CN116308579B - 基于粒子群-svm的工程造价确定方法、系统及产品 - Google Patents
基于粒子群-svm的工程造价确定方法、系统及产品 Download PDFInfo
- Publication number
- CN116308579B CN116308579B CN202310152781.5A CN202310152781A CN116308579B CN 116308579 B CN116308579 B CN 116308579B CN 202310152781 A CN202310152781 A CN 202310152781A CN 116308579 B CN116308579 B CN 116308579B
- Authority
- CN
- China
- Prior art keywords
- data
- svm
- engineering
- particle swarm
- cost
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 28
- 239000004567 concrete Substances 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 12
- 238000009412 basement excavation Methods 0.000 claims description 11
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 6
- 229910000831 Steel Inorganic materials 0.000 claims description 5
- 239000011378 shotcrete Substances 0.000 claims description 5
- 239000010959 steel Substances 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于粒子群‑SVM的工程造价确定方法、系统及产品,属于工程造价预测领域,方法包括:确定影响工程造价的参数类型;根据所述参数类型获取具体的参数数据,记为第一数据;对所述第一数据进行归一化处理,得到第二数据;根据所述第二数据确定训练集;利用所述训练集对SVM模型进行训练,得到训练后的SVM模型;采用粒子群优化算法对所述训练后的SVM模型的模型参数进行优化,得到优化后的SVM模型;所述参数类型获取待测的公路隧道的参数数据,记为第三数据;根据所述第三数据和所述优化后的SVM模型确定工程造价。本发明能够基于公路隧道工程造价的影响因素较准确的获得工程造价。
Description
技术领域
本发明涉及工程造价预测领域,特别是涉及一种基于粒子群-SVM的工程造价确定方法、系统及产品。
背景技术
支持向量机(Support Vector Machine,SVM)是一种按监督学习(SupervisedLearning)方式对数据进行二元分类的广义分类器(Generalized Linear Classifier)。根据“间隔最大化”原则,寻找一个特征空间中的超平面对样本进行分割,通过拉格朗日乘子法将其转化为凸二次规划问题进行求解。另外,通过粒子群优化算法寻找参数最优解,支持向量机模型应用中多采用线性核函数、径向基函数(RBF)进行参数寻优,以获得最佳的分类超平面。
粒子群优化算法(Particle Swarm Optimization)是1995年提出的,模仿鸟群捕食行为建立的一种基于迭代的进化计算技术,在工程管理领域应用十分广泛。该方法将解空间中的一个粒子当作优化问题的潜在的解集合,每个粒子飞翔的距离和方向由速度决定,采用一个被优化的函数作为所有粒子的适应值,所有粒子追随当前最优化的粒子在解空间中搜索。原理是在初始化获得一群随机粒子中通过反复迭代计算找到最优解。
多项式核函数依靠升维使得原本线性不可分的数据线性变得可分,可解决非线性问题,可通过灵活调整幂数来实现对结果的预判,对于样本较小的验证有良好的验证效果。
目前的隧道造价预测与智能算法结合方面有最小二乘向量机、支持向量机和极限学习机结合、粗糙集—支持向量机、最小二乘支持向量机与粒子群优化算法结合、模糊BP神经网络算法等,文献多采用支持向量机和人工神经网络构建隧道工程的造价预测模型。由于样本容量变化多,数据获取不准确,在实际隧道建设中往往存在很多影响因素,无法对隧道工程造价预测建立一套统一的标准。对于样本量小的隧道工程往往因为训练集不足导致结果差异过大,预测结果不准确。
发明内容
本发明的目的是提供一种基于粒子群-SVM的工程造价确定方法、系统及产品,能够基于公路隧道工程造价的影响因素较准确的获得工程造价。
为实现上述目的,本发明提供了如下方案:
第一方面,本发明提供一种基于粒子群-SVM的工程造价确定方法,包括:
确定影响工程造价的参数类型;
根据所述参数类型获取具体的参数数据,记为第一数据;
对所述第一数据进行归一化处理,得到第二数据;
根据所述第二数据确定训练集;
利用所述训练集对SVM模型进行训练,得到训练后的SVM模型;
采用粒子群优化算法对所述训练后的SVM模型的模型参数进行优化,得到优化后的SVM模型;
所述参数类型获取待测的公路隧道的参数数据,记为第三数据;
根据所述第三数据和所述优化后的SVM模型确定工程造价。
可选的,所述SVM模型的核函数为多项式核函数。
可选的,采用相关系数函数确定影响工程造价的参数类型。
可选的,所述参数类型包括:
围岩级别、土石开挖总和/m3、注浆小导管/m、锚杆/m、钢拱架(支撑)/t、注浆工程/m3、喷混凝土/m3、钢筋网/t、现浇混凝土/m3、钢筋/t、仰拱混凝土/m3、仰拱回填混凝土/m3、开挖断面面积/m2和长度/m。
可选的,采用最大最小法对所述第一数据进行归一化处理。
可选的,所述SVM模型的核函数为:
K(x,y)=[axTy+c]d
其中,T表示转置,x表示影响工程造价的参数类型,y表示工程造价,a为调节参数,c为常数项,d表示多项式核函数的最高次项次数。
第二方面,本发明提供一种基于粒子群-SVM的工程造价确定系统,包括:
参数类型确定模块,用于确定影响工程造价的参数类型;
第一数据获取模块,用于根据所述参数类型获取具体的参数数据,记为第一数据;
归一化模块,用于对所述第一数据进行归一化处理,得到第二数据;
训练集确定模块,用于根据所述第二数据确定训练集;
训练模块,用于利用所述训练集对SVM模型进行训练,得到训练后的SVM模型;
优化模块,用于采用粒子群优化算法对所述训练后的SVM模型的模型参数进行优化,得到优化后的SVM模型;
第三数据获取模块,用于所述参数类型获取待测的公路隧道的参数数据,记为第三数据;
工程造价确定模块,用于根据所述第三数据和所述优化后的SVM模型确定工程造价。
第三方面,本发明提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的基于粒子群-SVM的工程造价确定方法。
第四方面,本发明提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于粒子群-SVM的工程造价确定方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明采取基于粒子群优化算法(PSO)的支持向量机(SVM)的方法,以隧道工程各个分项工程技术指标为基本参数,建立工程造价估算模型,并在此空间中利用线性方法解决非线性问题,能够提高工程造价的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于粒子群-SVM的工程造价确定方法技术路线图;
图2为本发明粒子群优化算法实施例程序流程图;
图3为本发明基于粒子群-SVM的工程造价确定方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于粒子群-SVM的工程造价确定方法、系统及产品,能够基于公路隧道工程造价的影响因素较准确的获得工程造价。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
首先,本发明与已有研究多采用线性核函数、径向基函数(RBF)不同之处是通过引入多项式核函数,灵活设置幂数将输入空间的非线性样本变换到一个高维空间的线性样本,并采取基于粒子群优化算法(PSO)的支持向量机(SVM)的方法,以隧道工程各个分项工程技术指标为基本参数,建立工程造价估算模型,并在此空间中利用线性方法解决非线性问题。
所以,本发明要解决的技术问题是:公路隧道工程造价要考虑因素多。受地形和地质条件的影响,在工程竣工前工程量有不确定性。如何基于相对较准确的围岩类别,洞身工程中衬砌工程数量、超前支护和防水工程,洞内路面,边沟,排水沟等主要工程量,较准确的获得工程造价,是工程建设决策的重要问题,也是本发明的目的所在。
本发明解决上述问题采用的技术方案是:采用机器学习中的支持向量机方法进行非线性拟合,使用多项式核函数从低维平面向高维平面进行转换,在高维平面中寻找决策超平面进行样本分类,寻求最优解。使用粒子群优化算法(ParticleSwarmOptimization)进行参数优化。
具体的,本发明的技术路线如图1所示,包括:
1、对照工程清单资料进行数据采集和预处理;预处理包括识别数据和清洗数据。
其中,本发明对照工程清单资料进行数据采集的隧道工程变量包括:围岩级别、土石开挖总和/m3、注浆小导管/m、锚杆/m、钢拱架(支撑)/t、注浆工程/m3、喷混凝土/m3、钢筋网/t、现浇混凝土/m3、钢筋/t、仰拱混凝土/m3、仰拱回填混凝土/m3、开挖断面面积/m2、管棚/m、套拱混凝土/m3、孔口管/t和长度/m十七项。
2、对采集并预处理后的所有参数进行相关性分析、提取特征(排除相关性最小的指标),得到影响工程造价的参数数据。
具体的,此步骤根据相关性分析剔除三项相关性最小的因素,即管棚/m、套拱混凝土/m3和孔口管/t。
3、对影响工程造价的参数数据进行归一化处理。
其中,为避免各指标量纲和数量级不同造成的不平衡性,提高模型的收敛速度和学习预测能力,采用最大最小法对样本数据进行归一化处理,使处理后的数据分布于[0,1]之间,公式如下:
给定一些数据点,它们分别属于两个不同的类,现在要找到一个线性分类器把这些数据分成两类。如果用x表示数据点,用y表示类别(y可以取1或者-1,分别代表两个不同的类),一个线性分类器的学习目标便是要在n维的数据空间中找到一个超平面(hyperplane),这个超平面的方程可以表示为(w是垂直于超平面的一个向量,定义为法向量,而中的T代表转置)。
二维空间点(x,y)(x,y)(x,y)到直线Ax+By+C=0的距离公式是:
扩展到n维空间后,点x=(x1,x2,x3...xn)x=(x_1,x_2,x_3...x_n)x=到直线wTx+b=0的距离(即每个支持向量到超平面的距离)d为:
其中,
||w||d是正数,令其为1,合并得到:
y(wTX+b)≥1
4、对归一化后的数据进行分类,即75%作为训练集,25%作为测试集。
5、将训练集输入SVM模型进行模型训练。
其中,本发明的核函数选取多项式核函数。核函数可以减少计算量和存储数据的内存使用量。解决了低维空间映射到高维空间后维度过大,样本过多的点乘计算时运量过大的问题。
多项式核函数为:
K(x,y)=[axTy+c]d
其中,T表示转置,x表示影响工程造价的参数类型,y表示工程造价,a为调节参数,c为常数项,d表示多项式核函数的最高次项次数。
最终参数选用a=2.3348,d=5,c=1。
6、通过粒子群优化算法对SVM模型参数进行优化,寻求并输出最优解,最优解即为参数粒子的位置,其对应的物理含义为最优的SVM模型参数。
具体的,本发明使用粒子群优化算法求解预测模型参数最优解。粒子群优化算法是一种进化计算技术(evolutionary computation),该算法是通过飞鸟集群规律性活动利用种群智能建立的一个简化模型。通过个体对信息的共享使整个群体的运动在空间中从无序到有序的演化过程而获得最优解。
优化算法的具体流程如图2所示,包括:
(1)初始化粒子群,包括群体规模N,每个粒子的位置x和速度Vi。
(2)计算每个粒子的适应度值fit[i]。
(3)对每个粒子的适应度值fit[i]和个体极值Pbest(i)比较。若fit[i]<Pbest(i),则用fit[i]替换掉Pbest(i)。
(4)对每个粒子的适应度值fit[i]和全局极值gbest比较。如果fit[i]<gbest,则用fit[i]替换gbest。
(5)迭代更新粒子的速度v和位置xj。
(6)进行边界条件处理。
(7)判断算法终止条件是否满足:若是,则结束算法并输出优化结果;否则返回步骤(2)。
当优化算法的输出满足条件需求时,输出参数粒子的位置。
7、将测试集输入最优的SVM模型进行预测,预测值与真实值对比满足要求则输出结果,否则返回第2步。
具体为将25%测试集输入模型中得到造价结果,将预测值与真实值比较计算误差,若满足整体精度要求则输出结果,否则重新进行相关性分析。
基于上述技术路线,提供本发明基于粒子群-SVM的工程造价确定方法,如图3所示,具体包括:
步骤1:确定影响工程造价的参数类型。
步骤2:根据所述参数类型获取具体的参数数据,记为第一数据。
步骤3:对所述第一数据进行归一化处理,得到第二数据。
步骤4:根据所述第二数据确定训练集。
步骤5:利用所述训练集对SVM模型进行训练,得到训练后的SVM模型。
步骤6:采用粒子群优化算法对所述训练后的SVM模型的模型参数进行优化,得到优化后的SVM模型。
步骤7:所述参数类型获取待测的公路隧道的参数数据,记为第三数据。
步骤8:根据所述第三数据和所述优化后的SVM模型确定工程造价。
基于上述方法的内容,本发明提供实施例一:
利用机器学习算法构建隧道工程造价预测模型,通过样本数据训练学习建立影响因素与工程造价之间的非线性关系。基于支持向量机的造价预测模型的网络结构,其中,x1,x2,…,xn为模型输入项,f(x)为模型输出项,K(x,xn)为核函数。
影响工程造价的两个主要因素是单位价格和实体工程量。单位价格随市场波动,而针对某个具体工程,实体工程量是相对稳定的。隧道正洞的工程内容可分为开挖、衬砌和支护等部分。本文选择围岩级别、开挖/m3、注浆小导管/m、锚杆/m、钢拱架(支撑)/t、注浆工程/m3、喷混凝土/m3、钢筋网/t、现浇混凝土/m3、钢筋/t、仰拱混凝土/m3、仰拱回填混凝土/m3、开挖断面面积/m2和长度/m等主要工程量,共14项影响因素作为铁路隧道工程造价预测模型的网络输入,以实际工程造价为网络输出,采用支持向量机(SVM)算法和粒子群优化算法构建工程造价预测模型。
以我国某公路建设中的隧道工程为研究对象,采用SVM算法开展实例研究,PSO进行算法优化,对隧道洞身工程造价进行预测和评估。为了训练和验证造价预测模型的精度,本文收集隧道样本12个,影响因素指标16个。按照样本的占比,随机选取3/4样本为训练样本集,1/4样本为测试样本集。部分隧道样本数据如表1所示。
表1隧道样本数据
PSO-SVM模型的预测精确度如表2所示:
表2PSO-SVM模型的预测精确度
通过对测试值和预测值进行比较发现,预测精度达到99.72%,模型预测结果良好,满足实际需要。结果表明,使用粒子群算法优化后的SVM算法针对隧道工程造价问题时非线性拟合能力较强,基于粒子群算法优化后的SVM造价计算模型为隧道投资估算和方案选择中提供了一种高效的方法。
本发明还公开了如下技术效果:
本发明通过粒子群优化算法后的SVM隧道造价模型进行计算,使用隧道造价与关键因素进行仿真测试。结果表明,基于基于粒子群优化算法后的SVM算法具有较高的预测精度,预测结果精度达到99.72%,满足精度要求。
与传统的定额计算线性回归模型相比,传统模型受定额缺项的影响,同时传统模型只能和数据明显线性的几类影响因素进行回归,因此会剔除掉大量的影响因素。本发明进行的是非线性拟合问题,大量的相关因素中仅剔除了3个影响力最低的指标(套拱混凝土、孔口管、管棚),在高维平面求出最优解,使样本预测结果更加准确。
与指标体系构造相比,指标体系构造的得分大多依赖于专家评审,部分计算理论也不能充分考虑到影响因素的多面性,而本发明通过R2来作为预测精度,在实例验证中算得99.72,更加准确合理。
本发明在方法选择方面选用多项式核函数,可以实现低维平面向高位平面转化进行非线性求解,可以灵活调整幂输求得最优解,通过验证该方法适用于样本量小的数据,对于公路隧道工程数据量少、样本不足的问题也可以契合使用。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于粒子群-SVM的工程造价确定方法,其特征在于,包括:
确定影响工程造价的参数类型;
根据所述参数类型获取具体的参数数据,记为第一数据;
对照工程清单资料进行数据采集和预处理;预处理包括识别数据和清洗数据;其中,对照工程清单资料进行数据采集的隧道工程变量包括:围岩级别、土石开挖总和/m3、注浆小导管/m、锚杆/m、钢拱架/t、注浆工程/m3、喷混凝土/m3、钢筋网/t、现浇混凝土/m3、钢筋/t、仰拱混凝土/m3、仰拱回填混凝土/m3、开挖断面面积/m2、管棚/m、套拱混凝土/m3、孔口管/t和长度/m十七项;
对采集并预处理后的所有参数进行相关性分析、提取特征,得到影响工程造价的参数数据;具体的,根据相关性分析剔除三项相关性最小的因素,即管棚/m、套拱混凝土m3和孔口管/t;
对所述第一数据进行归一化处理,得到第二数据;采用最大最小法对样本数据进行归一化处理,使处理后的数据分布于[0,1]之间,公式如下:
根据所述第二数据确定训练集;对归一化后的数据进行分类,75%作为训练集,25%作为测试集;
共14项影响因素作为铁路隧道工程造价预测模型的网络输入,以实际工程造价为网络输出,采用支持向量机算法和粒子群优化算法构建工程造价预测SVM模型;
利用所述训练集对SVM模型进行训练,得到训练后的SVM模型;将25%测试集输入模型中得到造价结果,将预测值与真实值比较计算误差,若满足整体精度要求则输出结果,否则重新进行相关性分析;
所述SVM模型的核函数为多项式核函数;
多项式核函数为:
K(x,y)=[axTy+c]d;
其中,T表示转置,x表示影响工程造价的参数类型,y表示工程造价,a为调节参数,c为常数项,d表示多项式核函数的最高次项次数;
其中,a=2.3348,d=5,c=1;
采用粒子群优化算法对所述训练后的SVM模型的模型参数进行优化,得到优化后的SVM模型;
所述参数类型获取待测的公路隧道的参数数据,记为第三数据;
根据所述第三数据和所述优化后的SVM模型确定工程造价;通过粒子群优化算法后的SVM模型进行计算,使用隧道造价与关键因素进行仿真测试;结果表明,基于粒子群优化算法后的SVM算法预测结果精度达到99.72%。
2.一种基于粒子群-SVM的工程造价确定系统,其特征在于,包括:
参数类型确定模块,用于确定影响工程造价的参数类型;
第一数据获取模块,用于根据所述参数类型获取具体的参数数据,记为第一数据;
对照工程清单资料进行数据采集和预处理;预处理包括识别数据和清洗数据;其中,对照工程清单资料进行数据采集的隧道工程变量包括:围岩级别、土石开挖总和/m3、注浆小导管/m、锚杆/m、钢拱架/t、注浆工程/m3、喷混凝土/m3、钢筋网/t、现浇混凝土/m3、钢筋/t、仰拱混凝土/m3、仰拱回填混凝土/m3、开挖断面面积/m2、管棚/m、套拱混凝土/m3、孔口管/t和长度/m十七项;
对采集并预处理后的所有参数进行相关性分析、提取特征,得到影响工程造价的参数数据;具体的,根据相关性分析剔除三项相关性最小的因素,即管棚/m、套拱混凝土m3和孔口管/t;
归一化模块,用于对所述第一数据进行归一化处理,得到第二数据;采用最大最小法对样本数据进行归一化处理,使处理后的数据分布于[0,1]之间,公式如下:
训练集确定模块,用于根据所述第二数据确定训练集;对归一化后的数据进行分类,75%作为训练集,25%作为测试集;
共14项影响因素作为铁路隧道工程造价预测模型的网络输入,以实际工程造价为网络输出,采用支持向量机算法和粒子群优化算法构建工程造价预测SVM模型;
训练模块,用于利用所述训练集对SVM模型进行训练,得到训练后的SVM模型;将25%测试集输入模型中得到造价结果,将预测值与真实值比较计算误差,若满足整体精度要求则输出结果,否则重新进行相关性分析;
所述SVM模型的核函数为多项式核函数;
多项式核函数为:
K(x,y)=[axTy+c]d;
其中,T表示转置,x表示影响工程造价的参数类型,y表示工程造价,a为调节参数,c为常数项,d表示多项式核函数的最高次项次数;
其中,a=2.3348,d=5,c=1;
优化模块,用于采用粒子群优化算法对所述训练后的SVM模型的模型参数进行优化,得到优化后的SVM模型;
第三数据获取模块,用于所述参数类型获取待测的公路隧道的参数数据,记为第三数据;
工程造价确定模块,用于根据所述第三数据和所述优化后的SVM模型确定工程造价;通过粒子群优化算法后的SVM模型进行计算,使用隧道造价与关键因素进行仿真测试;结果表明,基于粒子群优化算法后的SVM算法预测结果精度达到99.72%。
3.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1所述的基于粒子群-SVM的工程造价确定方法。
4.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1所述的基于粒子群-SVM的工程造价确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310152781.5A CN116308579B (zh) | 2023-02-23 | 2023-02-23 | 基于粒子群-svm的工程造价确定方法、系统及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310152781.5A CN116308579B (zh) | 2023-02-23 | 2023-02-23 | 基于粒子群-svm的工程造价确定方法、系统及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308579A CN116308579A (zh) | 2023-06-23 |
CN116308579B true CN116308579B (zh) | 2024-08-20 |
Family
ID=86837120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310152781.5A Active CN116308579B (zh) | 2023-02-23 | 2023-02-23 | 基于粒子群-svm的工程造价确定方法、系统及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308579B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952326B (zh) * | 2024-03-27 | 2024-06-21 | 葛洲坝集团生态环保有限公司 | 基于人工智能的污水处理监管方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222669A (zh) * | 2018-11-27 | 2020-06-02 | 国网新疆电力有限公司经济技术研究院 | 一种架空线路造价预测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440370A (zh) * | 2013-08-21 | 2013-12-11 | 国家电网公司 | 一种输变电工程造价评估方法及装置 |
CN109670687B (zh) * | 2018-12-06 | 2021-03-26 | 华中科技大学 | 一种基于粒子群优化支持向量机的质量分析方法 |
CN110807490A (zh) * | 2019-11-04 | 2020-02-18 | 国网四川省电力公司经济技术研究院 | 一种基于单基塔的输电线路工程造价智能预测方法 |
CN112329969A (zh) * | 2019-12-06 | 2021-02-05 | 中煤科工重庆设计研究院(集团)有限公司 | 一种基于支持向量机的建筑智能化工程投资预测方法 |
CN115329865A (zh) * | 2022-08-12 | 2022-11-11 | 重庆科技学院 | 基于多核学习支持向量机的行驶工况识别方法 |
-
2023
- 2023-02-23 CN CN202310152781.5A patent/CN116308579B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222669A (zh) * | 2018-11-27 | 2020-06-02 | 国网新疆电力有限公司经济技术研究院 | 一种架空线路造价预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116308579A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101354757B (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
Tsoukalas et al. | Surrogate-enhanced evolutionary annealing simplex algorithm for effective and efficient optimization of water resources problems on a budget | |
CN102222313B (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
Zhu et al. | Coke price prediction approach based on dense GRU and opposition-based learning salp swarm algorithm | |
Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
Bai et al. | A forecasting method of forest pests based on the rough set and PSO-BP neural network | |
CN116308579B (zh) | 基于粒子群-svm的工程造价确定方法、系统及产品 | |
CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
CN110414088B (zh) | 结合水动力模型的涉禽栖息地适宜性空间模糊评价方法 | |
CN116432828A (zh) | 一种缺资料流域径流量智能预测方法 | |
Ghajar et al. | An adaptive network-based fuzzy inference system for rock share estimation in forest road construction | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
Mitra | A white paper on scenario generation for stochastic programming | |
CN115310532A (zh) | 一种基于时空关联混合深度学习模型的流域多点预测预警方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
Chen et al. | Urban inundation rapid prediction method based on multi-machine learning algorithm and rain pattern analysis | |
CN117077005B (zh) | 一种城市微更新潜力的优化方法和系统 | |
CN113656707A (zh) | 一种理财产品推荐方法、系统、存储介质及设备 | |
CN103106329A (zh) | 一种用于svr短期负荷预测的训练样本分组构造方法 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Cui et al. | An optimized neural network with a hybrid GA-ResNN training algorithm: applications in foundation pit | |
Liu et al. | Prediction of dam horizontal displacement based on CNN-LSTM and attention mechanism | |
Chen et al. | Modelling the spatial distribution of heavy vehicle loads on long-span bridges based on undirected graphical model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |