CN117114445A - 工程造价预测方法、装置、电子设备及存储介质 - Google Patents

工程造价预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117114445A
CN117114445A CN202311079450.XA CN202311079450A CN117114445A CN 117114445 A CN117114445 A CN 117114445A CN 202311079450 A CN202311079450 A CN 202311079450A CN 117114445 A CN117114445 A CN 117114445A
Authority
CN
China
Prior art keywords
engineering
cost
unit price
neural network
project
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
Application number
CN202311079450.XA
Other languages
English (en)
Inventor
王松松
乔文轩
刘海岩
申哲巍
王磊
李正旸
郭文培
张怡
卞莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Electric Power Engineering Supervision Co ltd
Shanghai Electric Power Design Institute Co Ltd
Original Assignee
Hebei Electric Power Engineering Supervision Co ltd
Shanghai Electric Power Design Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Electric Power Engineering Supervision Co ltd, Shanghai Electric Power Design Institute Co Ltd filed Critical Hebei Electric Power Engineering Supervision Co ltd
Priority to CN202311079450.XA priority Critical patent/CN117114445A/zh
Publication of CN117114445A publication Critical patent/CN117114445A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (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

本发明适用于工程管理技术领域，提供了一种工程造价预测方法、装置、电子设备及存储介质，该方法包括：获取工程项目的工程量和各个目标施工要素的历史单价；根据历史单价，通过各个目标施工要素对应的预设的小波神经网络预测模型，预测工程项目的各个目标施工要素的预测单价；其中，小波神经网络预测模型的权值参数根据改进的差分进化算法确定；根据预测单价和工程量，确定工程项目的成本。本发明能够更准确地预测工程项目的成本。

Description

工程造价预测方法、装置、电子设备及存储介质
技术领域
本发明属于工程管理技术领域，尤其涉及一种工程造价预测方法、装置、电子设备及存储介质。
背景技术
工程项目的工程造价，也就是成本预测，是指为完成一个工程的建设，预期或实际所需的全部费用总和。随着建筑市场的竞争激烈程度日益增加，成本管理是所有经营和管理活动围绕的中心，成本预测作为成本管理的初始环节，能够为项目建设的规划方案和优化决策提供支持。
然而，当前成本预测中存在价格信息获取滞后以及建筑材料价格预测时序性差等问题。此外，由于影响工程施工成本的因素众多，关系复杂，使得成本预测的精确度往往难以保证，无法满足建筑业发展的实际需求。
发明内容
有鉴于此，本发明实施例提供了一种工程造价预测方法、装置、电子设备及存储介质，以更准确地预测工程项目的成本。
本发明实施例的第一方面提供了一种工程造价预测方法，包括：
获取工程项目的工程量和各个目标施工要素的历史单价；
根据历史单价，通过各个目标施工要素对应的预设的小波神经网络预测模型，预测工程项目的各个目标施工要素的预测单价；其中，小波神经网络预测模型的权值参数根据改进的差分进化算法确定；
根据预测单价和工程量，确定工程项目的成本。
结合第一方面，在第一方面的一种可能的实现方式中，根据改进的差分进化算法确定小波神经网络预测模型的权值参数的过程包括：
通过混沌算法生成初始的种群；其中，种群中的每个个体均为小波神经网络预测模型的一组权值参数；
计算种群中的各个个体的适应度值；
进行迭代，每次迭代时对缩放因子和交叉概率进行动态调整，并对种群中的个体进行变异、交叉、选择处理，得到新的种群；
不断迭代，直至达到迭代终止条件后算法终止，并从所有个体中，选择适应度值最优的个体作为小波神经网络预测模型的权值参数。
结合第一方面，在第一方面的一种可能的实现方式中，小波神经网络预测模型的权值参数包括：输入层与隐含层之间的连接权值、隐含层和输出层之间的连接权值、隐含层的阈值和输出层的阈值，
结合第一方面，在第一方面的一种可能的实现方式中，每次迭代时对缩放因子和交叉概率进行动态调整，包括：
根据对缩放因子进行动态调整；
根据对交叉概率进行动态调整；
其中，F(t)为第t次迭代时的缩放因子；CR(t)为第t次迭代时的交叉概率；Fmax和Fmin分别为缩放因子的最大值和最小值；tmax为预设的最大迭代次数；t为当前迭代次数；CRmax和CRmin分别为交叉概率的最大值和最小值。
结合第一方面，在第一方面的一种可能的实现方式中，适应度函数值为小波神经网络预测模型的预测值与实际期望值的误差绝对值。
结合第一方面，在第一方面的一种可能的实现方式中，在预设各个目标施工要素对应的小波神经网络预测模型之前，还包括：
获取工程项目中的全部施工要素；
通过主次因素分析法，从全部施工要素中筛选目标施工要素。
结合第一方面，在第一方面的一种可能的实现方式中，工程项目的各个目标施工要素的预测单价包括：在工程项目的不同阶段，各个目标施工要素的预测单价；
根据预测单价和工程量，确定工程项目的成本，包括：
在工程项目的不同阶段，根据该阶段的工程量和该阶段各个目标施工要素的预测单价，计算该阶段的成本；
根据工程项目的不同阶段的成本，确定工程项目的成本。
本发明实施例的第二方面提供了一种工程造价预测装置，包括：
获取模块，用于获取工程项目的工程量和各个目标施工要素的历史单价；
处理模块，用于根据历史单价，通过各个目标施工要素对应的预设的小波神经网络预测模型，预测工程项目的各个目标施工要素的预测单价；其中，小波神经网络预测模型的权值参数根据改进的差分进化算法确定；以及，根据预测单价和工程量，确定工程项目的成本。
本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面或第一方面的任意一种实现方式中的方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时现如上述第一方面或第一方面的任意一种实现方式中的方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例将小波神经网络运用到工程项目的各个目标施工要素的价格预测中，并采用改进的差分进化算法，优化小波神经网络的权值参数，从而得到更适用于工程项目场景的价格预测模型，利用该模型能够更精准地进行价格预测，使工程项目的成本预测工作更为智能化、精准化和动态化。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的工程造价预测方法的实现流程示意图；
图2是本发明实施例提供的工程造价预测过程示意图；
图3是本发明实施例提供的小波神经网络权值参数优化过程示意图；
图4是本发明实施例提供的不同模型预测结果对比图；
图5是本发明实施例提供的不同模型预测误差对比图；
图6是本发明实施例提供的施工成本预测系统的结构示意图；
图7是本发明实施例提供的工程造价预测装置的结构示意图；
图8是本发明实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明一实施例提供的工程造价预测方法的实现流程示意图。参见图1所示，该方法包括：
步骤S101，获取工程项目的工程量和各个目标施工要素的历史单价。
在本实施例中，参见图2所示，可以选择合适的BIM平台，通过添加进度信息、成本信息、价格信息建立数据库，从数据库中获取工程项目的工程量和各个目标施工要素的历史单价。
其中，数据库中包含多种施工要素，例如人工、材料、机械、面积特征等。本实施例通过主次因素分析法，筛选出施工要素中占比较大的内容作为目标施工要素，根据目标施工要素进行工程项目的成本计算。
步骤S102，根据历史单价，通过各个目标施工要素对应的预设的小波神经网络预测模型，预测工程项目的各个目标施工要素的预测单价；其中，小波神经网络预测模型的权值参数根据改进的差分进化算法确定。
本实施例结合BIM的工程量计算规则和清单计价方法，对现场工程量、库存消耗量进行实时统计，并对各个施工要素的历史单价进行保存。在对某个施工要素进行预测时，将近期该施工要素的历史单价输入到该施工要素对应的小波神经网络预测模型(WaveletNeural Network，WNN)，得到该施工要素的预测单价。可以理解的是，由于单价随着市场的变化而变化，通过预测工程项目施工阶段的价格信息，能够准确得到工程项目的成本。
本实施例对每个目标施工要素，均建立了一个小波神经网络预测模型，进行独立预测，以保证预测精度。另外，通过改进的差分进化算法(ImprovedDifferentialEvolution Algorithm，IDE)优化小波神经网络的权值参数，使小波神经网络更适用于价格预测问题的解决，进一步提高了预测精度。
步骤S103，根据预测单价和工程量，确定工程项目的成本。
参见图2所示，将预测单价和工程量进行量价相乘，即可得到工程项目的成本。作为一种可能的实现方式，工程项目的各个目标施工要素的预测单价包括：在工程项目的不同阶段，各个目标施工要素的预测单价。根据预测单价和工程量，确定工程项目的成本，包括：在工程项目的不同阶段，根据该阶段的工程量和该阶段各个目标施工要素的预测单价，计算该阶段的成本；根据工程项目的不同阶段的成本，确定工程项目的成本。
本发明实施例将小波神经网络运用到工程项目的各个目标施工要素的价格预测中，并采用改进的差分进化算法，优化小波神经网络的权值参数，从而得到更适用于工程项目场景的价格预测模型，利用该模型能够更精准地进行价格预测，使工程项目的成本预测工作更为智能化、精准化和动态化。
在一些实施例中，根据改进的差分进化算法确定小波神经网络预测模型的权值参数的过程包括：
通过混沌算法生成初始的种群；其中，种群中的每个个体均为小波神经网络预测模型的一组权值参数；
计算种群中的各个个体的适应度值；
进行迭代，每次迭代时对缩放因子和交叉概率进行动态调整，并对种群中的个体进行变异、交叉、选择处理，得到新的种群；
不断迭代，直至达到迭代终止条件后算法终止，并从所有个体中，选择适应度值最优的个体作为小波神经网络预测模型的权值参数。
在本实施例中，通过混沌初始化操作和非线性动态调整控制参数策略对差分进化算法进行改进。引人混沌操作，提升初始种群质量，提高搜索到全局最优解的几率。而通过非线性动态调整控制参数策略，能够加快差分进化算法的收敛速度，改善算法性能，降低陷入局部最优的风险。
根据改进的差分进化算法确定小波神经网络预测模型的权值参数的详细过程如图3所示：
(1)设定差分进化算法的参数，包括种群规模、缩放因子、交叉概率以及最大迭代次数等，根据初始化的小波神经网络权值、阈值，通过混沌初始化操作产生初始的种群，种群中的每个个体均为小波神经网络预测模型的一组权值参数，在本实施例中，考虑到输入层与隐含层之间连接权值、隐含层和输出层之间的连接权值、隐含层的阈值和输出层的阈值四个参数对小波神经网络模型的效果影响较大，因此采用改进差分进化算法对这四个参数进行优化。
一维混沌自映射表达式为
chj＝sin(πchj-1)(0<chj≤1)；
式中，chj为混沌变量，其混沌幅度为[-1，1]，仿真计算中设置为区间[0，1]中的随机值。
则初始化种群为
xj＝xj,min+chj(xj,max-xj,min)；
式中，xn+1,min为第n+1个体的最小值，xn+1,max为第n+1个体的最大值。
(2)以历史单价数据构建训练集，计算种群中每个个体的适应度值，其中，以小波神经网络的预测值和实际期望值的误差绝对值作为评价种群内个体优劣的指标，适应度值越小越好，适应度函数为
式中，k为适应度函数系数；n为网络输出节点个数；yi为第i个输出节点输出的预测值；oi为第i个输出节点实际期望值。
(3)进行迭代，更新种群中的个体，并计算适应度值。每次迭代时，利用下式对缩放因子和交叉概率进行动态调整：
其中，F(t)为第t次迭代时的缩放因子；CR(t)为第t次迭代时的交叉概率；Fmax和Fmin分别为缩放因子的最大值和最小值；tmax为预设的最大迭代次数；t为当前迭代次数；CRmax和CRmin分别为交叉概率的最大值和最小值。
基于动态调整后的缩放因子，执行变异操作：
其中，表示迭代次数G时从当前种群随机挑选的3个不同个体；F为缩放因子，取值范围为0～1。
基于动态调整后的交叉概率，执行交叉操作：
其中，CR为交叉概率，取值范围为0～1；rand为区间[0，1]内均匀分布的随机数；in为区间[0，n]内均匀分布的随机数。
最后，执行选择操作：
(4)当迭代次数达到设定的最大迭代次数，或者适应度值小于一定值后，判定达到迭代终止条件，选择适应度值最小的个体作为最优的权值参数。
(5)利用最优的权值参数对WNN进行优化，并可以通过历史价格构建的训练集和测试集，对权值参数进行进一步调整，得到预测模型。
在小波神经网络预测模型中，输入信号为Xi(i＝1,2，…，k)时，隐含层输出计算公式为
式中：h(j)为隐含层第j个节点的输出值；ωij为输入层和隐含层的连接权值；bj、aj分别为小波基函数hj的平移因子和伸缩因子。
小波基函数为：
式中，ak表示缩变因子；bk表示平移因子；表示小波基函数的归一化系数；/>表示基小波函数。
信号可通过小波基函数进行拟合，输出层输出计算公式：
式中：y(k)为输出层第k个节点的输出值；ωjk为隐含层和输出层的连接权值；h(j)为第j个节点隐含层的输出值；k＝1,2，…m，m为输出层节点个数；l为隐含层节点个数。
常用的小波基函数为Morlet母小波基函数为
在本发明中，分别使用了传统的WNN模型以及本发明的IDE-WNN(改进差分进化算法优化的小波神经网络)模型对变电站造价进行预测，结果如图4和图5所示。可以看出，本发明的IDE-WNN模型相对于传统的WNN模型的预测结果更贴近于真实值，误差保持在10％以内。在该实施示例中，基于WNN算法，总体的相对误差为2.31％，基于IDE-WNN算法的总体误差为1.45％。可以看出，IDE-WNN算法在预测变电工程静态投资方面相对于WNN算法有明显的优势。这是因为IDE-WNN采用IDE对WNN特征参数进行了优化，使得算法更加适应工程成本概算的应用场景，具有更高的准确性。
基于上述所建立的IDE-WNN模型，本发明一实施例以BIM平台为基础，通过相应的数据接口和程序性语言将IDE-WNN模型与BIM数据库进行整合，构建了一种施工成本预测系统。
参见图6所示，基于BIM平台，融合客户端/服务器和浏览器/服务器方式架构，设计了一种包含客户端、浏览器和服务器的三层式软件系统架构，分别为：服务层、业务逻辑层、数据层。
服务层，主要用于人机交互，是系统和用户进行信息交换的工具，针对不同的用户权限，系统提供相应的客户端服务内容。
业务逻辑层，主要用于系统功能的集成和实现，该层集成了主次因素分析法、IDE-WNN预测模型等。该层在预测系统中起到了承上启下的关键作用，在完成系统功能集成的同时，可以调用数据层中的数据，并将预测结果反馈给服务层，因此是实现系统功能的重要组成。
数据层，主要集成了项目成本预测过程中需要的全部信息，其在BIM模型的基础上，增加了不同要素的实时价格信息，并可以对历史信息进行储存、查询、分析和对比。
即，本发明首先基于混沌初始化操作和非线性动态调整控制参数策略，提出一种改进差分进化算法；其次，将小波神经网络技术运用于价格预测问题的解决，建立了IDE优化的WNN模型，提高预测精度；然后，基于BIM平台，融合客户端/服务器和浏览器/服务器方式架构，设计了一种包含客户端、浏览器和服务器的三层式软件系统架构；最后，以BIM平台为基础，通过相应的数据接口和程序性语言将IDE-WNN模型与BIM数据库进行整合，构建施工成本预测系统，使工程项目的成本预测工作更智能化、精准化、动态化和系统化。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图7是本发明一实施例提供的工程造价预测装置的结构示意图。参见图7所示，该工程造价预测装置70包括：
获取模块71，用于获取工程项目的工程量和各个目标施工要素的历史单价。
处理模块72，用于根据历史单价，通过各个目标施工要素对应的预设的小波神经网络预测模型，预测工程项目的各个目标施工要素的预测单价；其中，小波神经网络预测模型的权值参数根据改进的差分进化算法确定；以及，根据预测单价和工程量，确定工程项目的成本。
作为一种可能的实现方式，处理模块72还用于：
通过混沌算法生成初始的种群；其中，种群中的每个个体均为小波神经网络预测模型的一组权值参数；
计算种群中的各个个体的适应度值；
进行迭代，每次迭代时对缩放因子和交叉概率进行动态调整，并对种群中的个体进行变异、交叉、选择处理，得到新的种群；
不断迭代，直至达到迭代终止条件后算法终止，并从所有个体中，选择适应度值最优的个体作为小波神经网络预测模型的权值参数。
作为一种可能的实现方式，小波神经网络预测模型的权值参数包括：输入层与隐含层之间的连接权值、隐含层和输出层之间的连接权值、隐含层的阈值和输出层的阈值，
作为一种可能的实现方式，处理模块72用于：
根据对缩放因子进行动态调整；
根据对交叉概率进行动态调整；
其中，F(t)为第t次迭代时的缩放因子；CR(t)为第t次迭代时的交叉概率；Fmax和Fmin分别为缩放因子的最大值和最小值；tmax为预设的最大迭代次数；t为当前迭代次数；CRmax和CRmin分别为交叉概率的最大值和最小值。
作为一种可能的实现方式，适应度函数值为小波神经网络预测模型的预测值与实际期望值的误差绝对值。
作为一种可能的实现方式，在预设各个目标施工要素对应的小波神经网络预测模型之前，处理模块72还用于：
获取工程项目中的全部施工要素；
通过主次因素分析法，从全部施工要素中筛选目标施工要素。
作为一种可能的实现方式，工程项目的各个目标施工要素的预测单价包括：在工程项目的不同阶段，各个目标施工要素的预测单价。
处理模块72用于：
在工程项目的不同阶段，根据该阶段的工程量和该阶段各个目标施工要素的预测单价，计算该阶段的成本；
根据工程项目的不同阶段的成本，确定工程项目的成本。
图8是本发明一实施例提供的电子设备80的示意图。如图8所示，该实施例的电子设备80包括：处理器81、存储器82以及存储在存储器82中并可在处理器81上运行的计算机程序83，例如工程造价预测程序。处理器81执行计算机程序83时实现上述各个工程造价预测方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器81执行计算机程序83时实现上述各装置实施例中各模块的功能，例如图7所示模块71至72的功能。
示例性的，计算机程序83可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器82中，并由处理器81执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序83在电子设备80中的执行过程。
电子设备80可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备80可包括，但不仅限于，处理器81、存储器82。本领域技术人员可以理解，图8仅仅是电子设备80的示例，并不构成对电子设备80的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备80还可以包括输入输出设备、网络接入设备、总线等。
所称处理器81可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，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、分立硬件组件等。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。
存储器82可以是电子设备80的内部存储单元，例如电子设备80的硬盘或内存。存储器82也可以是电子设备80的外部存储设备，例如电子设备80上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器82还可以既包括电子设备80的内部存储单元也包括外部存储设备。存储器82用于存储计算机程序以及电子设备80所需的其他程序和数据。存储器82还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，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，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种工程造价预测方法，其特征在于，包括：
获取工程项目的工程量和各个目标施工要素的历史单价；
根据所述历史单价，通过各个目标施工要素对应的预设的小波神经网络预测模型，预测所述工程项目的各个目标施工要素的预测单价；其中，所述小波神经网络预测模型的权值参数根据改进的差分进化算法确定；
根据所述预测单价和所述工程量，确定所述工程项目的成本。
2.如权利要求1所述的工程造价预测方法，其特征在于，根据改进的差分进化算法确定所述小波神经网络预测模型的权值参数的过程包括：
通过混沌算法生成初始的种群；其中，所述种群中的每个个体均为所述小波神经网络预测模型的一组权值参数；
计算种群中的各个个体的适应度值；
进行迭代，每次迭代时对缩放因子和交叉概率进行动态调整，并对种群中的个体进行变异、交叉、选择处理，得到新的种群；
不断迭代，直至达到迭代终止条件后算法终止，并从所有个体中，选择适应度值最优的个体作为所述小波神经网络预测模型的权值参数。
3.如权利要求2所述的工程造价预测方法，其特征在于，所述小波神经网络预测模型的权值参数包括：输入层与隐含层之间的连接权值、隐含层和输出层之间的连接权值、隐含层的阈值和输出层的阈值。
4.如权利要求2所述的工程造价预测方法，其特征在于，所述每次迭代时对缩放因子和交叉概率进行动态调整，包括：
根据对缩放因子进行动态调整；
根据对交叉概率进行动态调整；
其中，F(t)为第t次迭代时的缩放因子；CR(t)为第t次迭代时的交叉概率；Fmax和Fmin分别为缩放因子的最大值和最小值；tmax为预设的最大迭代次数；t为当前迭代次数；CRmax和CRmin分别为交叉概率的最大值和最小值。
5.如权利要求2所述的工程造价预测方法，其特征在于，所述适应度函数值为所述小波神经网络预测模型的预测值与实际期望值的误差绝对值。
6.如权利要求1-5任一项所述的工程造价预测方法，其特征在于，在预设各个目标施工要素对应的小波神经网络预测模型之前，还包括：
获取所述工程项目中的全部施工要素；
通过主次因素分析法，从全部施工要素中筛选目标施工要素。
7.如权利要求1-5任一项所述的工程造价预测方法，其特征在于，所述工程项目的各个目标施工要素的预测单价包括：在所述工程项目的不同阶段，各个目标施工要素的预测单价；
根据所述预测单价和所述工程量，确定所述工程项目的成本，包括：
在所述工程项目的不同阶段，根据该阶段的工程量和该阶段各个目标施工要素的预测单价，计算该阶段的成本；
根据所述工程项目的不同阶段的成本，确定所述工程项目的成本。
8.一种工程造价预测装置，其特征在于，包括：
获取模块，用于获取工程项目的工程量和各个目标施工要素的历史单价；
处理模块，用于根据所述历史单价，通过各个目标施工要素对应的预设的小波神经网络预测模型，预测所述工程项目的各个目标施工要素的预测单价；其中，所述小波神经网络预测模型的权值参数根据改进的差分进化算法确定；以及，根据所述预测单价和所述工程量，确定所述工程项目的成本。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202311079450.XA 2023-08-25 2023-08-25 工程造价预测方法、装置、电子设备及存储介质 Pending CN117114445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311079450.XA CN117114445A (zh) 2023-08-25 2023-08-25 工程造价预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311079450.XA CN117114445A (zh) 2023-08-25 2023-08-25 工程造价预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117114445A true CN117114445A (zh) 2023-11-24

Family

ID=88799638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311079450.XA Pending CN117114445A (zh) 2023-08-25 2023-08-25 工程造价预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117114445A (zh)

Similar Documents

Publication Publication Date Title
US5432887A (en) Neural network system and method for factory floor scheduling
CN109523224A (zh) 一种建筑工程造价用的分析仪及控制方法
Jodpimai et al. Estimating software effort with minimum features using neural functional approximation
CN110751355A (zh) 一种科技成果评估方法和装置
Yang et al. Designing fuzzy supply chain network problem by mean-risk optimization method
CN108549685A (zh) 行为分析方法、装置、系统及可读存储介质
CN113780667A (zh) 一种基于ai人工智能的企业经营预测方法及系统
Yang et al. Incentive contract design in project management with serial tasks and uncertain completion times
CN112132356A (zh) 一种基于时空图注意力机制的股价预测方法
CN109657851A (zh) 事件驱动型的股价预测方法、装置、设备及存储介质
Yang et al. Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM
de Moraes et al. Application of deterministic, stochastic, and hybrid methods for cloud provider selection
Al-Hawamdeh et al. Artificial intelligence applications as a modern trend to achieve organizational innovation in Jordanian commercial banks
CN114154716A (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN113627977A (zh) 一种基于异构图的房屋价值预测方法
Ighravwe et al. An enhanced reliability-oriented workforce planning model for process industry using combined fuzzy goal programming and differential evolution approach
CN112232565A (zh) 基于两阶段的时间序列预测方法、预测系统、终端及介质
CN112381653A (zh) 潜在投资企业的挖掘与推荐方法、装置、设备及存储介质
CN107491841A (zh) 非线性优化方法及存储介质
CN114338416A (zh) 一种时空多指标预测方法、装置和存储介质
CN117114445A (zh) 工程造价预测方法、装置、电子设备及存储介质
Mascaro et al. A flexible method for parameterizing ranked nodes in Bayesian networks using Beta distributions
CN113656707A (zh) 一种理财产品推荐方法、系统、存储介质及设备
CN113743994A (zh) 一种供应商的旺季预测方法、系统、设备及存储介质
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质

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