CN116432839A - 基于bp神经网络的回填料成本预测方法、装置及设备 - Google Patents
基于bp神经网络的回填料成本预测方法、装置及设备 Download PDFInfo
- Publication number
- CN116432839A CN116432839A CN202310346683.5A CN202310346683A CN116432839A CN 116432839 A CN116432839 A CN 116432839A CN 202310346683 A CN202310346683 A CN 202310346683A CN 116432839 A CN116432839 A CN 116432839A
- Authority
- CN
- China
- Prior art keywords
- backfill
- data
- neural network
- cost
- predicted
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010276 construction Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 33
- 238000010606 normalization Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000010224 classification analysis Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000009435 building construction Methods 0.000 abstract description 2
- 239000002689 soil Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于BP神经网络的回填料成本预测方法、装置及设备,本发明涉及建筑施工技术领域,用于解决现有技术中无法准确预测回填料成本的问题。包括:采集历史回填工程项目对应的回填料相关数据,形成样本数据集,构建用于预测回填料成本的目标BP神经网络;获取待预测回填料数据;将待预测回填料数据输入训练完成的目标BP神经网络,预测得到回填料成本信息。采用海量历史回填工程项目对应的回填料相关数据训练得到的目标BP神经网络性能稳定,结合目标BP神经网络完成回填料成本的预测,进行回填全成本预测耗费时间少,可以基于输入的回填料种类、回填体积、回填速率及施工工期数据即可自动预测,预测精度高、操作简单且能够在实际工程中可靠应用。
Description
技术领域
本发明涉及建筑施工技术领域,尤其涉及基于BP神经网络的回填料成本预测方法、装置及设备。
背景技术
我国的土木工程建设从20世纪50年代起发展迅猛,高楼大厦、港口航道以及大型水利工程在祖国各地快速涌现。回填土工程作为土木工程建设的一部分,回填料的材料种类不断增多,施工工艺快速发展,促进了我国建筑产业的转型升级和高质量发展。
根据其物质组成和堆填方式,可将填土分为素填土、杂填土、冲填土和压实填土四类,每一类填土中又分出多种不同的材料种类。由于回填料种类繁多,不同回填料之间的回填速率各不相同,同时各种条件限制导致施工工期长短不一,因此对于回填料成本的计算一直以来都较为困难。以往的人力计算不但异常繁琐而且精度不高,只能进行纯粹的成本相加,不能考虑到各种其他因素。但是随着社会的不断进步,计算机算法逐渐被应用于各行各业。其中基于BP神经网络的预测方法由于具有精度高、适用范围广等优点被广泛应用于建筑行业的各个领域。
因此,亟需提供一种更为可靠的基于BP神经网络的回填料成本预测方案。
发明内容
本发明的目的在于提供基于BP神经网络的回填料成本预测方法、装置及设备,用于解决现有技术中无法准确预测回填料成本的问题。
为了实现上述目的,本发明提供如下技术方案:
第一方面,本发明提供基于BP神经网络的回填料成本预测方法,方法包括:
采集海量历史回填工程项目对应的回填料相关数据;所述回填料相关数据至少包括第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据;
利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;
获取待预测回填料数据;所述待预测回填料数据中至少包括第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据;
将所述待预测回填料数据输入训练完成的目标BP神经网络,预测得到所述待预测回填料数据对应的回填料成本信息。
可选的,所述样本数据集包括训练样本集和测试样本集;BP神经网络至少包括输入层、隐含层以及输出层;
所述利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络,具体包括:
将所述训练样本集输入所述输入层;
输入所述输入层的训练样本集经所述隐含层传递至所述输出层;
经所述输出层的计算后,输出对应的回填料成本预测数据;
计算所述回填料成本预测数据与回填料成本真实数据之间的误差值;
当所述误差值未达到预设精度要求时,通过调整BP神经网络中的权值以及阈值,得到训练完成的目标BP神经网络。
可选的,当所述误差值未达到预设精度要求时,通过调整BP神经网络中的权值以及阈值,得到训练完成的目标BP神经网络,具体包括:
当所述误差值未达到预设精度要求时,从所述输出层逐层向所述输入层反馈所述误差值;
基于所述误差值调整BP神经网络中各层间的连接权值以及阈值,通过反复循环迭代减小所述误差值,直至迭代次数满足预设循环次数或所述误差值满足预设精度要求为止,确定优化后的连接权值以及阈值;
将所述测试样本集输入所述输入层,按照各层优化后的连接权值以及阈值运行,经所述隐含层传递至所述输出层,训练得到目标BP神经网络。
可选的,利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络之前,还包括:
对所述回填料相关数据进行分类分析、关联分析、聚类分析以及异常检测,得到有效回填料相关数据;
基于所述有效回填料相关数据形成样本数据集,并将所述样本数据集分为训练样本集和测试样本集。
可选的,将所述训练样本集输入所述输入层之前,还包括:
对所述样本数据集中量纲不一致的数据序列进行正态化处理;
对正态化处理后的数据进行标准化以及归一化处理;
将所述训练样本集输入所述输入层,具体包括:
将经过正态化处理、标准化以及归一化处理后的数据样本集输入所述输入层。
可选的,将所述训练样本集输入所述输入层之前,还包括:
根据系统输入输出序列确定BP神经网络的输入层节点数、隐含层节点数、输出层节点数,初始化输入层、隐含层和输出层神经元之间的连接权值、初始化隐含层阈值、输出层阈值、给定学习速率以及神经元激励函数。
与现有技术相比,本发明提供的基于BP神经网络的回填料成本预测方法,包括:采集历史回填工程项目对应的第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据等回填料相关数据;利用回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;获取第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据等等这些待预测回填料数据;将待预测回填料数据输入训练完成的目标BP神经网络,预测得到待预测回填料数据对应的回填料成本信息。采用海量历史回填工程项目对应的回填料相关数据训练得到的目标BP神经网络性能稳定,结合目标BP神经网络完成回填料成本的预测,进行回填全成本预测耗费时间少,可以基于输入的回填料种类、回填体积、回填速率及施工工期数据即可自动输出预测结果。
相比人工计算的各种误差和各种不可控因素导致的成本增加,BP神经网络可以根据以往的施工数据更加精准地预测回填全成本。且不需要回填土相关的理论知识,施工人员即可操作,操作简单。
另外,选择回填料种类、回填体积、回填速率及施工工期四个主要影响因素作为回填全成本费用预测关键输入参数,能够在实际工程中可靠应用。
第二方面,本发明提供基于BP神经网络的回填料成本预测装置,装置包括:
回填料相关数据采集模块,用于采集海量历史回填工程项目对应的回填料相关数据;所述回填料相关数据至少包括第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据;
目标BP神经网络构建模块,用于利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;
待预测回填料数据获取模块,用于获取待预测回填料数据;所述待预测回填料数据中至少包括第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据;
回填料成本信息预测模块,用于将所述待预测回填料数据输入训练完成的目标BP神经网络,预测得到所述待预测回填料数据对应的回填料成本信息。
第三方面,本发明提供基于BP神经网络的回填料成本预测设备,设备包括:
通信单元/通信接口,用于采集海量历史回填工程项目对应的回填料相关数据;所述回填料相关数据至少包括第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据;以及用于获取待预测回填料数据;所述待预测回填料数据中至少包括第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据;
处理单元/处理器,用于利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;
将所述待预测回填料数据输入训练完成的目标BP神经网络,预测得到所述待预测回填料数据对应的回填料成本信息。
第四方面,本发明提供一种计算机存储介质,所述计算机存储介质中存储有指令,当所述指令被运行时,实现上述的基于BP神经网络的回填料成本预测方法。
第二方面提供的装置类方案、第三方面提供的设备类方案以及第四方面提供的计算机存储介质方案所实现的技术效果与第一方面提供的方法类方案相同,此处不再赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明提供的基于BP神经网络的回填料成本预测方法流程示意图;
图2为本发明提供的基于BP神经网络的回填料成本预测装置结构示意图;
图3为本发明提供的基于BP神经网络的回填料成本预测设备结构示意图。
具体实施方式
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一阈值和第二阈值仅仅是为了区分不同的阈值,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本发明中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中,“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的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b的结合,a和c的结合,b和c的结合,或a、b和c的结合,其中a,b,c可以是单个,也可以是多个。
接下来,结合附图对本说明书实施例提供的方案进行说明:
如图1所示,该流程可以包括以下步骤:
步骤110:采集海量历史回填工程项目对应的回填料相关数据;所述回填料相关数据至少包括第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据。
实际应用中,获取的回填料相关数据可以是海量历史回填工程项目对应的数据,每一个历史回填工程项目中都可以包括回填料种类、回填体积、回填速率、施工工期数据、回填料成本真实数据以及施工过程记录等等这些数据,海量历史回填工程项目对应的数据可以从相应的管理系统、其他管理软件线上记录或者用户上传的项目书等等来源中获取到回填料相关数据。
步骤120:利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络。
将获取的海量历史回填工程项目对应的回填料相关数据中有效的数据提取出来形成样本数据集,用来构建目标BP神经网络,样本数据集中的数据量以及数据来源的覆盖范围可以决定目标BP神经网络的性能。
BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递,误差反向传播。主要包括输入层、隐含层和输出层,每一层的神经元状态影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播,根据预测误差来调整网络连接权值和阈值,从而使BP神经网络预测输出不断接近期望输出。BP神经网络模型是误差反向传播(BackPagation)网络模型的简称。网络的学习过程就是对网络各层节点间连接权逐步修改的过程,这一过程由两部分组成:正向传播和反向传播。其中,正向传播是输入模式从输入层经隐含层处理传向输出层;反向传播是均方误差信息从输出层向输入层传播,将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,使得误差信号最小。
步骤130:获取待预测回填料数据;所述待预测回填料数据中至少包括第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据。
待预测回填料数据中可以包含用于预测回填料成本的基础数据,这些基础数据可以包括已知的回填料种类、回填体积、回填速率以及施工工期数据,根据这些数据采用本发明提供的方案即可自动预测回填料成本信息。
步骤140:将所述待预测回填料数据输入训练完成的目标BP神经网络,预测得到所述待预测回填料数据对应的回填料成本信息。
图1中的方法,采集历史回填工程项目对应的第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据等回填料相关数据;利用回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;获取第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据等等这些待预测回填料数据;将待预测回填料数据输入训练完成的目标BP神经网络,预测得到待预测回填料数据对应的回填料成本信息。采用海量历史回填工程项目对应的回填料相关数据训练得到的目标BP神经网络性能稳定,结合目标BP神经网络完成回填料成本的预测,进行回填全成本预测耗费时间少,可以基于输入的回填料种类、回填体积、回填速率及施工工期数据即可自动输出预测结果。
相比人工计算的各种误差和各种不可控因素导致的成本增加,BP神经网络可以根据以往的施工数据更加精准地预测回填全成本。且不需要回填土相关的理论知识,施工人员即可操作,操作简单。
另外,选择回填料种类、回填体积、回填速率及施工工期四个主要影响因素作为回填全成本费用预测关键输入参数,能够在实际工程中可靠应用。
基于图1的方法,本说明书实施例还提供了该方法的一些具体实施方式,下面进行说明。
可选的,所述样本数据集包括训练样本集和测试样本集,训练样本集用于训练BP神经网络,测试样本集用于测试训练得到的BP神经网络的准确性;BP神经网络至少包括输入层、隐含层以及输出层;
所述利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络,具体可以包括:
将所述训练样本集输入所述输入层;
输入所述输入层的训练样本集经所述隐含层传递至所述输出层;
经所述输出层的计算后,输出对应的回填料成本预测数据;
计算所述回填料成本预测数据与回填料成本真实数据之间的误差值;
当所述误差值未达到预设精度要求时,通过调整BP神经网络中的权值以及阈值,得到训练完成的目标BP神经网络。
对于BP神经网络的训练过程,可以先网络初始化。根据系统输入输出序列确定网络输入层节点数、隐含层节点数、输出层节点数,初始化输入层、隐含层和输出层神经元之间的连接权值,初始化隐含层阈值,输出层阈值,给定学习速率和神经元激励函数。然后进行隐含层输出计算。根据输入变量、输入层和隐含层之间连接权值以及隐含层阈值,计算隐含层输出。根据隐含层输出,连接权值和阈值,计算BP神经网络预测输出。根据网络预测输出和期望输出,计算网络预测误差。根据网络预测误差更新网络连接权值。根据网络预测误差更新网络节点阈值。判断算法迭代是否结束,若没有结束,返回反复更新权值和阈值,直至迭代结束。
有很多的方法可以判断是否迭代结束,例如:可以指定迭代的次数、可以判断相邻的两次误差之间的差值是否小于指定的值、可以判断误差值是否满足预设阈值要求等等。
进一步地,当所述误差值未达到预设精度要求时,通过调整BP神经网络中的权值以及阈值,得到训练完成的目标BP神经网络,具体可以包括:
当所述误差值未达到预设精度要求时,从所述输出层逐层向所述输入层反馈所述误差值;
基于所述误差值调整BP神经网络中各层间的连接权值以及阈值,通过反复循环迭代减小所述误差值,直至迭代次数满足预设循环次数或所述误差值满足预设精度要求为止,确定优化后的连接权值以及阈值;
将所述测试样本集输入所述输入层,按照各层优化后的连接权值以及阈值运行,经所述隐含层传递至所述输出层,训练得到目标BP神经网络。
在上述步骤120中已经提到需要将获取的海量历史回填工程项目对应的回填料相关数据中有效的数据提取出来形成样本数据集,用来构建目标BP神经网络,因此,在提取有效数据时,可以包括以下步骤:
对所述回填料相关数据进行分类分析、关联分析、聚类分析以及异常检测,得到有效回填料相关数据;
基于所述有效回填料相关数据形成样本数据集,并将所述样本数据集分为训练样本集和测试样本集。
分类分析可以表示将回填料相关数据按照预设维度进行分类,以将属于相同类型的数据进行归类。
关联分析可以表示按照预设关联因素对回填料相关数据进行相关性分析,然后将关联程度满足预设要求的数据进行关联。
聚类(Clustering)是一种寻找数据之间内在结构的技术。聚类把全体数据实例组织成一些相似组,而这些相似组被称作簇。处于相同簇中的数据实例彼此相同,处于不同簇中的实例彼此不同。聚类技术通常又被称为无监督学习,与监督学习不同的是,在簇中那些表示数据类别的分类或者分组信息是没有的。数据之间的相似性是通过定义一个距离或者相似性系数来判别的。
异常检测可以表示将海量历史回填工程项目对应的回填料相关数据中存在明显异常的数据进行检测剔除,以免影响后续BP神经网络训练的准确性。
另外,输入变量的各个参数量纲可以不一致,如回填体积的量纲是立方米,施工工期是天,因此,将所述训练样本集输入所述输入层之前,还可以包括:
对所述样本数据集中量纲不一致的数据序列进行正态化处理;
对正态化处理后的数据进行标准化以及归一化处理;
将所述训练样本集输入所述输入层,具体可以包括:
将经过正态化处理、标准化以及归一化处理后的数据样本集输入所述输入层。具体地,可以采用sigmoid函数进行标准化、归一化处理,使全部数据转换到0~1之间。
将输出待网络计算误差满足条件后,再对数据进行反归一化处理,输出预测结果。
接下来,通过例子对本方案的部分实现过程进行说明:
例如:收集27个回填土工程回填料种类、回填体积、回填速率、施工工期以及回填全成本费用数据。其中2:8灰土回填项目9个,占比33.3%;素土回填项目7个,占比26%;3:7灰土回填项目次之为6个,占比22.2%;采用素混凝土回填的项目有5个,占比18.5%。等比例选取其中18组回填全成本数据作为训练样本,其余9组回填全成本费用作为检验样本,以便对训练好的BP神经网络进行检验,判断其训练的效果。由于选择参数较多,网络的输入的各个参数量纲不一致,如回填体积的量纲是立方米,施工工期是天,这些数据在量级不一致,因此可以先编程将原始数据序列进行归一化处理,使全部数据转换到0~1之间。待计算误差后,再对数据进行反归一化处理,满足条件后,输出预测结果。
输入数据的正向传播其具体数学表达过程如下:
输入层第i个节点的输出结果如公式(1):
式(1)中,f1表示隐含层的激励函数;xi表示输入层第i个节点的输入变量;ωij表示输入层第i个节点与隐含层第j个节点之间的连接权值值;bj表示隐含层第j个节点上的阈值。
输出层第k个节点的输出结果如公式(2):
式(2)中,f2表示输出层的激励函数;yi表示隐含层第i个节点的输出结果;ωjk表示隐含层第j个节点与输出层第k个节点之间的连接权值值;bk表示输出层第k个节点上的阈值。
网络计算误差信息的反向传播其具体数学表达过程如公式(3):
式(3)中,ek表示输出层第k个节点的误差。
网络的计算误差首先反馈到隐含层,并调整输出层与隐含层之间的权值值与阈值。然后误差经隐含层传递到输入层,调整输入层与隐含层之间的权值值和阈值。通过反复循环迭代逐步的降低网络的输出值与样本的期望输出值之间的误差,直至满足设定的循环次数或精度要求。
隐含层设计的关键就是隐含层节点数的确定。如果隐含层节点数选的太少,则会导致神经网络很难达到预定的训练误差。但若隐含层神经元节点数过多,将会导致神经网络过拟合,使得网络泛化能力差,很难识别收集的数据之外的样本,同时到导致模型的容错性差,难以得到可靠的结果。所以构建BP神经网络模型的关键之一就是隐层神经元节点数的确定。关于隐含层节点数的选择,很多学者做了大量工作,研究证明一个三层BP神经网络假设其具有输入层有m个节点,隐含层有2m+1个节点,输出层有n个节点,那么它可以准确的地表达任一个连续函数中,如公式(4)所示。
由式(4)可以得出,如果一个BP神经网络输入层有m个节点,那么隐含层节点数为2m+1较为合理。此外求隐含层节点数还有式(5)-(7)可作参考:
n=log2 m (6)
其中,n表示隐层节点数;m表示输入节点数;n1表示输出节点数;n2表示训练样本数;a表示0~10之间的常数。
确定隐含层神经元数量的方法还有很多,但大多理论不够完善。本方案通过下列算法来确定神经元节点数。具体过程如下:
(1)首先用理论方法确定出神经元节点数的范围;
此神经网络拟设为三层神经网络,采用“2N+1”法确定隐含层节点数,其中N为神经网络的输入变量的个数,初步确定取隐含层神经元节点数为9个,然后以9为中心选取5~13为试算节点数;
(2)根据选取的5~13这一范围,运行神经网络进行试算,分别求得隐含层神经元节点数为5到节点数为13共计9次循环过程中各项BP网络预测误差值;
(3)最合适的隐含层神经元节点数是试算中预测误差值最小的节点数。当节点数为11时,BP神经网络的均方误差最小。因此可以确定隐含层节点数为11时预测结果最优。
为了验证技术效果,将BP神经网络预测结果相对误差与人工计算预测结果相对误差进行对比,同时将两者的计算时间进行对比。
表1测试集相对误差与计算时间对比表
由表1可以看出,人工计算预测结果最小相对误差为3.5%,最大相对误差为9.8%,计算平均时间为8小时。BP神经网络预测结果最小相对误差为1.5%,最大相对误差为9.2%,计算平均时间为5秒。此BP神经网络预测结果与回填料成本真实数据之间吻合较好,显示了较为精准的预测能力。综合分析可知,应用BP神经网络预测回填全成本相比人工计算来说,相对误差略微减小,而计算时间大幅降低。
基于同样的思路,本发明还提供基于BP神经网络的回填料成本预测装置,如图2所示,所述装置可以包括:
回填料相关数据采集模块210,用于采集海量历史回填工程项目对应的回填料相关数据;所述回填料相关数据至少包括第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据;
目标BP神经网络构建模块220,用于利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;
待预测回填料数据获取模块230,用于获取待预测回填料数据;所述待预测回填料数据中至少包括第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据;
回填料成本信息预测模块240,用于将所述待预测回填料数据输入训练完成的目标BP神经网络,预测得到所述待预测回填料数据对应的回填料成本信息。
基于图2中的装置,还可以包括一些具体的实施单元:
可选的,所述样本数据集包括训练样本集和测试样本集;BP神经网络至少包括输入层、隐含层以及输出层;
目标BP神经网络构建模块220,具体可以包括:
样本输入单元,用于将所述训练样本集输入所述输入层;
隐含层传递单元,用于经所述输出层的计算后,输出对应的回填料成本预测数据;
误差计算单元,用于计算所述回填料成本预测数据与回填料成本真实数据之间的误差值;
目标BP神经网络训练单元,用于当所述误差值未达到预设精度要求时,通过调整BP神经网络中的权值以及阈值,得到训练完成的目标BP神经网络。
可选的,目标BP神经网络训练单元,具体可以用于:
当所述误差值未达到预设精度要求时,从所述输出层逐层向所述输入层反馈所述误差值;
基于所述误差值调整BP神经网络中各层间的连接权值以及阈值,通过反复循环迭代减小所述误差值,直至迭代次数满足预设循环次数或所述误差值满足预设精度要求为止,确定优化后的连接权值以及阈值;
将所述测试样本集输入所述输入层,按照各层优化后的连接权值以及阈值运行,经所述隐含层传递至所述输出层,训练得到目标BP神经网络。
可选的,装置还可以包括:
有效回填料相关数据提取模块,用于对所述回填料相关数据进行分类分析、关联分析、聚类分析以及异常检测,得到有效回填料相关数据;
样本数据集形成模块,用于基于所述有效回填料相关数据形成样本数据集,并将所述样本数据集分为训练样本集和测试样本集。
可选的,装置还可以包括:
正态化处理模块,用于对所述样本数据集中量纲不一致的数据序列进行正态化处理;
标准化以及归一化处理模块,用于对正态化处理后的数据进行标准化以及归一化处理;
将经过正态化处理、标准化以及归一化处理后的数据样本集输入所述输入层。
可选的,装置还可以包括:
模型参数确定模块,用于根据系统输入输出序列确定BP神经网络的输入层节点数、隐含层节点数、输出层节点数,初始化输入层、隐含层和输出层神经元之间的连接权值、初始化隐含层阈值、输出层阈值、给定学习速率以及神经元激励函数。
基于同样的思路,本说明书实施例还提供了基于BP神经网络的回填料成本预测设备。如图3所示,可以包括:
通信单元/通信接口,用于采集海量历史回填工程项目对应的回填料相关数据;所述回填料相关数据至少包括第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据;以及用于获取待预测回填料数据;所述待预测回填料数据中至少包括第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据;
处理单元/处理器,用于利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;
将所述待预测回填料数据输入训练完成的目标BP神经网络,预测得到所述待预测回填料数据对应的回填料成本信息。
如图3所示,上述终端设备还可以包括通信线路。通信线路可包括一通路,在上述组件之间传送信息。
可选的,如图3所示,该终端设备还可以包括存储器。存储器用于存储执行本发明方案的计算机执行指令,并由处理器来控制执行。处理器用于执行存储器中存储的计算机执行指令,从而实现本发明实施例提供的方法。
在具体实现中,作为一种实施例,如图3所示,处理器可以包括一个或多个CPU,如图3中的CPU0和CPU1。
在具体实现中,作为一种实施例,如图3所示,终端设备可以包括多个处理器,如图3中的处理器。这些处理器中的每一个可以是一个单核处理器,也可以是一个多核处理器。
基于同样的思路,本说明书实施例还提供了上述实施例对应的计算机存储介质,计算机存储介质中存储有指令,当所述指令被运行时,实现上述实施例中的方法。
上述主要从各个模块之间交互的角度对本发明实施例提供的方案进行了介绍。可以理解的是,各个模块为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件单元。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
上述本发明实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processing,DSP)、ASIC、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
一种可能的实现方式中,提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当指令被运行时,用于实现上述实施例中的方法。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要求保护的本发明过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本发明进行了描述,显而易见的,在不脱离本发明的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明,且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (9)
1.基于BP神经网络的回填料成本预测方法,其特征在于,方法包括:
采集海量历史回填工程项目对应的回填料相关数据;所述回填料相关数据至少包括第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据;
利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;
获取待预测回填料数据;所述待预测回填料数据中至少包括第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据;
将所述待预测回填料数据输入训练完成的目标BP神经网络,预测得到所述待预测回填料数据对应的回填料成本信息。
2.根据权利要求1所述的基于BP神经网络的回填料成本预测方法,其特征在于,所述样本数据集包括训练样本集和测试样本集;BP神经网络至少包括输入层、隐含层以及输出层;
所述利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络,具体包括:
将所述训练样本集输入所述输入层;
输入所述输入层的训练样本集经所述隐含层传递至所述输出层;
经所述输出层的计算后,输出对应的回填料成本预测数据;
计算所述回填料成本预测数据与回填料成本真实数据之间的误差值;
当所述误差值未达到预设精度要求时,通过调整BP神经网络中的权值以及阈值,得到训练完成的目标BP神经网络。
3.根据权利要求2所述的基于BP神经网络的回填料成本预测方法,其特征在于,当所述误差值未达到预设精度要求时,通过调整BP神经网络中的权值以及阈值,得到训练完成的目标BP神经网络,具体包括:
当所述误差值未达到预设精度要求时,从所述输出层逐层向所述输入层反馈所述误差值;
基于所述误差值调整BP神经网络中各层间的连接权值以及阈值,通过反复循环迭代减小所述误差值,直至迭代次数满足预设循环次数或所述误差值满足预设精度要求为止,确定优化后的连接权值以及阈值;
将所述测试样本集输入所述输入层,按照各层优化后的连接权值以及阈值运行,经所述隐含层传递至所述输出层,训练得到目标BP神经网络。
4.根据权利要求2所述的基于BP神经网络的回填料成本预测方法,其特征在于,利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络之前,还包括:
对所述回填料相关数据进行分类分析、关联分析、聚类分析以及异常检测,得到有效回填料相关数据;
基于所述有效回填料相关数据形成样本数据集,并将所述样本数据集分为训练样本集和测试样本集。
5.根据权利要求2所述的基于BP神经网络的回填料成本预测方法,其特征在于,将所述训练样本集输入所述输入层之前,还包括:
对所述样本数据集中量纲不一致的数据序列进行正态化处理;
对正态化处理后的数据进行标准化以及归一化处理;
将所述训练样本集输入所述输入层,具体包括:
将经过正态化处理、标准化以及归一化处理后的数据样本集输入所述输入层。
6.根据权利要求2所述的基于BP神经网络的回填料成本预测方法,其特征在于,将所述训练样本集输入所述输入层之前,还包括:
根据系统输入输出序列确定BP神经网络的输入层节点数、隐含层节点数、输出层节点数,初始化输入层、隐含层和输出层神经元之间的连接权值、初始化隐含层阈值、输出层阈值、给定学习速率以及神经元激励函数。
7.基于BP神经网络的回填料成本预测装置,其特征在于,装置包括:
回填料相关数据采集模块,用于采集海量历史回填工程项目对应的回填料相关数据;所述回填料相关数据至少包括第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据;
目标BP神经网络构建模块,用于利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;
待预测回填料数据获取模块,用于获取待预测回填料数据;所述待预测回填料数据中至少包括第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据;
回填料成本信息预测模块,用于将所述待预测回填料数据输入训练完成的目标BP神经网络,预测得到所述待预测回填料数据对应的回填料成本信息。
8.基于BP神经网络的回填料成本预测设备,其特征在于,设备包括:
通信单元/通信接口,用于采集海量历史回填工程项目对应的回填料相关数据;所述回填料相关数据至少包括第一回填料种类、第一回填体积、第一回填速率、第一施工工期数据以及回填料成本真实数据;以及用于获取待预测回填料数据;所述待预测回填料数据中至少包括第二回填料种类、第二回填体积、第二回填速率以及第二施工工期数据;
处理单元/处理器,用于利用所述回填料相关数据形成的样本数据集,构建用于预测回填料成本的目标BP神经网络;
将所述待预测回填料数据输入训练完成的目标BP神经网络,预测得到所述待预测回填料数据对应的回填料成本信息。
9.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有指令,当所述指令被运行时,实现权利要求1~6任一项所述的基于BP神经网络的回填料成本预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310346683.5A CN116432839A (zh) | 2023-04-03 | 2023-04-03 | 基于bp神经网络的回填料成本预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310346683.5A CN116432839A (zh) | 2023-04-03 | 2023-04-03 | 基于bp神经网络的回填料成本预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432839A true CN116432839A (zh) | 2023-07-14 |
Family
ID=87093801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310346683.5A Pending CN116432839A (zh) | 2023-04-03 | 2023-04-03 | 基于bp神经网络的回填料成本预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432839A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764536A (zh) * | 2024-01-12 | 2024-03-26 | 四川大学 | 一种基于人工智能的创新创业项目辅助管理系统 |
-
2023
- 2023-04-03 CN CN202310346683.5A patent/CN116432839A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764536A (zh) * | 2024-01-12 | 2024-03-26 | 四川大学 | 一种基于人工智能的创新创业项目辅助管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107786369B (zh) | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 | |
Garg | A hybrid GA-GSA algorithm for optimizing the performance of an industrial system by utilizing uncertain data | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
Yang et al. | Two-stepped evolutionary algorithm and its application to stability analysis of slopes | |
CN106453293A (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN113236228B (zh) | 一种单井产量快速预测方法及系统 | |
CN110414627A (zh) | 一种模型的训练方法及相关设备 | |
CN116432839A (zh) | 基于bp神经网络的回填料成本预测方法、装置及设备 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN111507505A (zh) | 一种水库日入量预测模型的构建方法 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
Wei et al. | Processing method of missing data in dam safety monitoring | |
Ben-Yelun et al. | Self-learning locally-optimal hypertuning using maximum entropy, and comparison of machine learning approaches for estimating fatigue life in composite materials of the aerospace industry | |
CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及系统 | |
CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及系统 | |
CN116306277A (zh) | 一种滑坡位移预测方法、装置及相关组件 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
Donets et al. | Methodology of the countries’ economic development data analysis | |
CN112183846B (zh) | 基于模糊c均值聚类的tvf-emd-mcqrnn负荷概率预测方法 | |
Fazendeiro et al. | A semantic driven evolutive fuzzy clustering algorithm |
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 |