量计算模型。
8.一种单日工程量计算模型的训练装置，其特征在于，包括：
第一获取单元，用于获取多个单日工程量影响因素样本，以及各单日工程量影响因素样本对应的实际单日工程量；
第一处理单元，用于将所述多个单日工程量影响因素样本输入到初始单日工程量计算模型中，得到各所述单日工程量影响因素样本对应的预测单日工程量；
第一更新单元，用于根据各所述单日工程量影响因素样本对应的预测单日工程量和实际单日工程量，对所述初始单日工程量计算模型的模型参数进行更新，以得到训练后的单日工程量计算模型。
9.一种单日工程量计算装置，其特征在于，包括：
第二获取单元，用于获取待预测工程的单日工程量影响因素；
第二处理单元，用于将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；其中，所述单日工程量计算模型为上述权利要求1-3任一项所述的单日工程量计算模型。
10.一种未来阶段性工程量预测模型的训练装置，其特征在于，包括：
第三获取单元，用于获取多个阶段性工程量样本，以及各阶段性工程量样本对应的未来阶段性实际工程量；
第三处理单元，用于将所述多个阶段性工程量样本输入到初始未来阶段性工程量预测模型中，得到各所述阶段性工程量样本对应的未来阶段性预测工程量；
第二更新单元，用于根据所述各阶段性工程量样本对应的未来阶段性预测工程量和未来阶段性实际工程量，对所述初始未来阶段性工程量预测模型的模型参数进行更新，以得到训练后的未来阶段性工程量预测模型；
其中，所述阶段性工程量样本包括多个单日工程量；
所述单日工程量通过以下方法获取：
获取待预测工程的单日工程量影响因素；
将所述待预测工程的单日工程量影响因素输入到单日工程量计算模型中，得到所述单日工程量影响因素对应的单日工程量；所述单日工程量计算模型为上述权利要求1-3任一项所述的单日工程量计算模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310148617.7A CN115936264A (zh) | 2023-02-22 | 2023-02-22 | 单日工程量计算方法、阶段性工程量预测方法及预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310148617.7A CN115936264A (zh) | 2023-02-22 | 2023-02-22 | 单日工程量计算方法、阶段性工程量预测方法及预测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115936264A true CN115936264A (zh) | 2023-04-07 |
Family
ID=86556171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310148617.7A Pending CN115936264A (zh) | 2023-02-22 | 2023-02-22 | 单日工程量计算方法、阶段性工程量预测方法及预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936264A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312441A (zh) * | 2023-08-09 | 2023-12-29 | 云南瀚哲科技有限公司 | 一种基于区块链的农产品产量估算方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
| CN113222281A (zh) * | 2021-05-31 | 2021-08-06 | 国网山东省电力公司潍坊供电公司 | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 |
| CN113344467A (zh) * | 2021-07-26 | 2021-09-03 | 国网河北省电力有限公司信息通信分公司 | 一种电力工程资金预测方法和装置 |
| CN114580691A (zh) * | 2020-12-01 | 2022-06-03 | 中国石油天然气股份有限公司 | 燃气使用需求的预测方法、装置、计算机设备及存储介质 |
| WO2022142574A1 (zh) * | 2020-12-28 | 2022-07-07 | 京东城市(北京)数字科技有限公司 | 流量预测模型的训练方法、装置和电子设备 |
-
2023
- 2023-02-22 CN CN202310148617.7A patent/CN115936264A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
| CN114580691A (zh) * | 2020-12-01 | 2022-06-03 | 中国石油天然气股份有限公司 | 燃气使用需求的预测方法、装置、计算机设备及存储介质 |
| WO2022142574A1 (zh) * | 2020-12-28 | 2022-07-07 | 京东城市(北京)数字科技有限公司 | 流量预测模型的训练方法、装置和电子设备 |
| CN113222281A (zh) * | 2021-05-31 | 2021-08-06 | 国网山东省电力公司潍坊供电公司 | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 |
| CN113344467A (zh) * | 2021-07-26 | 2021-09-03 | 国网河北省电力有限公司信息通信分公司 | 一种电力工程资金预测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘伟军;廖可懿;: "基于RBF神经网络的施工进度日计划完工率预测模型", 土木工程与管理学报 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312441A (zh) * | 2023-08-09 | 2023-12-29 | 云南瀚哲科技有限公司 | 一种基于区块链的农产品产量估算方法和系统 |
| CN117312441B (zh) * | 2023-08-09 | 2024-04-23 | 云南瀚哲科技有限公司 | 一种基于区块链的农产品产量估算方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6770125B2 (ja) | 建築物改装に伴う損害防止の推定 | |
| CN109377752A (zh) | 短时交通流变化预测方法、装置、计算机设备及存储介质 | |
| CN110232445B (zh) | 一种基于知识蒸馏的文物真伪鉴定方法 | |
| CN115205695B (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
| Pilz et al. | Seasonal drought prediction for semiarid northeast Brazil: what is the added value of a process-based hydrological model? | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| CN110503267B (zh) | 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法 | |
| CN115860421B (zh) | 适配目标保证率的生态流量动态计算方法及系统 | |
| CN115936264A (zh) | 单日工程量计算方法、阶段性工程量预测方法及预测装置 | |
| US20240005067A1 (en) | Method and system for modal prediction and analysis of geotechnical engineering structure | |
| Das et al. | Two decades of ensemble flood forecasting: a state-of-the-art on past developments, present applications and future opportunities | |
| Bagarello et al. | Statistical check of USLE‐M and USLE‐MM to predict bare plot soil loss in two Italian environments | |
| CN118132626B (zh) | 一种基于数据分析的乡村信息服务管理平台 | |
| CN118095659B (zh) | 一种融合Copula函数和深度学习的湖泊水位共形预测方法 | |
| Cui et al. | Bayesian optimization of typhoon full-track simulation on the Northwestern Pacific segmented by QuadTree decomposition | |
| CN113822495B (zh) | 基于机器学习模型的长势预测方法、装置、设备及介质 | |
| Chelanga et al. | Determining insurable units for index-based livestock insurance in northern Kenya and southern Ethiopia | |
| CN108763673A (zh) | 基于lasso回归的土地利用变化驱动力筛选方法和装置 | |
| Farfán et al. | Improving the predictive skills of hydrological models using a combinatorial optimization algorithm and artificial neural networks | |
| CN109995549B (zh) | 一种评估流量价值的方法及装置 | |
| CN102509155A (zh) | 不确定性条件下流域污染物总量控制方法 | |
| CN117252305A (zh) | 一种房屋风险评估方法、装置、设备及介质 | |
| CN116957143A (zh) | 村庄空心率预测方法、装置、电子设备及可读存储介质 | |
| Mornet et al. | Wind storm risk management: sensitivity of return period calculations and spread on the territory | |
| Yang et al. | A novel framework for evaluating the effect of vegetation restoration via grazing exclusion by fencing: A case‐study from the Qinghai–Tibet Plateau |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230407 |