CN116611743A - 基于大数据的建筑工程建造质量评价方法 - Google Patents
基于大数据的建筑工程建造质量评价方法 Download PDFInfo
- Publication number
- CN116611743A CN116611743A CN202310868871.4A CN202310868871A CN116611743A CN 116611743 A CN116611743 A CN 116611743A CN 202310868871 A CN202310868871 A CN 202310868871A CN 116611743 A CN116611743 A CN 116611743A
- Authority
- CN
- China
- Prior art keywords
- delay
- target
- project
- engineering
- cluster
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 14
- 238000002955 isolation Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 28
- 230000007704 transition Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 230000003111 delayed effect Effects 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 239000002023 wood Substances 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于大数据的建筑工程建造质量评价方法。该方法获取延迟簇类;将延迟簇类中的一个建筑工程作为目标工程,设定预设局部范围,确定预设局部范围内的参考工程;获取目标工程与参考工程之间的类型相似度;根据目标工程中的目标延迟原因,获取参考差异;获取局部可控数量与整体数量,根据类型相似度、参考差异、局部可控数量和整体数量,获取孤立程度,进而获取调节值,对延迟簇类的聚类中心进行更新,根据更新后的聚类中心对目标工程的质量进行评价。本发明通过对每个目标延迟原因进行分析,准确获取目标工程的调节值,进而对聚类中心进行准确的调整,使得对目标工程的质量评价更准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于大数据的建筑工程建造质量评价方法。
背景技术
随着大数据的发展,其对于数据的利用也逐渐多样化。在建筑工程行业中,通常利用大数据进行数据收集、数据清洗和数据处理等操作,并根据该方法提高建筑工程建造质量的评价精度和效率,为建筑工程建设提供有力的支持。
常用的方式是通过收集建筑工程建造质量相关的数据,例如建筑工程进度,从中提取特征后,通过聚类算法将相似的建筑工程归为一类,从而更好的对建筑工程的质量进行比较和评估。当簇类中有新的建筑工程的加入时,因为新的建筑工程带来的影响,会导致簇类的聚类中心会发生偏移,进而改变簇类的聚类标准。但在实际场景中,新的建筑工程进度本身受到的影响原因不同,例如当建筑工程因为天气、自然灾害等不可抗拒的原因导致进度的延迟时,该建筑工程的延迟原因的参考价值很低,直接根据该建筑工程的延迟原因对对应的簇类的聚类中心进行调整,会导致簇类更新后的聚类中心不准确,进而对该建筑工程的质量评价不准确。
发明内容
为了解决新的建筑工程中影响进度的原因不确定,使得簇类更新的聚类中心不准确,导致对新的建筑工程的质量评价不准确的技术问题,本发明的目的在于提供一种基于大数据的建筑工程建造质量评价方法,所采用的技术方案具体如下:
本发明提出了一种基于大数据的建筑工程建造质量评价方法,该方法包括以下步骤:
对建筑工程进行聚类获取延迟簇类;获取所述延迟簇类中的可控延迟原因与不可控延迟原因,以及不同延迟原因对应的延迟天数;获取所述延迟簇类中每个建筑工程的项目类型,以及每个项目类型对应的参数向量;获取每个建筑工程的预计完成天数;
将延迟簇类中新加入的一个建筑工程作为目标工程,以目标工程为中心设定预设局部范围,将预设局部范围内的非目标工程的建筑工程作为参考工程;根据目标工程与每个参考工程之间相同项目类型的参数向量,以及目标工程与每个参考工程之间的预计完成天数的差异,获取目标工程与每个参考工程之间的类型相似度;
将目标工程中存在的可控延迟原因作为目标延迟原因,获取含有相同目标延迟原因的每个参考工程与目标工程之间的差异作为参考差异;
获取预设局部范围内的每个目标延迟原因对应的建筑工程的数量作为局部可控数量,以及预设局部范围内的所有建筑工程的数量作为整体数量,根据类型相似度、参考差异、局部可控数量和整体数量,获取每个目标延迟原因的孤立程度;
根据每个目标延迟原因的延迟天数和孤立程度,以及每个不可控延迟原因的延迟天数,获取目标工程的调节值;
根据调节值对延迟簇类的聚类中心进行更新,根据更新后的聚类中心对目标工程的质量进行评价。
进一步地,所述获取含有相同目标延迟原因的每个参考工程与目标工程之间的差异作为参考差异的方法,包括:
任选一个目标延迟原因作为样本延迟原因,获取样本延迟原因对应的延迟天数,作为样本天数;
获取目标工程中的所有延迟原因对应的延迟天数的累加结果,作为目标工程的整体延迟天数;
将所述样本天数与所述整体延迟天数的比值,作为目标工程的参考程度;
获取含有样本延迟原因的每个参考工程的参考程度作为第二参考程度;
获取目标工程的参考程度与每个第二参考程度的差值绝对值,作为目标工程与对应参考工程之间的参考差异。
进一步地,所述类型相似度的获取方法,包括:
根据获取类型相似度的公式获取所述类型相似度,所述类型相似度的公式为:
式中,An为目标工程与第n个参考工程之间的类型相似度;为目标工程的第i个项目类型的参数向量;/>为第n个参考工程的第i个项目类型的参数向量;I为目标工程的项目类型的数量;/>为目标工程与第n个参考工程之间的预计完成天数的差值绝对值;cos< >为余弦相似度函数;norm为归一化函数。
进一步地,所述孤立程度的获取方法,包括:
根据获取孤立程度的公式获取所述孤立程度,所述孤立程度的公式为:
式中,pk为第k个目标延迟原因的孤立程度;为含有第k个目标延迟原因的第m个参考工程的第二参考程度与目标工程的参考程度之间的参考差异;/>为第k个目标延迟原因下的所有参考差异的均值;Am为第m个参考工程与目标工程之间的类型相似度;Mk为第k个目标延迟原因对应的局部可控数量;N为整体数量;norm为归一化函数。
进一步地,所述调节值的获取方法,包括:
根据获取调节值的公式获取所述调节值,所述调节值的公式为:
式中,F为目标工程的调节值;Tk为第k个目标延迟原因对应的延迟天数;Pk为第k个目标延迟原因的孤立程度;Tb为第b个不可控延迟原因对应的延迟天数;K为可控延迟原因的总数量;B为不可控延迟原因的总数量。
进一步地,所述根据调节值对延迟簇类的聚类中心进行更新的方法,包括:
将目标工程未加入前的延迟簇类的聚类中心作为初始聚类中心;
将目标工程加入后的延迟簇类的聚类中心作为过渡聚类中心;
将初始聚类中心指向过渡聚类中心的方向作为偏移向量的方向,将初始聚类中心与过渡聚类中心之间的距离作为偏移向量的大小;
将调节值进行归一化的结果作为调节权重;
将偏移向量与调节权重的乘积作为实际偏移向量;
将初始聚类中心根据实际偏移向量进行更新的位置作为最佳位置;
将实际偏移向量所在的方向上距离最佳位置最近的建筑工程作为延迟簇类更新后的聚类中心。
进一步地,所述根据更新后的聚类中心对目标工程的质量进行评价的方法,包括:
获取更新后的聚类中心与目标工程之间的距离作为评价距离;
将评价距离进行归一化的结果作为评价值;
当评价值小于或者等于预设评价阈值时,目标工程的质量不标准;
当评价值大于预设评价阈值时,目标工程的质量达到了标准。
进一步地,所述每个项目类型对应的参数向量的获取方法,包括:
通过Word2vec模型可以直接将建筑工程的项目类型转换为对应的参数向量。
进一步地,所述对建筑工程进行聚类获取延迟簇类的方法,包括:
获取每个建筑工程的预计完成天数与实际完成天数的比值,作为每个建筑工程的延迟程度;
通过k-means聚类算法根据延迟程度的大小对建筑工程进行聚类,将聚类中心的延迟程度小于预设数据阈值的簇类作为延迟簇类。
本发明具有如下有益效果:
获取延迟簇类,便于统一对延迟建筑工程进行分析,即统一对影响工期的延迟原因进行分析,提高对延迟簇类的聚类中心的调节效率;以目标工程为中心设定预设局部范围,将预设局部范围内的非目标工程的建筑工程作为参考工程,将目标工程与参考工程进行比较,便于获取目标工程中的可控延迟原因的特征;获取目标工程与每个参考工程之间相同项目类型的参数向量,确定目标工程与每个参考工程之间项目类型的相似程度,为了进一步确定目标工程与每个参考工程之间的整体相似程度,获取目标工程与每个参考工程之间的预计完成天数的差异,进而根据目标工程与每个参考工程之间的预设相似度与预计完成天数的差异,获取目标工程与每个参考工程之间的类型相似度,准确表示出目标工程与每个参考工程之间的相似程度,确定相同延迟原因在目标工程与每个参考工程之间的可信度;将目标工程中存在的可控延迟原因作为目标延迟原因,对目标工程进行分析,更具有意义,对后续建筑工程的工期进行调整的参考价值更大;获取含有相同目标延迟原因的每个参考工程与目标工程之间的差异作为参考差异,确定每个目标延迟原因对不同建筑工程的影响情况,初步分析每个目标延迟原因在目标工程中的延迟影响程度中的占比,进而根据类型相似度、参考差异、局部可控数量和整体数量,获取每个目标延迟原因的孤立程度,确定每个目标延迟原因在建筑工程中的普遍性,同时确定每个目标延迟原因实际的影响程度,对后续建筑工程的工期进行优化时做出的调整方案更准确;根据每个目标延迟原因的延迟天数和孤立程度,以及每个不可控延迟原因的延迟天数,准确获取目标工程的调节值;根据调节值对延迟簇类的聚类中心进行准确的更新,使得更新后的聚类中心更符合实际情况,进而对目标工程的质量进行评价的结果更准确。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于大数据的建筑工程建造质量评价方法的流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于大数据的建筑工程建造质量评价方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于大数据的建筑工程建造质量评价方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于大数据的建筑工程建造质量评价方法的流程示意图,该方法包括以下步骤:
步骤S1:对建筑工程进行聚类获取延迟簇类;获取所述延迟簇类中的可控延迟原因与不可控延迟原因,以及不同延迟原因对应的延迟天数;获取所述延迟簇类中每个建筑工程的项目类型,以及每个项目类型对应的参数向量;获取每个建筑工程的预计完成天数。
具体的,基于大数据获得每一个完整的建筑工程中的所有数据,包括每个建筑工程的预计完成天数与实际完成天数等数据,根据每个建筑工程的预计完成天数与实际完成天数,获取每个建筑工程的延迟程度,现有方法中常用k-means聚类算法根据每个建筑工程的延迟程度,对建筑工程进行聚类,使得延迟程度相似的建筑工程划分为一个类别,便于筛选出存在延迟的建筑工程,统一对延迟的建筑工程进行分析,根据延迟建筑工程中的延迟原因,对延迟建筑工程的质量进行准确的分析。提前完成的建筑工程和按计划完成的建筑工程的质量一定是合格的,延迟的建筑工程中存在人为不可抗力的原因如下雨、地震等原因导致的延迟,因此,延迟的建筑工程不可以直接判定为质量不合格。有的延迟原因是不可控的,直接判定延迟的建筑工程为质量不合格是不合理的,因此,为了更准确的对建筑工程的质量进行评价,本发明实施例针对延迟的建筑工程进行分析,根据k-means聚类算法将延迟的建筑工程统一聚类到延迟簇类中。其中,k-means聚类算法为公知技术,在此不再进行赘述。
优选地,获取延迟簇类的方法为:获取每个建筑工程的预计完成天数与实际完成天数的比值,作为每个建筑工程的延迟程度;通过k-means聚类算法根据延迟程度的大小对建筑工程进行聚类,将聚类中心的延迟程度小于预设数据阈值的簇类作为延迟簇类。
作为一个示例,获取每个建筑工程的预计完成天数与实际完成天数的比值,即每个建筑工程的延迟程度。本发明实施例设定预设数据阈值为1,实施者可根据实际情况进行设定,在此不进行限定。当延迟程度大于预设数据阈值时,说明预计完成天数大于实际完成天数,对应的建筑工程为提前完成的建筑工程;当延迟程度等于预设数据阈值时,说明预计完成天数等于实际完成天数,对应的建筑工程为按计划完成的建筑工程;当延迟程度小于预设数据阈值时,说明预计完成天数小于实际完成天数,对应的建筑工程为延迟完成的建筑工程。本发明实施例将k-means聚类算法中的k值设定为3,实施者可根据实际情况进行设定,在此不进行限定;通过k-means聚类算法根据延迟程度的大小对建筑工程进行聚类,因此将建筑工程划分为3个簇类,分别表征工期不同完成情况的簇类,每一个建筑工程都分别有隶属于的簇类,其中,将聚类中心的延迟程度小于预设数据阈值的簇类作为延迟簇类,即所有的延迟完成的建筑工程均在延迟簇类中。
本发明实施例的具体场景为:新的延迟完成的建筑工程的加入会导致延迟簇类的聚类中心发生偏移,进而改变延迟簇类的聚类标准,但是新的延迟完成的建筑工程的延迟原因可能为不可控原因,因此根据新的延迟完成的建筑工程造成的延迟簇类的聚类中心的偏移可能不准确,为了确定延迟簇类的聚类中心的位置,进而对新的延迟完成的建筑工程的质量进行准确的评价,本发明实施例获取延迟簇类中的每个建筑工程的延迟原因,并进行分类。
本发明实施例通过现有的大数据中记录的所有对建筑工程的工期产生影响的延迟原因进行统计。同时通过人为标记的方式对所有的延迟原因分别进行标记,标签分别为“可控延迟原因”和“不可控延迟原因”。其中,可控延迟原因是指由于人为或者管理方面因素导致的延迟,例如施工计划不当、资源调度不佳等,这类可控延迟原因是可以通过更加合理的管控来避免或者减小的。不可控延迟原因则是指人为不可抗拒的原因,例如下雨、自然灾害、政策变化或者其他外部因素导致的,不可控延迟原因通常是意料之外或无法控制的。根据标记后的延迟原因,对每一个延迟完成的建筑工程中存在的延迟原因进行识别,从而得到每一个延迟完成的建筑工程中的延迟原因。为了便于确定每个延迟建筑工程的延迟原因对后续建筑工程的实际影响程度,根据大数据中记录的数据,获取每个延迟原因对应的延迟天数。
在建筑工程中,建筑工程的项目类型多种多样,不同建筑工程中的项目类型可能不相同,会导致相同的延迟原因对于项目类型不同的建筑工程造成的影响是不同的,为了便于确定每个延迟原因对不同建筑工程的影响,本发明实施例获取不同建筑工程之间的类型相似度,在获取类型相似度之前需要先确定每个建筑工程的项目类型。根据以下因素对建筑工程的项目类型进行定义以及分类:
1)项目规模:例如大型,中型,小型等。
2)项目性质:例如住宅,商业,工业,公共建筑等。
3)建造技术:例如钢结构,混凝土结构,木结构等。
对于建筑工程的项目类型,并不只包括上述三种,项目类型是建筑工程的不同种属性,实施者可根据实际需要,直接获取建筑工程的其他项目类型,在此不再进行说明。作为一个示例,以两个建筑工程的项目规模这个项目类型为例,若两个建筑工程的项目规模分别为大型和小型,则两个建筑工程的项目规模这个项目类型不相同,说明两个建筑工程也不相同。
为了便于通过数据直观的感受不同的建筑工程在相同项目类型下的差异,本发明实施例通过Word2vec模型可以直接将建筑工程的每个项目类型转换为对应的参数向量,确定建筑工程的每个项目类型对应的参数向量。其中,Word2vec模型为现有技术,在此不再进行赘述。
需要说明的是,本发明实施例优化的并不是聚类结果,而是对聚类完成后,延迟簇类内建筑工程更新后,对延迟簇类的聚类中心的偏移进行调整,使得更新后的聚类中心的位置更符合实际情况。
步骤S2:将延迟簇类中新加入的一个建筑工程作为目标工程,以目标工程为中心设定预设局部范围,将预设局部范围内的非目标工程的建筑工程作为参考工程;根据目标工程与每个参考工程之间相同项目类型的参数向量,以及目标工程与每个参考工程之间的预计完成天数的差异,获取目标工程与每个参考工程之间的类型相似度。
具体的,在实际情况中相同的延迟原因对于不同的建筑工程造成的影响可能是不同的,若建筑工程之间的相似性不高,则即使相同的延迟原因导致的延迟建筑工程对延迟簇类的聚类中心的影响程度也不相同。其中,建筑工程越相似,则相同的延迟原因导致的影响越相同,同时该延迟原因的可信度越高,进而对延迟簇类的聚类中心调节的更准确。因此,为了确定建筑工程中的延迟原因的可信度,将该建筑工程与位置附近的建筑工程的项目类型进行比较,确定该建筑工程与周围建筑工程的类型相似度,类型相似度越大,说明该建筑工程中的延迟原因在其他建筑工程中造成的影响越相近,因此,该建筑工程中的延迟原因的可信度越高,对后续建筑工程的工期进行优化时的参考价值越大,对延迟簇类的聚类中心的影响越大。
本发明实施例将延迟簇类中新加入的一个建筑工程作为目标工程,以目标工程为中心设定预设局部范围,其中,本发明实施例设定预设局部范围为圆形区域,获取预设局部范围的半径的方法为:获取延迟簇类中的每个建筑工程与目标工程之间的欧式距离作为第一距离,获取第一距离的均值作为第一均值,将第一均值的预设倍数作为预设局部范围的半径,本发明实施例将预设倍数设定为3,实施者可根据实际情况进行设定,在此不进行限定。其中,欧式距离的获取方法为公知技术,在此不再进行赘述。将预设局部范围内不是目标工程的其它建筑工程均作为参考工程。获取目标工程与每个参考工程之间相同项目类型的参数向量之间的余弦相似度,余弦相似度越大,说明目标工程与对应的参考工程之间的项目类型越相似,因此将两个建筑工程之间的余弦相似度进行累加,累加结果越大,说明对应的两个建筑工程的项目类型越相近,即该两个建筑工程越相同。每一个建筑工程的预计完成天数都是相关人员根据建筑工程的项目类型以及各种因素预测后给出的经验值,因此,当预计完成天数越相近时,对应的建筑工程越相同,则同样的延迟原因造成的影响越相同。因此,根据目标工程与每个参考工程之间的余弦相似度,以及目标工程与每个参考工程的预计完成天数之间的差值绝对值,获取目标工程与每个参考工程之间的类型相似度。
作为一个示例,获取目标工程与第n个参考工程之间的类型相似度An的公式为:
式中,An为目标工程与第n个参考工程之间的类型相似度;为目标工程的第i个项目类型的参数向量;/>为第n个参考工程的第i个项目类型的参数向量;I为目标工程的项目类型的数量;/>为目标工程与第n个参考工程之间的预计完成天数的差值绝对值;cos< >为余弦相似度函数;norm为归一化函数。
需要说明的是,余弦相似度越大,目标工程与第n个参考工程之间的第i个项目类型越相似,/>越大,An越大;其中/>的取值范围为-1到1,注意cos< >中的两个参数向量对应的一定是建筑工程的同一个项目类型;的区域范围为0到1。/>越小,说明目标工程与第n个参考工程之间的项目类型越相似,因为目标工程与第n个参考工程存在预计完成天数相差很大的情况,如目标工程因拨款原因需停工90天,第n个参考工程不存在拨款原因,/>会很大,会影响后续数值的计算,本发明实施例通过norm函数对/>进行归一化处理,/>的取值范围为0到1;为了保持/>越小,An越大的逻辑关系,将/>进行负相关映射,即设定预设常数减去/>,本发明实施例将预设常数设定为1,实施者可根据实际情况进行设定,在此不进行限定;/>的范围为0到1;因此,An的取值范围为0到1,且An越大,目标工程与第n个参考工程之间的项目类型越相似,则同样的延迟原因造成的影响越相同,在相似的建筑工程中,延迟原因的可信度越高。
根据获取目标工程与第n个参考工程之间的类型相似度的方法,获取目标工程与每个参考工程之间的类型相似度。
步骤S3:将目标工程中存在的可控延迟原因作为目标延迟原因,获取含有相同目标延迟原因的每个参考工程与目标工程之间的差异作为参考差异。
具体的,在预设局部范围内,当建筑工程的整体延迟天数相近时,说明预设局部范围内的延迟原因在一定的范围内,由于不同延迟原因对应的延迟天数往往不相同,因此建筑工程的整体延迟天数在同一取值范围内,其延迟原因的组成是有限的。本发明实施例将目标工程中存在的可控延迟原因作为目标延迟原因,只对目标工程中的目标延迟原因进行分析。因为可控延迟原因是可以调整的,对其他建筑工程的工期可以产生影响,而不可控延迟原因是无法避免的且随机的,因此,对不可控延迟原因进行分析的意义不大,因此,本发明实施例只对目标工程中的可控延迟原因即目标延迟原因进行分析。通过计算预设局部范围内的目标工程在某一目标延迟原因下与参考工程的之间的参考差异,可以判断出目标工程与参考工程之间的相似程度。
优选地,获取参考差异的方法为:任选一个目标延迟原因作为样本延迟原因,获取样本延迟原因对应的延迟天数,作为样本天数;获取目标工程中的所有延迟原因对应的延迟天数的累加结果,作为目标工程的整体延迟天数;将样本天数与整体延迟天数的比值,作为目标工程的参考程度;获取含有样本延迟原因的每个参考工程的参考程度作为第二参考程度;获取目标工程的参考程度与每个第二参考程度的差值绝对值,作为目标工程与对应参考工程之间的参考差异。
作为一个示例,将目标工程中的第k个目标延迟原因作为样本延迟原因,获取第k个目标延迟原因对应的延迟天数即样本天数,获取目标工程中的所有延迟原因对应的延迟天数的累加结果即目标工程的整体延迟天数,其中,目标工程中的所有的延迟原因包括目标工程中的可控延迟原因和不可控延迟原因。获取样本天数与整体延迟天数的比值即目标工程的参考程度。根据获取目标工程的参考程度的方法,获取含有第k个目标延迟原因的每个参考工程的参考程度即第二参考程度,获取目标工程的参考程度与每个第二参考程度的差值绝对值,作为目标工程与对应参考工程之间的参考差异。其中,参考差异越小,说明第k个目标延迟原因对目标工程与对应参考工程之间的影响越相似。
根据获取第k个目标延迟原因下的目标工程与每个参考工程之间的参考差异的方法,获取每个目标延迟原因对应的目标工程与每个参考工程之间的参考差异。
步骤S4:获取预设局部范围内的每个目标延迟原因对应的建筑工程的数量作为局部可控数量,以及预设局部范围内的所有建筑工程的数量作为整体数量,根据类型相似度、参考差异、局部可控数量和整体数量,获取每个目标延迟原因的孤立程度。
具体的,在延迟簇类中,每个建筑工程的工期完成情况较为相近,但是实际上每一个延迟建筑工程中可能都存在不同的延迟原因,通过分析延迟簇类中的延迟原因,可以对后续建筑工程的工期进行优化,即避免相同延迟原因的再次发生,例如因材料供应不及时导致的延迟,在下一个建筑工程中便注意这方面,这类原因是可控延迟原因,是可以通过人为的改变从而避免建筑工程在实施过程中的延迟问题。对于不可控延迟原因,例如因雨天、地震等不可控延迟原因导致的建筑工程的延迟,是无法避免和预判的,对后续建筑工程的工期进行优化不存在任何参考价值。因此,单独对每个延迟原因进行分析,获取每个延迟原因的孤立程度,便于准确获取目标工程的调节值。
获取目标工程中的每个可控延迟原因即目标延迟原因的孤立程度,确定每个目标延迟原因的占比,使得目标工程对延迟簇类的聚类中心进行调整的调节值更准确。其中,获取孤立程度的具体方法如下:
作为一个示例,以步骤S3中的第k个目标延迟原因为例,获取预设局部范围内的第k个目标延迟原因下的建筑工程的数量作为局部可控数量,以及预设局部范围内的所有建筑工程的数量作为整体数量;第k个目标延迟原因不是预设局部范围内所有参考工程都有,因此这里通过局部可控数量与整体数量的比值,获得第k个目标延迟原因的实际影响程度,局部可控数量越多,说明第k个目标延迟原因的在目标工程的整体影响程度中的占比越多。获取第k个目标延迟原因下的目标工程与每个参考工程之间的参考差异的标准差,同时将对应参考工程与目标工程之间的类型相似度作为内部权重,结合局部可控数量与整体数量的比值,获得第k个目标延迟原因的孤立程度。因此,获取第k个目标延迟原因的孤立程度pk的公式为:
式中,pk为第k个目标延迟原因的孤立程度;为含有第k个目标延迟原因的第m个参考工程的第二参考程度与目标工程的参考程度之间的参考差异;/>为第k个目标延迟原因下的所有参考差异的均值;Am为第m个参考工程与目标工程之间的类型相似度;Mk为第k个目标延迟原因对应的局部可控数量;N为整体数量;norm为归一化函数。
需要说明的是,反应的是目标工程与预设局部范围内含有第k个目标延迟原因的参考工程之间的参考差异的标准差,当/>越大,说明第k个目标延迟原因在建筑工程中的占比分布越离散,即普遍性越差,pk越大;同时,Am越大,第m个参考工程与目标工程越相似,第k个目标延迟原因在第m个参考工程与目标工程之间的可信度越高,因此,Am在这里是为了确定第m个参考工程与目标工程之间的参考差异的真实性;即Am越大,第m个参考工程与目标工程之间的参考差异参与运算的越多,获取的数据才越真实,/>越真实,/>对pk起决定作用。/>越大,说明第k个目标延迟原因在整体影响程度中的占比越多,第k个目标延迟原因的孤立程度应该越小,为了保持Mk越大,pk越小的逻辑关系,本发明实施例对/>进行负相关映射,即,使得Mk越大,/>越大,pk越小。因此,pk越小,第k个目标延迟原因在目标工程中的延迟影响占比越大,在其他建筑工程中的延迟原因中出现概率越大,用于对后续建筑工程的工期进行优化时的参考价值越高;其中,pk的取值范围为0到1之间。
根据获取第k个目标延迟原因的孤立程度的方法,获取目标工程中每个目标延迟原因的孤立程度。
步骤S5:根据每个目标延迟原因的延迟天数和孤立程度,以及每个不可控延迟原因的延迟天数,获取目标工程的调节值。
具体的,获取每个目标延迟原因的延迟天数,根据每个目标延迟原因的孤立程度,确定每个目标延迟原因在目标工程中的占比,进而获取参与后续调节延迟簇类的聚类中心偏移程度的调节值。其中,获取调节值F的公式为:
式中,F为目标工程的调节值;Tk为第k个目标延迟原因对应的延迟天数;Pk为第k个目标延迟原因的孤立程度;Tb为第b个不可控延迟原因对应的延迟天数;K为可控延迟原因的总数量;B为不可控延迟原因的总数量。
需要说明的是,原本默认目标工程中的每一个目标延迟原因的权重都为1,即,经过对每个目标延迟原因的分析,获得了每个目标延迟原因的孤立程度,因此,根据每个目标延迟原因的孤立程度,获得每个目标延迟原因的权重即/>。每个目标延迟原因对应的延迟天数占比即对应了每个目标延迟原因的参考价值,因此,为第k个目标延迟原因的参考价值,其中,/>越大,第k个目标延迟原因的参考价值越大,F越大,进而目标工程对后续建筑工程的工期进行优化提供的参考价值越大。K为延迟簇类内的所有可控延迟原因的总数量,当目标工程中不含有任何可控延迟原因,将不存在的可控延迟原因直接默认为0;B为延迟簇类内的所有不可控延迟原因的总数量,当目标工程中不含有任何不可控延迟原因,将不存在的不可控延迟原因直接默认为0。
步骤S6:根据调节值对延迟簇类的聚类中心进行更新,根据更新后的聚类中心对目标工程的质量进行评价。
具体的,在每个建筑工程中,会存在不同的延迟原因,包括可控延迟原因或者不可控延迟原因,但是无论是可控延迟原因或者不可控延迟原因,其中有一部分的延迟原因是由于建筑工程中的质量问题引起的。例如,延迟原因是建筑工程中的材料监测指标不合格,材料监测指标不合格的原因可能是工人操作问题,也可能是材料本身问题,该延迟原因便对应着建筑工程的整体可能存在材料质量问题。基于各种延迟原因对建筑工程中实际造成的干扰进行权重调整,同时,后续的建筑工程根据聚类结果找到的相似建筑工程,能够对应的对材料质量问题进行识别。如建筑工程a与相似的建筑工程b,都存在相同材料不足导致的工期延迟情况,在建筑工程b中,为了购买合格的材料导致延迟比较严重;在建筑工程a中,为了减轻延迟情况,可能购买了不合格的材料。在后续分析时,需要对建筑工程a中的该材料的质量进行检测。因此,基于延迟原因确定质量监测的具体方向,进而通过对目标工程的延迟原因进行准确的分析,提高对目标工程的质量检测。
将目标工程加入到延迟簇类后,取预设局部范围内与目标工程相近的参考工程的施工记录输出给相关人员,通过结合多个延迟原因或者延迟完成进度相近的建筑工程之间的情况进行分析,找出目标工程与参考工程之间存在的相关性和规律,从而对目标工程中的延迟原因进行查找以及确定每个可控延迟原因对应的优化调整方案,并对应得到目标工程的质量评价。为了准确的对目标工程的质量进行评价,需用先根据调节值对延迟簇类的聚类中心进行更新,获取更新后的聚类中心的位置。
优选地,根据调节值对延迟簇类的聚类中心进行更新的方法为:将目标工程未加入前的延迟簇类的聚类中心作为初始聚类中心;将目标工程加入后的延迟簇类的聚类中心作为过渡聚类中心;将初始聚类中心指向过渡聚类中心的方向作为偏移向量的方向,将初始聚类中心与过渡聚类中心之间的距离作为偏移向量的大小;将调节值进行归一化的结果作为调节权重;将偏移向量与调节权重的乘积作为实际偏移向量;将初始聚类中心根据实际偏移向量进行更新的位置作为最佳位置;将实际偏移向量所在的方向上距离最佳位置最近的建筑工程作为延迟簇类更新后的聚类中心。
需要说明的是,初始聚类中心与过渡聚类中心之间的距离为欧式距离。调节权重为数值,偏移向量为矢量,因此,调节权重实质改变的是偏移向量的距离,方向不发生改变,因此,偏移向量与实际偏移向量的方向相同,延迟簇类更新后的聚类中心的位置一定在初始聚类中心与过渡聚类中心之间,且一定在实际偏移向量所在的方向上,即以初始聚类中心为起点,沿着偏移向量的方向,即初始聚类中心指向过渡聚类中心的方向,将距离初始聚类的长度为实际偏移向量的大小的位置作为最佳位置,当最佳位置上有对应的建筑工程时,将该建筑工程作为更新后的聚类中心点;当最佳位置上不存在建筑工程时,将实际偏移向量所在的方向上距离最佳位置最近的建筑工程作为延迟簇类更新后的聚类中心。
获取更新后的聚类中心与目标工程之间的距离作为评价距离;将评价距离进行归一化的结果作为评价值;当评价值小于或者等于预设评价阈值时,说明目标工程的质量不标准;当评价值大于预设评价阈值时,说明目标工程的质量达到了标准。
获取更新后的聚类中心与目标工程之间的欧式距离作为评价距离,本发明实施例设定预设评价阈值为0.3,实施者可根据实际情况进行设定,在此不进行限定。当评价值小于或者等于预设评价阈值时,说明目标工程的质量不标准,可根据目标工程中的可控延迟原因对建筑工程进行优化,避免目标工程中的可控延迟原因的再次发生,或者降低目标工程中的可控延迟原因的发生概率,加快建筑工程的完成时间;当评价值大于预设评价阈值时,说明目标工程的质量达到了标准,目标工程的延迟原因越可能为不可控延迟原因,对建筑工程的优化帮助不大。
至此,本发明完成。
综上所述,本发明实施例获取延迟簇类;将延迟簇类中的一个建筑工程作为目标工程,设定预设局部范围,确定预设局部范围内的参考工程;获取目标工程与每个参考工程之间的类型相似度;根据目标工程中的目标延迟原因,获取参考差异;获取局部可控数量与整体数量,根据类型相似度、参考差异、局部可控数量和整体数量,获取孤立程度,进而获取目标工程的调节值,对延迟簇类的聚类中心进行更新,根据更新后的聚类中心对目标工程的质量进行评价。本发明通过对每个目标延迟原因进行分析,准确获取目标工程的调节值,进而对聚类中心进行准确的调整,使得对目标工程的质量评价更准确。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。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。
本说明书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。
Claims (9)
1.一种基于大数据的建筑工程建造质量评价方法,其特征在于,该方法包括以下步骤:
对建筑工程进行聚类获取延迟簇类;获取所述延迟簇类中的可控延迟原因与不可控延迟原因,以及不同延迟原因对应的延迟天数;获取所述延迟簇类中每个建筑工程的项目类型,以及每个项目类型对应的参数向量;获取每个建筑工程的预计完成天数;
将延迟簇类中新加入的一个建筑工程作为目标工程,以目标工程为中心设定预设局部范围,将预设局部范围内的非目标工程的建筑工程作为参考工程;根据目标工程与每个参考工程之间相同项目类型的参数向量,以及目标工程与每个参考工程之间的预计完成天数的差异,获取目标工程与每个参考工程之间的类型相似度;
将目标工程中存在的可控延迟原因作为目标延迟原因,获取含有相同目标延迟原因的每个参考工程与目标工程之间的差异作为参考差异;
获取预设局部范围内的每个目标延迟原因对应的建筑工程的数量作为局部可控数量,以及预设局部范围内的所有建筑工程的数量作为整体数量,根据类型相似度、参考差异、局部可控数量和整体数量,获取每个目标延迟原因的孤立程度;
根据每个目标延迟原因的延迟天数和孤立程度,以及每个不可控延迟原因的延迟天数,获取目标工程的调节值;
根据调节值对延迟簇类的聚类中心进行更新,根据更新后的聚类中心对目标工程的质量进行评价。
2.如权利要求1所述一种基于大数据的建筑工程建造质量评价方法,其特征在于,所述获取含有相同目标延迟原因的每个参考工程与目标工程之间的差异作为参考差异的方法,包括:
任选一个目标延迟原因作为样本延迟原因,获取样本延迟原因对应的延迟天数,作为样本天数;
获取目标工程中的所有延迟原因对应的延迟天数的累加结果,作为目标工程的整体延迟天数;
将所述样本天数与所述整体延迟天数的比值,作为目标工程的参考程度;
获取含有样本延迟原因的每个参考工程的参考程度作为第二参考程度;
获取目标工程的参考程度与每个第二参考程度的差值绝对值,作为目标工程与对应参考工程之间的参考差异。
3.如权利要求1所述一种基于大数据的建筑工程建造质量评价方法,其特征在于,所述类型相似度的获取方法,包括:
根据获取类型相似度的公式获取所述类型相似度,所述类型相似度的公式为:
式中,An为目标工程与第n个参考工程之间的类型相似度;/>为目标工程的第i个项目类型的参数向量;/>为第n个参考工程的第i个项目类型的参数向量;I为目标工程的项目类型的数量;/>为目标工程与第n个参考工程之间的预计完成天数的差值绝对值;cos< >为余弦相似度函数;norm为归一化函数。
4.如权利要求2所述一种基于大数据的建筑工程建造质量评价方法,其特征在于,所述孤立程度的获取方法,包括:
根据获取孤立程度的公式获取所述孤立程度,所述孤立程度的公式为:
式中,pk为第k个目标延迟原因的孤立程度;/>为含有第k个目标延迟原因的第m个参考工程的第二参考程度与目标工程的参考程度之间的参考差异;/>为第k个目标延迟原因下的所有参考差异的均值;Am为第m个参考工程与目标工程之间的类型相似度;Mk为第k个目标延迟原因对应的局部可控数量;N为整体数量;norm为归一化函数。
5.如权利要求1所述一种基于大数据的建筑工程建造质量评价方法,其特征在于,所述调节值的获取方法,包括:
根据获取调节值的公式获取所述调节值,所述调节值的公式为:
式中,F为目标工程的调节值;Tk为第k个目标延迟原因对应的延迟天数;Pk为第k个目标延迟原因的孤立程度;Tb为第b个不可控延迟原因对应的延迟天数;K为可控延迟原因的总数量;B为不可控延迟原因的总数量。
6.如权利要求1所述一种基于大数据的建筑工程建造质量评价方法,其特征在于,所述根据调节值对延迟簇类的聚类中心进行更新的方法,包括:
将目标工程未加入前的延迟簇类的聚类中心作为初始聚类中心;
将目标工程加入后的延迟簇类的聚类中心作为过渡聚类中心;
将初始聚类中心指向过渡聚类中心的方向作为偏移向量的方向,将初始聚类中心与过渡聚类中心之间的距离作为偏移向量的大小;
将调节值进行归一化的结果作为调节权重;
将偏移向量与调节权重的乘积作为实际偏移向量;
将初始聚类中心根据实际偏移向量进行更新的位置作为最佳位置;
将实际偏移向量所在的方向上距离最佳位置最近的建筑工程作为延迟簇类更新后的聚类中心。
7.如权利要求1所述一种基于大数据的建筑工程建造质量评价方法,其特征在于,所述根据更新后的聚类中心对目标工程的质量进行评价的方法,包括:
获取更新后的聚类中心与目标工程之间的距离作为评价距离;
将评价距离进行归一化的结果作为评价值;
当评价值小于或者等于预设评价阈值时,目标工程的质量不标准;
当评价值大于预设评价阈值时,目标工程的质量达到了标准。
8.如权利要求1所述一种基于大数据的建筑工程建造质量评价方法,其特征在于,所述每个项目类型对应的参数向量的获取方法,包括:
通过Word2vec模型可以直接将建筑工程的项目类型转换为对应的参数向量。
9.如权利要求1所述一种基于大数据的建筑工程建造质量评价方法,其特征在于,所述对建筑工程进行聚类获取延迟簇类的方法,包括:
获取每个建筑工程的预计完成天数与实际完成天数的比值,作为每个建筑工程的延迟程度;
通过k-means聚类算法根据延迟程度的大小对建筑工程进行聚类,将聚类中心的延迟程度小于预设数据阈值的簇类作为延迟簇类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868871.4A CN116611743B (zh) | 2023-07-17 | 2023-07-17 | 基于大数据的建筑工程建造质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868871.4A CN116611743B (zh) | 2023-07-17 | 2023-07-17 | 基于大数据的建筑工程建造质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116611743A true CN116611743A (zh) | 2023-08-18 |
CN116611743B CN116611743B (zh) | 2023-10-10 |
Family
ID=87680330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868871.4A Active CN116611743B (zh) | 2023-07-17 | 2023-07-17 | 基于大数据的建筑工程建造质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611743B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236656A (zh) * | 2023-11-13 | 2023-12-15 | 深圳聚众云工程科技有限公司 | 工程项目的信息化管理方法及系统 |
CN118051801A (zh) * | 2024-04-16 | 2024-05-17 | 山东东阿古胶阿胶系列产品有限公司 | 一种速溶阿胶粉加工过程监测数据智能分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001016838A2 (en) * | 1999-08-30 | 2001-03-08 | Strategic Simulation Systems, Inc. | Project management, scheduling system and method |
CN112837184A (zh) * | 2021-02-22 | 2021-05-25 | 辽宁科技学院 | 一种适用于建筑工程的项目管理系统 |
CN113411303A (zh) * | 2021-05-12 | 2021-09-17 | 桂林电子科技大学 | 基于层次聚类和层次分析法的评估指标体系构建方法 |
CN114862337A (zh) * | 2022-04-02 | 2022-08-05 | 上海电力大学 | 基于改进k均值算法的异常项目筛选方法 |
CN115659846A (zh) * | 2022-12-08 | 2023-01-31 | 江苏坤通科技产业发展有限公司 | 基于bim的建筑稳定实时监测方法 |
CN115983721A (zh) * | 2023-03-20 | 2023-04-18 | 青岛豪迈电缆集团有限公司 | 一种基于物联网大数据的电缆生产质量数据管理系统 |
CN116110255A (zh) * | 2023-01-18 | 2023-05-12 | 武汉理工大学 | 船舶靠泊碰撞预警方法、系统及存储介质 |
-
2023
- 2023-07-17 CN CN202310868871.4A patent/CN116611743B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001016838A2 (en) * | 1999-08-30 | 2001-03-08 | Strategic Simulation Systems, Inc. | Project management, scheduling system and method |
CN112837184A (zh) * | 2021-02-22 | 2021-05-25 | 辽宁科技学院 | 一种适用于建筑工程的项目管理系统 |
CN113411303A (zh) * | 2021-05-12 | 2021-09-17 | 桂林电子科技大学 | 基于层次聚类和层次分析法的评估指标体系构建方法 |
CN114862337A (zh) * | 2022-04-02 | 2022-08-05 | 上海电力大学 | 基于改进k均值算法的异常项目筛选方法 |
CN115659846A (zh) * | 2022-12-08 | 2023-01-31 | 江苏坤通科技产业发展有限公司 | 基于bim的建筑稳定实时监测方法 |
CN116110255A (zh) * | 2023-01-18 | 2023-05-12 | 武汉理工大学 | 船舶靠泊碰撞预警方法、系统及存储介质 |
CN115983721A (zh) * | 2023-03-20 | 2023-04-18 | 青岛豪迈电缆集团有限公司 | 一种基于物联网大数据的电缆生产质量数据管理系统 |
Non-Patent Citations (3)
Title |
---|
HUAWANG SHI等: "Entropy-Based Rough Set Approach for Risk Analysis of Construction Quality", 《INTERNATIONAL CONFERENCE ON TEST AND MEASUREMENT》, pages 256 - 259 * |
杨雄等: "基于改进动态时间规整算法的终端波形比对方法", 《电 子 测 量 技 术》, vol. 46, no. 6, pages 178 - 184 * |
谢国伟;钱雪忠;周世兵;: "基于非参数核密度估计的密度峰值聚类算法", 计算机应用研究, no. 10 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236656A (zh) * | 2023-11-13 | 2023-12-15 | 深圳聚众云工程科技有限公司 | 工程项目的信息化管理方法及系统 |
CN117236656B (zh) * | 2023-11-13 | 2024-03-08 | 深圳聚众云工程科技有限公司 | 工程项目的信息化管理方法及系统 |
CN118051801A (zh) * | 2024-04-16 | 2024-05-17 | 山东东阿古胶阿胶系列产品有限公司 | 一种速溶阿胶粉加工过程监测数据智能分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116611743B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116611743B (zh) | 基于大数据的建筑工程建造质量评价方法 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
CN112686286B (zh) | 建筑运行能耗异常识别方法、系统、计算机可读存储介质 | |
CN113742387A (zh) | 数据处理方法、设备及计算机可读存储介质 | |
CN112016175A (zh) | 一种基于树状层次聚类的供水管网测压点优化布置方法 | |
CN103760814A (zh) | 基于特征的多品种小批量生产零件过程能力指数确定方法 | |
CN112163636B (zh) | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 | |
CN115689051A (zh) | 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法 | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN114519651A (zh) | 基于电力大数据的智能配电方法 | |
CN108664752A (zh) | 一种基于工艺规则和大数据分析技术的工艺参数优化方法 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN111339155B (zh) | 一种关联分析系统 | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN112434685B (zh) | 基于地表要素的遥感图像信息精细提取方法 | |
CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 | |
CN107507885B (zh) | 基于多通道传感器数据的太阳能电池生产过程监测方法 | |
CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及系统 | |
CN108960332A (zh) | 一种基于多向主元素分析法的在线监测方法 | |
CN115018014A (zh) | 基于多源信息的机器学习辅助的通信场景分类方法 | |
CN115456260A (zh) | 客服话务量预测方法 | |
CN115187127A (zh) | 基于空间分析的详细规划分级管理智能检测方法 | |
CN115292381A (zh) | 一种基于极限梯度提升算法的虚拟货币挖矿行为识别方法 |
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 |