CN116757337A - 一种基于人工智能的房建施工进度预测系统 - Google Patents
一种基于人工智能的房建施工进度预测系统 Download PDFInfo
- Publication number
- CN116757337A CN116757337A CN202311042655.0A CN202311042655A CN116757337A CN 116757337 A CN116757337 A CN 116757337A CN 202311042655 A CN202311042655 A CN 202311042655A CN 116757337 A CN116757337 A CN 116757337A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sequence data
- target time
- data
- target
- 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 45
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000009435 building construction Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012163 sequencing technique 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及用于预测目的的数据处理系统领域，具体涉及一种基于人工智能的房建施工进度预测系统，包括：获取若干目标时序数据以及对应的窗口；根据相邻运行时序数据得到运行时序数据的变化方向；根据运行时序数据的变化方向得到目标时序数据的趋势特征因子；根据趋势特征因子与目标时序数据的发电功率得到目标时序数据的状态优化因子；根据状态优化因子与趋势特征因子得到优化距离度量；根据优化距离度量进行聚类得到聚类簇；根据聚类簇得到目标时序数据的隐藏状态；根据隐藏状态进行基于人工智能的房建施工进度预测。本发明可以提高发电机组运行状态判断的准确性，从而构建更加准确的施工进度预测模型，进而保证对于房建施工进度的准确预测。
Description
技术领域
本发明涉及用于预测目的的数据处理系统领域，具体涉及一种基于人工智能的房建施工进度预测系统。
背景技术
在房建施工的过程中，为了更好地了解房建施工进度，从而调整施工任务以及资源的安排，需要对房建施工进度进行预测，现有技术主要是根据房建施工发电机组的多维时序数据建立隐马尔可夫模型获取预测的施工状态隐藏序列，从而预测在施工进度预期下，是否可以正常完成房建施工任务。
但在实际房建施工进度预测过程中，发电机组的运行数据会发生不同的趋势性变化，系统可能会将本来属于异常状态的趋势性变化作为正常状态的趋势性变化，从而错失检修发电机组的黄金时间，导致房建施工进度预测不准确；针对上述问题，本发明提出了一种基于人工智能的房建施工进度预测系统，通过发电机组的运行数据在时序上的延时影响因子对目标时序数据的异常进行判断，获取到准确的发电机组运行状态，保证对于房建施工进度预测的准确性。
发明内容
本发明提供一种基于人工智能的房建施工进度预测系统，以解决现有的问题。
本发明的一种基于人工智能的房建施工进度预测系统采用如下技术方案：
本发明一个实施例提供了一种基于人工智能的房建施工进度预测系统，该系统包括以下模块：
运行时序数据获取模块，采集由运行时序数据构成的运行时序数据序列，所述运行时序数据包含发电功率；
趋势特征因子获取模块，对运行时序数据序列通过滑动窗口进行滑动，将位于窗口中心的运行时序数据记为目标时序数据，得到若干目标时序数据以及对应的窗口；根据目标时序数据的窗口内相邻运行时序数据大小，得到每个目标时序数据的窗口内每个运行时序数据的变化方向；根据每个目标时序数据的窗口内每个运行时序数据的变化方向，得到每个目标时序数据的趋势特征因子；
状态优化因子获取模块，根据每个目标时序数据的趋势特征因子与每个目标时序数据的发电功率，得到每个目标时序数据的状态优化因子；
房建施工进度预测模块，根据每个目标时序数据的状态优化因子与每个目标时序数据的趋势特征因子，得到每对目标时序数据的优化距离度量；根据每对目标时序数据的优化距离度量对所有目标时序数据进行聚类得到若干聚类簇；根据聚类簇得到每个目标时序数据的隐藏状态；根据每个目标时序数据的隐藏状态进行基于人工智能的房建施工进度预测。
优选的，所述对运行时序数据序列通过滑动窗口进行滑动，得到若干目标时序数据以及对应的窗口，包括的具体方法为：
预设一个滑动窗口长度的窗口以及预设步长，将位于窗口中心的运行时序数据记为目标时序数据，以步长为预设步长开始滑动窗口，得到若干目标时序数据。
优选的，所述得到每个目标时序数据的窗口内每个运行时序数据的变化方向，包括的具体方法为：
对于任意一个目标时序数据的窗口内除目标时序数据以外的任意相邻的两个运行时序数据，在两个运行时序数据中，若前一个运行时序数据大于后一个运行时序数据，则后一个运行时序数据的变化方向为降低；若前一个运行时序数据等于后一个运行时序数据，则后一个运行时序数据的变化方向为稳定；若前一个运行时序数据小于后一个运行时序数据，则后一个运行时序数据的变化方向为增大。
优选的，所述根据每个目标时序数据的窗口内每个运行时序数据的变化方向，得到每个目标时序数据的趋势特征因子，包括的具体方法为：
对于任意一个目标时序数据，式中，表示目标时序数据的趋势特征因子；L1表示在目标时序数据的窗口内，包含的除该目标时序数据以外的运行时序数据数量；/>表示在目标时序数据的窗口内，除该目标时序数据以外的第j个运行时序数据与第j+1个运行时序数据的欧式距离；/>表示在该目标时序数据的窗口内，除该目标时序数据以外的第k个运行时序数据与第k+1个运行时序数据的欧式距离；/>表示在目标时序数据的窗口内，除该目标时序数据以外与第j个运行时序数据变化方向相同的运行时序数据数量；表示以自然常数为底的指数函数。
优选的，所述根据每个目标时序数据的趋势特征因子与每个目标时序数据的发电功率得到每个目标时序数据的状态优化因子，包括的具体方法为：
对于任意一个目标时序数据，式中，表示目标时序数据的初始状态优化因子；L2表示在目标时序数据的窗口内，包含的运行时序数据数量；/>表示在目标时序数据的窗口内，第i个运行时序数据的趋势特征因子；/>表示在目标时序数据的窗口内，第i个运行时序数据的发电功率；获取所有目标时序数据的初始状态优化因子，将每个目标时序数据的初始状态优化因子经线性归一化后的值记为每个目标时序数据的状态优化因子。
优选的，所述根据每个目标时序数据的状态优化因子与每个目标时序数据的趋势特征因子得到每对目标时序数据的优化距离度量，包括的具体方法为：
对于任意两个目标时序数据，式中，表示第m个目标时序数据与第n个目标时序数据的优化距离度量；/>表示第m个目标时序数据的状态优化因子；/>表示第n个目标时序数据的状态优化因子；/>表示第m个目标时序数据与第n个目标时序数据的欧式距离。
优选的，所述根据每对目标时序数据的优化距离度量对所有目标时序数据进行聚类得到若干聚类簇，包括的具体方法为：
根据所有目标时序数据之间的优化距离度量对所有目标时序数据进行K-means聚类得到若干聚类簇，将发电功率均值最大的聚类簇记为高功率聚类簇。
优选的，所述根据聚类簇得到每个目标时序数据的隐藏状态，包括的具体方法为：
将高功率聚类簇内包含的若干目标时序数据的隐藏状态进行预设；获取异常聚类簇，将异常聚类簇内包含的若干目标时序数据的隐藏状态进行二次预设；将剩余的聚类簇记为标准聚类簇，将标准聚类簇内包含的若干目标时序数据的隐藏状态进行三次预设。
优选的，所述获取异常聚类簇，包括的具体方法为：
将发电功率均值最小的聚类簇记为异常聚类簇。
优选的，所述根据每个目标时序数据的隐藏状态进行基于人工智能的房建施工进度预测，包括的具体方法为：
将所有目标时序数据的隐藏状态加入到房建施工数据各个部分的观测数据与隐藏状态中建立新的隐马尔可夫模型，通过维特比算法获取到房建施工进度的施工状态序列，进行房建施工进度预测。
本发明的技术方案的有益效果是：通过发电机组运行时序数据的历史趋势变化对后续的运行时序数据对应的发电机组运行状态进行优化，相较于传统的通过单一时刻运行时序数据进行隐藏状态的确定，可以更加准确对发电机组的运行状态进行异常预警，提高发电机组运行状态判断的准确性，从而构建更加准确的施工进度预测模型，进而保证对于房建施工进度的准确预测。
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，下面将对实施例或现有技术描述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为本发明的一种基于人工智能的房建施工进度预测系统的结构框图。
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人工智能的房建施工进度预测系统，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人工智能的房建施工进度预测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的房建施工进度预测系统的结构框图，该系统包括以下模块：
运行时序数据获取模块101，采集发电机组的运行时序数据。
需要说明的是，在实际房建施工进度预测过程中，发电机组的运行数据会发生不同的趋势性变化，系统可能会将本来属于异常状态的趋势性变化作为正常状态的趋势性变化，从而错失检修发电机组的黄金时间，导致房建施工进度预测不准确；针对上述问题，本实施例提出了一种基于人工智能的房建施工进度预测系统，通过发电机组的运行数据在时序上的延时影响因子对目标时序数据的异常进行判断，获取到准确的发电机组运行状态，保证对于房建施工进度预测的准确性。
为了实现本实施例提出的一种基于人工智能的房建施工进度预测系统，首先需要采集运行时序数据，具体过程为：获取数据库中发电机组近一周的运行数据，将运行时序数据按数据库记录时间顺序排序后所构成的序列记为运行时序数据序列；其中每个运行时序数据对应每个时刻发电机组的发电功率与用电负荷。
至此，通过上述方法得到发电机组的运行时序数据序列。
趋势特征因子获取模块102，对运行时序数据序列通过滑动窗口进行滑动，得到若干目标时序数据以及对应的窗口；根据目标时序数据以及对应的窗口得到运行时序数据的变化方向；根据变化方向得到目标时序数据的趋势特征因子。
需要说明的是，由于发电机组的运行时序数据需要通过连续的运行时序数据变化来衡量，所以需要通过滑动窗口确定每个运行时序数据的趋势特征；获取每个运行时序数据的趋势特征后，而在根据趋势特征对运行时序数据进行聚类划分状态时，会存在以下两种特殊情况：某个时刻的运行时序数据虽处于划分的正常状态，但在发电机组运行趋势中该时刻的运行时序数据向着划分的异常状态趋近；某个时刻的运行时序数据因操作人员的非标操作导致该时刻的运行时序数据处于划分的异常状态，该时刻的运行时序数据实际属于划分的正常状态。所以在计算运行时序数据的趋势特征因子的过程中，需要通过滑动窗口的路径变化对状态优化因子进行调整，从而在聚类的过程中将每个时刻的运行时序数据进行准确的簇类划分，获取准确的运行时序数据隐藏状态。
具体的，预设一个滑动窗口长度L的窗口，其中本实施例以L=21为例进行叙述，本实施例不进行具体限定，其中L可根据具体实施情况而定；将位于窗口中心的运行时序数据记为目标时序数据，从运行时序数据序列第11个运行时序数据作为窗口中心，以步长为1开始滑动窗口，得到若干目标时序数据，则运行时序数据序列中除前10个及最后10个运行时序数据，其他运行时序数据均为目标时序数据；则目标时序数据的数量少于运行时序数据的数量，每个窗口对应一个目标时序数据，每个目标时序数据对应一个运行时序数据，运行时序数据序列中前10个运行时序数据与后10个运行时序数据的趋势特征因子预设为0。
进一步的，以任意一个目标时序数据的窗口内除该目标时序数据以外的任意相邻的两个运行时序数据为例，在两个运行时序数据中，若前一个运行时序数据大于后一个运行时序数据，则后一个运行时序数据的变化方向为降低；若前一个运行时序数据等于后一个运行时序数据，则后一个运行时序数据的变化方向为稳定；若前一个运行时序数据小于后一个运行时序数据，则后一个运行时序数据的变化方向为增大；获取所有运行时序数据的变化方向。其中任意一个目标时序数据的窗口内第一个运行时序数据的变化方向与第二个运行时序数据的变化方向默认一致。
进一步的，以任意一个目标时序数据为例，该目标时序数据的趋势特征因子的计算方法为：
式中，表示该目标时序数据的趋势特征因子；L1表示在该目标时序数据的窗口内，包含的除该目标时序数据以外的运行时序数据数量；/>表示在该目标时序数据的窗口内，除该目标时序数据以外的第j个运行时序数据与第j+1个运行时序数据的欧式距离；/>表示在该目标时序数据的窗口内，除该目标时序数据以外的第k个运行时序数据与第k+1个运行时序数据的欧式距离；/>表示在该目标时序数据的窗口内，除该目标时序数据以外与第j个运行时序数据变化方向相同的运行时序数据数量；/>表示以自然常数为底的指数函数，本实施例采用/>函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归一化函数。获取所有目标时序数据的趋势特征因子。其中多维数据之间的欧式距离获取是公知内容，本实施例不进行叙述。
另外需要说明的是，在滑动窗口中，目标时序数据存在着变化，对于目标时序数据的趋势变化因为存在着一些非标准操作导致的发电机组发电功率变化的情况，表现为目标时序数据在窗口中的急剧变化，这些突然的变化会在滑动窗口中表现为目标时序数据之间的欧氏距离显著变大，那么在上式中通过对发电机组在发电过程中的滑动窗口范围内的急剧变化进行评估；在获取到每个目标时序数据到下一个目标时序数据的欧式距离之后，对每个目标时序数据在两侧具有连续同方向变化的目标时序数据数量进行加权，从而提取到目标时序数据的趋势变化特征；当窗口中存在着更多的连续趋势时，对于目标时序数据则需要在后续的过程中获取到更多的该目标时序数据之后的发电机组发电功率的数值变化。
至此，通过上述方法得到所有目标时序数据的趋势特征因子。
状态优化因子获取模块103，根据目标时序数据的趋势特征因子得到目标时序数据的状态优化因子。
需要说明的是，在发电机组的运行时序数据中，发电机组的隐藏状态由运行时序数据的发电功率判断获取；而在发电机组发生异常之前，会存在一段时间内运行时序数据的发电功率连续下降的情况，但在实际房建施工过程中，需要在发电机组发生异常之前进行维护处理，从而保证正常的房建施工进度。所以在发电机组隐藏状态划分时，需要将连续趋势变化的目标时序数据划分到相同的簇类中，将其作为相同的隐藏状态。
具体的，以任意一个目标时序数据为例，根据该目标时序数据的趋势特征因子得到该目标时序数据的状态优化因子，其中该目标时序数据的状态优化因子的计算方法为：
式中，表示该目标时序数据的初始状态优化因子；L2表示在该目标时序数据的窗口内，包含的运行时序数据数量；/>表示在该目标时序数据的窗口内，第i个运行时序数据的趋势特征因子；/>表示在该目标时序数据的窗口内，第i个运行时序数据的发电功率。获取所有目标时序数据的初始状态优化因子，将每个目标时序数据的初始状态优化因子经线性归一化后的值记为每个目标时序数据的状态优化因子。
另外需要说明的是，在窗口内目标时序数据通过趋势特征因子优化后的监测数值均值进行归一化处理，获取到目标时序数据在整个数据空间中进行聚类的状态优化因子。根据窗口内目标时序数据的均值归一化对目标时序数据在聚类过程中的距离度量进行优化，可以使得通过获取到的趋势特征因子中具有连续特征变化的目标时序数据，使重要的目标时序数据权重更高，而对于人为行为导致的异常目标时序数据将其影响降低，在均值的计算过程中，对于每一个目标时序数据，在其窗口内，连续变化的目标时序数据越多，则说明该目标时序数据更应该与临近目标时序数据划分为相同簇类，所以在均值中，可以使得该目标时序数据具有连续趋势的数值信息，那么在聚类过程中通过该状态优化因子进行距离度量的优化即可将连续趋势目标时序数据划分为相同的隐藏状态。
至此，通过上述方法得到所有目标时序数据的状态优化因子。
房建施工进度预测模块104，根据状态优化因子与趋势特征因子得到优化距离度量，根据优化距离度量对目标时序数据进行聚类得到若干聚类簇，从而得到每个目标时序数据的隐藏状态；根据隐藏状态进行基于人工智能的房建施工进度预测。
具体的，根据状态优化因子对K-means聚类过程中的距离度量进行优化，以任意两个目标时序数据为例，该对目标时序数据的距离度量的优化方法为：
式中，表示第m个目标时序数据与第n个目标时序数据的优化距离度量；/>表示第m个目标时序数据的状态优化因子；/>表示第n个目标时序数据的状态优化因子；表示第m个目标时序数据与第n个目标时序数据的欧式距离。获取所有目标时序数据之间的优化距离度量。
进一步的，根据所有目标时序数据之间的优化距离度量对所有目标时序数据进行K-means聚类得到若干聚类簇，将发电功率均值最大的聚类簇记为高功率聚类簇，将高功率聚类簇内包含的若干目标时序数据的隐藏状态记为1；将发电功率均值最小的聚类簇记为异常聚类簇，将异常聚类簇内包含的若干目标时序数据的隐藏状态记为0；将剩余的聚类簇记为标准聚类簇，将标准聚类簇内包含的若干目标时序数据的隐藏状态记为2；获取所有目标时序数据的隐藏状态。其中K-means聚类是公知技术，需要预设聚类数量K，其中本实施例以K=3为例进行叙述，本实施例不进行具体限定，其中K可根据具体实施情况而定。
进一步的，将所有目标时序数据的隐藏状态加入到房建施工数据各个部分的观测数据与隐藏状态中建立新的隐马尔可夫模型，通过维特比算法获取到房建施工进度的施工状态序列，进行房建施工进度预测，其中隐马尔可夫模型建立及维特比算法均为公知技术，本实施例不再赘述，通过施工状态序列完成房建施工进度的预测。
至此，本实施例完成。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的房建施工进度预测系统，其特征在于，该系统包括以下模块：
运行时序数据获取模块，采集由运行时序数据构成的运行时序数据序列，所述运行时序数据包含发电功率；
趋势特征因子获取模块，对运行时序数据序列通过滑动窗口进行滑动，得到若干目标时序数据以及对应的窗口；根据目标时序数据的窗口内相邻运行时序数据大小，得到每个目标时序数据的窗口内每个运行时序数据的变化方向；根据每个目标时序数据的窗口内每个运行时序数据的变化方向，得到每个目标时序数据的趋势特征因子；
状态优化因子获取模块，根据每个目标时序数据的趋势特征因子与每个目标时序数据的发电功率，得到每个目标时序数据的状态优化因子；
房建施工进度预测模块，根据每个目标时序数据的状态优化因子与每个目标时序数据的趋势特征因子,得到每对目标时序数据的优化距离度量；根据每对目标时序数据的优化距离度量对所有目标时序数据进行聚类得到若干聚类簇；根据聚类簇得到每个目标时序数据的隐藏状态；根据每个目标时序数据的隐藏状态进行基于人工智能的房建施工进度预测。
2.根据权利要求1所述一种基于人工智能的房建施工进度预测系统，其特征在于，所述对运行时序数据序列通过滑动窗口进行滑动，得到若干目标时序数据以及对应的窗口，包括的具体方法为：
预设一个滑动窗口长度的窗口以及预设步长，将位于窗口中心的运行时序数据记为目标时序数据，以步长为预设步长开始滑动窗口，得到若干目标时序数据。
3.根据权利要求1所述一种基于人工智能的房建施工进度预测系统，其特征在于，所述得到每个目标时序数据的窗口内每个运行时序数据的变化方向，包括的具体方法为：
对于任意一个目标时序数据的窗口内除目标时序数据以外的任意相邻的两个运行时序数据，在两个运行时序数据中，若前一个运行时序数据大于后一个运行时序数据，后一个运行时序数据的变化方向为降低；若前一个运行时序数据等于后一个运行时序数据，后一个运行时序数据的变化方向为稳定；若前一个运行时序数据小于后一个运行时序数据，后一个运行时序数据的变化方向为增大。
4.根据权利要求1所述一种基于人工智能的房建施工进度预测系统，其特征在于，所述根据每个目标时序数据的窗口内每个运行时序数据的变化方向，得到每个目标时序数据的趋势特征因子，包括的具体方法为：
对于任意一个目标时序数据，式中，表示目标时序数据的趋势特征因子；L1表示在目标时序数据的窗口内，包含的除该目标时序数据以外的运行时序数据数量；/>表示在目标时序数据的窗口内，除该目标时序数据以外的第j个运行时序数据与第j+1个运行时序数据的欧式距离；/>表示在该目标时序数据的窗口内，除该目标时序数据以外的第k个运行时序数据与第k+1个运行时序数据的欧式距离；/>表示在目标时序数据的窗口内，除该目标时序数据以外与第j个运行时序数据变化方向相同的运行时序数据数量；/>表示以自然常数为底的指数函数。
5.根据权利要求1所述一种基于人工智能的房建施工进度预测系统，其特征在于，所述根据每个目标时序数据的趋势特征因子与每个目标时序数据的发电功率，得到每个目标时序数据的状态优化因子，包括的具体方法为：
对于任意一个目标时序数据，式中，表示目标时序数据的初始状态优化因子；L2表示在目标时序数据的窗口内，包含的运行时序数据数量；/>表示在目标时序数据的窗口内，第i个运行时序数据的趋势特征因子；/>表示在目标时序数据的窗口内，第i个运行时序数据的发电功率；获取所有目标时序数据的初始状态优化因子，将每个目标时序数据的初始状态优化因子经线性归一化后的值记为每个目标时序数据的状态优化因子。
6.根据权利要求1所述一种基于人工智能的房建施工进度预测系统，其特征在于，所述根据每个目标时序数据的状态优化因子与每个目标时序数据的趋势特征因子，得到每对目标时序数据的优化距离度量，包括的具体方法为：
对于任意两个目标时序数据，式中，表示第m个目标时序数据与第n个目标时序数据的优化距离度量；/>表示第m个目标时序数据的状态优化因子；/>表示第n个目标时序数据的状态优化因子；/>表示第m个目标时序数据与第n个目标时序数据的欧式距离。
7.根据权利要求1所述一种基于人工智能的房建施工进度预测系统，其特征在于，所述根据每对目标时序数据的优化距离度量对所有目标时序数据进行聚类得到若干聚类簇，包括的具体方法为：
根据所有目标时序数据之间的优化距离度量对所有目标时序数据进行K-means聚类得到若干聚类簇，将发电功率均值最大的聚类簇记为高功率聚类簇。
8.根据权利要求7所述一种基于人工智能的房建施工进度预测系统，其特征在于，所述根据聚类簇得到每个目标时序数据的隐藏状态，包括的具体方法为：
将高功率聚类簇内包含的若干目标时序数据的隐藏状态进行预设；获取异常聚类簇，将异常聚类簇内包含的若干目标时序数据的隐藏状态进行二次预设；将剩余的聚类簇记为标准聚类簇，将标准聚类簇内包含的若干目标时序数据的隐藏状态进行三次预设。
9.根据权利要求8所述一种基于人工智能的房建施工进度预测系统，其特征在于，所述获取异常聚类簇，包括的具体方法为：
将发电功率均值最小的聚类簇记为异常聚类簇。
10.根据权利要求1所述一种基于人工智能的房建施工进度预测系统，其特征在于，所述根据每个目标时序数据的隐藏状态进行基于人工智能的房建施工进度预测，包括的具体方法为：
将所有目标时序数据的隐藏状态加入到房建施工数据各个部分的观测数据与隐藏状态中建立新的隐马尔可夫模型，通过维特比算法获取到房建施工进度的施工状态序列，进行房建施工进度预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042655.0A CN116757337B (zh) | 2023-08-18 | 2023-08-18 | 一种基于人工智能的房建施工进度预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042655.0A CN116757337B (zh) | 2023-08-18 | 2023-08-18 | 一种基于人工智能的房建施工进度预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757337A true CN116757337A (zh) | 2023-09-15 |
| CN116757337B CN116757337B (zh) | 2023-11-21 |
Family
ID=87957580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311042655.0A Active CN116757337B (zh) | 2023-08-18 | 2023-08-18 | 一种基于人工智能的房建施工进度预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757337B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130204645A1 (en) * | 2012-02-02 | 2013-08-08 | Progressive Casualty Insurance Company | Mobile insurance platform system |
| WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技（深圳）有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
| US20190228329A1 (en) * | 2017-03-24 | 2019-07-25 | Hitachi, Ltd. | Prediction system and prediction method |
| WO2020164740A1 (en) * | 2019-02-15 | 2020-08-20 | Huawei Technologies Co., Ltd. | Methods and systems for automatically selecting a model for time series prediction of a data stream |
| KR20200126785A (ko) * | 2019-04-30 | 2020-11-09 | (주)타이거컴퍼니 | 데이터 분석 모델링 방법을 이용한 제지 프로세스 이상 사전예측을 위한 인공지능 플랫폼 |
| CN111932044A (zh) * | 2020-10-19 | 2020-11-13 | 东方钢铁电子商务有限公司 | 一种基于机器学习的钢铁产品价格预测系统和方法 |
| CN112101673A (zh) * | 2020-09-22 | 2020-12-18 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 |
| CN113361921A (zh) * | 2021-06-01 | 2021-09-07 | 张丽 | 一种工程造价进度监管系统 |
| WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
| CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
| CN116343953A (zh) * | 2023-05-30 | 2023-06-27 | 苏州绿华科技有限公司 | 基于人工智能的智慧社区管理系统 |
| CN116402863A (zh) * | 2023-06-06 | 2023-07-07 | 中铁九局集团第一建设有限公司 | 一种建筑施工监控数据智能分析及预警系统 |
| CN116449081A (zh) * | 2023-06-15 | 2023-07-18 | 深圳市北汉科技有限公司 | 具有自适应调控功能的数据采集系统、装置及存储介质 |
| CN116521764A (zh) * | 2023-07-05 | 2023-08-01 | 武昌理工学院 | 基于人工智能的环境设计数据处理方法 |
-
2023
- 2023-08-18 CN CN202311042655.0A patent/CN116757337B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130204645A1 (en) * | 2012-02-02 | 2013-08-08 | Progressive Casualty Insurance Company | Mobile insurance platform system |
| US20190228329A1 (en) * | 2017-03-24 | 2019-07-25 | Hitachi, Ltd. | Prediction system and prediction method |
| WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技（深圳）有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
| WO2020164740A1 (en) * | 2019-02-15 | 2020-08-20 | Huawei Technologies Co., Ltd. | Methods and systems for automatically selecting a model for time series prediction of a data stream |
| KR20200126785A (ko) * | 2019-04-30 | 2020-11-09 | (주)타이거컴퍼니 | 데이터 분석 모델링 방법을 이용한 제지 프로세스 이상 사전예측을 위한 인공지능 플랫폼 |
| CN112101673A (zh) * | 2020-09-22 | 2020-12-18 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 |
| CN111932044A (zh) * | 2020-10-19 | 2020-11-13 | 东方钢铁电子商务有限公司 | 一种基于机器学习的钢铁产品价格预测系统和方法 |
| CN113361921A (zh) * | 2021-06-01 | 2021-09-07 | 张丽 | 一种工程造价进度监管系统 |
| WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
| CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
| CN116343953A (zh) * | 2023-05-30 | 2023-06-27 | 苏州绿华科技有限公司 | 基于人工智能的智慧社区管理系统 |
| CN116402863A (zh) * | 2023-06-06 | 2023-07-07 | 中铁九局集团第一建设有限公司 | 一种建筑施工监控数据智能分析及预警系统 |
| CN116449081A (zh) * | 2023-06-15 | 2023-07-18 | 深圳市北汉科技有限公司 | 具有自适应调控功能的数据采集系统、装置及存储介质 |
| CN116521764A (zh) * | 2023-07-05 | 2023-08-01 | 武昌理工学院 | 基于人工智能的环境设计数据处理方法 |
Non-Patent Citations (4)
| Title |
|---|
| KUSHWAH, AK等: "Trend triplet based data clustering for eliminating nonlinear trend components of wind time series to improve the performance of statistical forecasting models", 《MULTMEDIA TOOLS AND APPLICATIONS》, vol. 81, no. 23, pages 33927 - 33953 * |
| 刘全等: "强夯施工夯坑位置实时监测技术", 《水力发电学报》, vol. 41, no. 3, pages 113 - 122 * |
| 刘潋;胡安娜;宋玲;罗舒;: "基于马尔科夫过程的高堆石坝施工度汛决策模型", 长江科学院院报, no. 11, pages 39 - 43 * |
| 高立扬;牛衍亮;张小平;: "基于模糊C均值聚类推理模型的高铁土建工程造价智能估算", 石家庄铁道大学学报(社会科学版), no. 02, pages 42 - 49 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757337B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113048807B (zh) | 一种空冷机组背压异常检测方法 | |
| CN116361679B (zh) | 基于数据驱动的电缆寿命智能预测方法及系统 | |
| CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
| CN115933787B (zh) | 基于室内环境监测的室内多末端智能控制系统 | |
| CN116307944B (zh) | 基于人工智能与物联网的配电箱远程监测系统 | |
| CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
| CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测系统 | |
| CN112700085A (zh) | 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质 | |
| CN111080039A (zh) | 一种风机集群故障预测方法及系统 | |
| CN116258281A (zh) | 基于云平台管理的物联网消防监测及调控系统 | |
| CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN116992246B (zh) | 一种矿井下风流参数智能感知方法及系统 | |
| CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
| CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
| CN117354171A (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN115081533A (zh) | 基于两级聚类和mgru-at的客户侧负荷预测方法与系统 | |
| CN114707684A (zh) | 一种基于改进lstm的原烟堆垛内部温度预测算法 | |
| CN114169226A (zh) | 短期电力负荷预测方法、计算机设备以及存储介质 | |
| CN117791626B (zh) | 一种智能综合电力箱电力供给优化方法 | |
| CN117688498B (zh) | 基于船岸协同的船舶综合安全状态监控系统 | |
| CN117458544B (zh) | 一种基于多类型储能资源动态聚合的优化协同调控方法 |
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 |