CN117114782A - 建筑工程造价分析方法 - Google Patents
建筑工程造价分析方法 Download PDFInfo
- Publication number
- CN117114782A CN117114782A CN202311381798.4A CN202311381798A CN117114782A CN 117114782 A CN117114782 A CN 117114782A CN 202311381798 A CN202311381798 A CN 202311381798A CN 117114782 A CN117114782 A CN 117114782A
- Authority
- CN
- China
- Prior art keywords
- data
- construction
- historical
- cost
- engineering
- 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 151
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000007728 cost analysis Methods 0.000 title claims abstract description 28
- 238000012876 topography Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 25
- 239000000463 material Substances 0.000 claims description 37
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000002860 competitive effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种工程造价技术领域，特别涉及一种建筑工程造价分析方法，该方法包括通过获取待分析建筑工程的施工地形图片数据，并提取出初始感兴趣地形区域，进一步利用tanh函数配置输出层的校正神经网络模型对初始感兴趣地形区域进行进一步的校正，以实现更精密的校准。而基于校正后的感兴趣地形区域，生成目标地形图像，并基于目标地形图像的属性特征和工程类型数据，在预设历史数据库中进行匹配得到相应的历史建筑工程信息以及历史造价数据，最后对历史造价数据进行修正，得到当前造价数据。上述方法充分利用目标地形图像进行匹配，能够在地形多变的场景下提高分析结果的准确性。
Description
技术领域
本申请涉及工程造价技术领域，特别是涉及一种建筑工程造价分析方法。
背景技术
工程造价是指进行某项工程建设花费的全部费用，即该工程项目有计划地进行固定资产再生产、形成相应无形资产和流动资金的一次性费用总和。在建筑工程中，输变电工程是输电线路建设和变压器安装工程的统称，输变电工程的电压等级越高，输送的电力越大，损耗也越小，输送距离也越远。而输变电工程建设存在资金投入大、投入产出周期长等特点，合理地利用电力工程资金，做好输变电建设工程的造价管控已经成为了一个当今各个领域的专家和学者研究的热门课题。
在传统技术中，发明人发现利用大数据进行工程造价分析得出的结果，存在准确性差的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高分析准确性的建筑工程造价分析方法。
一方面，本申请提供了一种建筑工程造价分析方法，包括步骤：
获取待分析建筑工程的基本属性数据、当前成本数据和施工地形图片数据；其中，基本属性数据包括工程类型数据、工程设备数据、工程材料数据和施工周期数据；施工地形图片数据包括施工区域的不同角度的拍摄图像；
对各拍摄图像进行提取，得到初始感兴趣地形区域，并将初始感兴趣地形区域输入至校正神经网络模型，以得到校正后的感兴趣地形区域；其中，校正神经网络模型为通过tanh函数配置输出层的神经网络模型；
基于校正后的感兴趣地形区域，生成目标地形图像；
提取目标地形图像的属性特征，并基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据；
根据当前成本数据、工程设备数据、工程材料数据、施工周期数据和历史建筑工程信息，对历史造价数据进行修正，得到当前造价数据。
上述建筑工程造价分析方法，通过获取待分析建筑工程的施工地形图片数据，并提取出初始感兴趣地形区域，进一步利用tanh函数配置输出层的校正神经网络模型对初始感兴趣地形区域进行进一步的校正，以实现更精密的校准。基于校正后的感兴趣地形区域，生成目标地形图像，并基于目标地形图像的属性特征和工程类型数据，在预设历史数据库中进行匹配得到相应的历史建筑工程信息以及历史造价数据，最后对历史造价数据进行修正，得到当前造价数据。在匹配历史造价数据的过程中，利用目标地形图像进行匹配，能够在地形多变的场景下，提高分析结果也即当前造价数据的准确性。
在其中一个实施例中，属性特征包括沿高度方向的切片轮廓坐标数据；基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据的步骤，包括：
在预设历史数据库中，查询与工程类型数据一致的初始建筑工程信息；
根据切片轮廓坐标数据，在初始建筑工程信息中筛选出对应的历史建筑工程信息以及历史造价数据。
在其中一个实施例中，还包括：
获取历史数据；其中，历史数据包括施工企业基本数据以及市场竞争数据；
基于施工企业基本数据确定企业特征要素，基于市场竞争数据确定竞争特征要素；
根据企业特征要素和竞争特征要素，对当前造价数据进行预处理，并将预处理后的当前造价数据确定为目标造价数据。在其中一个实施例中，历史数据还包括历史报价数据；对当前造价数据进行预处理的步骤，包括：获取企业特征要素对历史报价数据的第一影响比重；获取竞争特征要素对历史报价数据的第二影响比重；获取当前的施工企业基本数据以及当前的市场竞争数据，并基于第一影响比重、第二影响比重、当前的施工企业基本数据和当前的市场竞争数据，修正当前造价数据，得到目标造价数据。
在其中一个实施例中，施工企业基本数据包括施工企业的延期率以及施工企业的营收数据；市场竞争数据包括中标报价数据以及平均报价数据。
在其中一个实施例中，对历史造价数据进行修正的步骤，包括：
根据当前成本数据，确定与工程设备数据对应的第一单价、与工程材料数据对应的第二单价以及与施工周期数据对应的第三单价；
基于第一单价、第二单价和第三单价和历史建筑工程信息，对历史造价数据进行修正。
在其中一个实施例中，对各拍摄图像进行提取，得到初始感兴趣地形区域的步骤，包括：
利用物体识别模型对各拍摄图像进行提取，得到初始感兴趣地形区域。
在其中一个实施例中，生成目标地形图像的步骤，包括：
计算各校正后的感兴趣地形区域之间的像素位移；
基于像素位移，获取校正后的感兴趣地形区域的深度信息；
根据深度信息，将校正后的感兴趣地形区域中的像素点转换为三维地形图像的像素点，并基于三维地形图像的像素点，生成目标地形图像；
在其中一个实施例中，计算各校正后的感兴趣地形区域之间的像素位移的步骤，包括：
将各校正后的感兴趣地形区域中的特征点进行匹配，得到特征点之间的对应关系；
选取参考图像，并基于参考图像以及对应关系，得到各校正后的感兴趣地形区域之间的像素位移。
在其中一个实施例中，特征点为角点。
一方面，本申请还提供了一种建筑工程造价分析装置，包括：
获取模块，用于获取待分析建筑工程的基本属性数据、当前成本数据和施工地形图片数据；其中，基本属性数据包括工程类型数据、工程设备数据、工程材料数据和施工周期数据；施工地形图片数据包括施工区域的不同角度的拍摄图像；
特征提取模块，用于对各拍摄图像进行提取，得到初始感兴趣地形区域，并将初始感兴趣地形区域输入至校正神经网络模型，以得到校正后的感兴趣地形区域；其中，校正神经网络模型为通过tanh函数配置输出层的神经网络模型；
目标地形图像生成模块，用于基于校正后的感兴趣地形区域，生成目标地形图像；
匹配模块，用于提取目标地形图像的属性特征，并基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据；
修正模块，用于根据当前成本数据、工程设备数据、工程材料数据、施工周期数据和历史建筑工程信息，对历史造价数据进行修正，得到当前造价数据。
在其中一个实施例中，属性特征包括沿高度方向的切片轮廓坐标数据；
匹配模块包括：
查询模块，用于在预设历史数据库中，查询与工程类型数据一致的初始建筑工程信息；
筛选模块，用于根据切片轮廓坐标数据，在初始建筑工程信息中筛选出对应的历史建筑工程信息以及历史造价数据。
一方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤。
另一方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统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申请的一些实施例，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为一个实施例中建筑工程造价分析方法的第一流程示意图；
图2为一个实施例中的基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据的步骤的流程示意图；
图3为一个实施例中的建筑工程造价分析方法的第二流程示意图；
图4为一个实施例中建筑工程造价分析装置的结构框图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。
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申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。
目前工程造价往往采用的是概算估算法以及利用大数据进行估算的方法。工程造价的概算估算法是在项目初期使用的一种成本预测方法，它通过对项目的范围、规模、材料、人工、设备等因素进行估算，来预测项目的总体成本。以下是一种常见的概算估算算法的步骤和要点：1、确定项目范围和规模：首先需要对项目的范围和规模进行明确定义。这包括项目的功能要求、建筑面积、楼层数、结构类型等。2、收集历史数据和类似项目信息：通过研究过去类似项目的成本数据和经验，可以获取有关材料价格、人工工资、设备租赁等方面的信息。3划分工作项和量取：将整个项目划分为不同的工作项，如地基与基础、结构、装饰、机电等。对每个工作项进行详细的量取，即测量所需的材料、工时和设备数量。4确定成本指标和参数：根据项目特点和历史数据，确定适用于该项目的成本指标和参数。例如，每平方米建筑面积的建筑成本、每立方米混凝土的成本等。5进行估算和计算：根据工作项的量取数据和成本指标，计算每个工作项的成本。将各工作项的成本汇总，得到整个项目的预估成本。而上述方法一般由人工进行估算，存在耗时较长且不准确的问题。
而另一种利用大数据进行估算的方法，一般是实时监测读取工程项目进行中工作人员上传的工程资料，并获取工程资料中记载的数量信息材料，即工作人员数量信息和进出场物资数量信息；然后，实时监测读取主管部门上传的现场成本数据，获取现场成本数据中的单价数据材料，即人工单价数据和工程物资单价数据；之后，通过自动调取和匹配对应数据的方式将工作人员数量信息和进出场物资数量信息与人工单价数据和工程物资单价数据进行自动匹配，获取工程项目实施过程中的人工费和材料费；依据人工费和材料费的所占工程造价的比例原则，利用人工费和材料费预测工程造价的总额范围；最后将被预测工程与相似工程进行工程信息的相似度匹配，依据相似程度，判断是否采用预测工程造价。而上述方法一般不考虑施工地形，或者即使考虑到施工地形对造价的影响也只是作为后期进行修正的影响因素进行调整造价，其得出的造价数据并不能适用于地形多变的施工地域。
而本申请提供的建筑工程造价分析方法，可以有效解决上述问题。
在一个实施例中，如图1所示，提供了一种建筑工程造价分析方法，包括步骤：
S110，获取待分析建筑工程的基本属性数据、当前成本数据和施工地形图片数据；其中，基本属性数据包括工程类型数据、工程设备数据、工程材料数据、施工周期数据；施工地形图片数据包括施工区域的不同角度的拍摄图像；
其中，当前成本数据为建筑工程中各环节所需要的成本费用，例如用工成本、材料成本、设备使用成本、借款成本等等。而工程类型数据可以包括输变电建筑工程、楼宇工程、地下室工程等工程类型。工程设备数据指的是所需要使用的机械设备。工程材料数据为工程中所使用的材料，以输变电建筑工程为例，可以为主变、电缆、断路器、钢材料、混凝土等。施工地形图片数据是指从不同角度的拍摄施工区域的地形得到的图像，图像的数量至少为6张。当前造价数据为在建设项目中涉及到的各项费用的总和。
具体的，可以通过本领域任意一种方法获取待分析建筑工程的基本属性数据、当前成本数据和施工地形图片数据。例如可以通过人为手动输入，或自动从数据库中进行爬取。
S120，对各拍摄图像进行提取，得到初始感兴趣地形区域，并将初始感兴趣地形区域输入至校正神经网络模型，以得到校正后的感兴趣地形区域；其中，校正神经网络模型为通过tanh函数配置输出层的神经网络模型；
具体而言，对各拍摄图像进行提取可以通过本领域任意一种物体识别模型进行提取。也即将各拍摄图像输入至物体识别模型，其输出结果为初始感兴趣地形区域。需要说明的是，物体识别模型为一种深度学习模型。进一步的，也可以对每一张拍摄图像提取特征点。特征点可以是角点等。角点也即两条或多条线组成的交点。
进一步的，校正神经网络模型可以为卷积神经网络，其是一种用于图像处理任务的常见神经网络模型。在图像校正中，卷积神经网络可以学习图像的特征表示和变换，并通过训练将输入图像映射到期望的校正形式。在一个具体示例中，校正神经网络模型为以与前一输入相关的图像相对应的感兴趣物体区域为导向，对图像执行校正。一般而言，大多数深度学习网络使用的用于校准的网络结构，在以大致预测掩码为输入时，会让合成乘积网络通过，而本申请用tanh构造校正神经网络模型，因为tanh的值在-1~1之间，可以减少不精密的部分，修正以前神经网络中没有标记的部分，也即上述物体识别模型未识别到感兴趣地形区域的地方。
S130，基于校正后的感兴趣地形区域，生成目标地形图像；
其中，目标地形图像为三维地形图像，校正后的感兴趣地形区域为二维地形图像。
具体的，上述生成目标地形图像的步骤可以为：将不同校正后的感兴趣地形区域中的特征点进行匹配，以得到它们之间的对应关系。匹配的所采用的算法可以为基于兴趣点的匹配算法和基于区域的匹配算法（如基于块匹配的算法）。而后选取参考图像，并基于参考图像以及上述对应关系，计算各校正后的感兴趣地形区域之间的像素位移；基于该像素位移，计算感兴趣地形区域的深度信息，而后根据深度信息与图像的几何关系，将校正后的感兴趣地形区域中的像素点转换为三维地形图像的像素点，并基于所有三维地形图像的像素点，生成目标地形图像。
进一步的，选取参考图像的步骤中，可以基于参考图像是否存在与相对应的兴趣点，从各个校正后的感兴趣地形区域中筛选出参考图像。通过该方法，可以实现对于任意一个校正后的感兴趣地形区域而言，均可以识别出深度信息。
S140，提取目标地形图像的属性特征，并基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据；
具体的，如图2所示，属性特征包括沿高度方向的切片轮廓坐标数据；也即构建空间坐标系，以z轴方向对地形进行切片，其切片轮廓的坐标数据也即为属性特征。基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据的步骤，包括：
S210，在预设历史数据库中，查询与工程类型数据一致的初始建筑工程信息；
具体的，首先选取工程类型数据一致的初始建筑工程信息。
S220，根据切片轮廓坐标数据，在初始建筑工程信息中筛选出对应的历史建筑工程信息以及历史造价数据。
其中，历史建筑工程信息包括历史工程类型数据、历史工程设备数据、历史工程材料数据、历史施工周期数据以及历史成本数据。
具体的，通过切片轮廓坐标数据的比对，筛选出与待分析建筑工程的地形最为相似的历史建筑工程信息以及其历史造价数据。需要说明的是，预设历史数据库中的建筑工程信息中的施工地形图片数据也需要经过上述S120-S130进行处理得到相应的地形数据。
S150，根据历史建筑工程信息、当前成本数据、工程设备数据、工程材料数据和施工周期数据，对历史造价数据进行修正，得到当前造价数据。具体的，对历史造价数据进行修正的步骤，包括：根据当前成本数据，确定与工程设备数据对应的第一单价、与工程材料数据对应的第二单价以及与施工周期数据对应的第三单价；基于第一单价、第二单价和第三单价和历史建筑工程信息，对历史造价数据进行修正。也即考虑到成本、工程设备数据、工程材料数据和施工周期的变化，对历史造价数据进行修正。具体的，将第一单价、第二单价、第三单价相应的替换历史工程信息中的单价，在单价发生变化的情况下，最终的造价数据也会发生变化，以此对历史造价数据进行修正。
上述建筑工程造价分析方法，通过获取待分析建筑工程的施工地形图片数据，并提取出初始感兴趣地形区域，进一步利用tanh函数配置输出层的校正神经网络模型对初始感兴趣地形区域进行进一步的校正，以实现更精密的校准。而基于校正后的感兴趣地形区域，生成目标地形图像，并基于目标地形图像的属性特征和工程类型数据，在预设历史数据库中进行匹配得到相应的历史建筑工程信息以及历史造价数据，最后对历史造价数据进行修正，得到当前造价数据。在匹配历史造价数据的过程中，充分利用更为准确的目标地形图像进行匹配，能够在地形多变的场景下，提高分析结果也即当前造价数据的准确性。
在一个实施例中，如图3所示，还包括步骤：
S310，获取历史数据；其中，历史数据包括施工企业基本数据以及市场竞争数据；
其中，历史数据为施工企业过往的所有施工企业基本数据和市场竞争数据，也可以为以当前为基点的过往N年内的施工企业基本数据和市场竞争数据，N为正数。具体的，施工企业基本数据包括施工企业的延期率以及施工企业的营收数据；市场竞争数据包括中标报价数据以及平均报价数据。
S320，基于施工企业基本数据确定企业特征要素，且基于市场竞争数据确定竞争特征要素；
S330，根据企业特征要素和竞争特征要素，对当前造价数据进行预处理，并将预处理后的当前造价数据确定为目标造价数据。
具体的，历史数据还包括历史报价数据；对当前造价数据进行预处理的步骤，包括：获取企业特征要素对历史报价数据的第一影响比重；获取竞争特征要素对历史报价数据的第二影响比重；获取当前的施工企业基本数据以及当前的市场竞争数据，并基于第一影响比重、第二影响比重、当前的施工企业基本数据和当前的市场竞争数据，修正当前造价数据，得到目标造价数据。
其中，历史报价数据为最终的报价数据。具体的，目标造价数据主要用于对外进行报价。通过分析得到第一影响比重和第二影响比重，则可以通过比对当前的施工企业基本数据与过往的施工企业基本数据的差别，当前的市场竞争数据与过往的市场竞争数据的差别，再结合第一影响比重和第二影响比重，最终得到目标造价数据。
上述建筑工程造价分析方法，可以在当前造价数据中，更为准确的得出目标造价数据以进行报价。
应该理解的是，虽然图1-图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种建筑工程造价分析装置，包括：
获取模块，用于获取待分析建筑工程的基本属性数据、当前成本数据和施工地形图片数据；其中，基本属性数据包括工程类型数据、工程设备数据、工程材料数据、施工周期数据；施工地形图片数据包括施工区域的不同角度的拍摄图像；
特征提取模块，用于对各拍摄图像进行提取，得到初始感兴趣地形区域，并将初始感兴趣地形区域输入至校正神经网络模型，以得到校正后的感兴趣地形区域；其中，校正神经网络模型为通过tanh函数配置输出层的神经网络模型；
目标地形图像生成模块，用于基于校正后的感兴趣地形区域，生成目标地形图像；
匹配模块，用于提取目标地形图像的属性特征，并基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据；
修正模块，用于根据当前成本数据、工程设备数据、工程材料数据、施工周期数据和历史建筑工程信息，对历史造价数据进行修正，得到当前造价数据。
在其中一个实施例中，属性特征包括沿高度方向的切片轮廓坐标数据；
匹配模块包括：
查询模块，用于在预设历史数据库中，查询与工程类型数据一致的初始建筑工程信息；
筛选模块，用于根据切片轮廓坐标数据，在初始建筑工程信息中筛选出对应的历史建筑工程信息以及历史造价数据。
关于建筑工程造价分析装置的具体限定可以参见上文中对于建筑工程造价分析方法的限定，在此不再赘述。上述建筑工程造价分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本申请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。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待分析建筑工程的基本属性数据、当前成本数据和施工地形图片数据；其中，基本属性数据包括工程类型数据、工程设备数据、工程材料数据、施工周期数据；施工地形图片数据包括施工区域的不同角度的拍摄图像；
对各拍摄图像进行提取，得到初始感兴趣地形区域，并将初始感兴趣地形区域输入至校正神经网络模型，以得到校正后的感兴趣地形区域；其中，校正神经网络模型为通过tanh函数配置输出层的神经网络模型；
基于校正后的感兴趣地形区域，生成目标地形图像；
提取目标地形图像的属性特征，并基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据；
根据当前成本数据、工程设备数据、工程材料数据、施工周期数据和历史建筑工程信息，对历史造价数据进行修正，得到当前造价数据。
在一个实施例中，处理器执行基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据的步骤时还实现以下步骤：
在预设历史数据库中，查询与工程类型数据一致的初始建筑工程信息；
根据切片轮廓坐标数据，在初始建筑工程信息中筛选出对应的历史建筑工程信息以及历史造价数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取历史数据；其中，历史数据包括施工企业基本数据以及市场竞争数据；
基于施工企业基本数据确定企业特征要素，基于市场竞争数据确定竞争特征要素；
根据企业特征要素和竞争特征要素，对当前造价数据进行预处理，并将预处理后的当前造价数据确定为目标造价数据。在一个实施例中，处理器执行对历史造价数据进行修正的步骤时还实现以下步骤：
根据当前成本数据，确定与工程设备数据对应的第一单价、与工程材料数据对应的第二单价以及与施工周期数据对应的第三单价；
基于第一单价、第二单价和第三单价和历史建筑工程信息，对历史造价数据进行修正。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分析建筑工程的基本属性数据、当前成本数据和施工地形图片数据；其中，基本属性数据包括工程类型数据、工程设备数据、工程材料数据、施工周期数据；施工地形图片数据包括施工区域的不同角度的拍摄图像；
对各拍摄图像进行提取，得到初始感兴趣地形区域，并将初始感兴趣地形区域输入至校正神经网络模型，以得到校正后的感兴趣地形区域；其中，校正神经网络模型为通过tanh函数配置输出层的神经网络模型；
基于校正后的感兴趣地形区域，生成目标地形图像；
提取目标地形图像的属性特征，并基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据；
根据当前成本数据、工程设备数据、工程材料数据、施工周期数据和历史建筑工程信息，对历史造价数据进行修正，得到当前造价数据。
在一个实施例中，基于属性特征和工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据的步骤被处理器执行时还实现以下步骤：
在预设历史数据库中，查询与工程类型数据一致的初始建筑工程信息；
根据切片轮廓坐标数据，在初始建筑工程信息中筛选出对应的历史建筑工程信息以及历史造价数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取历史数据；其中，历史数据包括施工企业基本数据以及市场竞争数据；
基于施工企业基本数据确定企业特征要素，基于市场竞争数据确定竞争特征要素；
根据企业特征要素和竞争特征要素，对当前造价数据进行预处理，并将预处理后的当前造价数据确定为目标造价数据。在一个实施例中，对历史造价数据进行修正的步骤被处理器执行时还实现以下步骤：
根据当前成本数据，确定与工程设备数据对应的第一单价、与工程材料数据对应的第二单价以及与施工周期数据对应的第三单价；
基于第一单价、第二单价和第三单价和历史建筑工程信息，对历史造价数据进行修正。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
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申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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，在本申请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。
所述功能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，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种建筑工程造价分析方法，其特征在于，包括步骤：
获取待分析建筑工程的基本属性数据、当前成本数据和施工地形图片数据；其中，所述基本属性数据包括工程类型数据、工程设备数据、工程材料数据和施工周期数据；所述施工地形图片数据包括施工区域的不同角度的拍摄图像；
对各所述拍摄图像进行提取，得到初始感兴趣地形区域，并将所述初始感兴趣地形区域输入至校正神经网络模型，以得到校正后的感兴趣地形区域；其中，所述校正神经网络模型为通过tanh函数配置输出层的神经网络模型；
基于校正后的感兴趣地形区域，生成目标地形图像；
提取所述目标地形图像的属性特征，并基于所述属性特征和所述工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据；
根据所述当前成本数据、所述工程设备数据、所述工程材料数据、所述施工周期数据和所述历史建筑工程信息，对历史造价数据进行修正，得到当前造价数据。
2.根据权利要求1所述的建筑工程造价分析方法，其特征在于，所述属性特征包括沿高度方向的切片轮廓坐标数据；基于所述属性特征和所述工程类型数据，在预设历史数据库中匹配对应的历史建筑工程信息以及历史造价数据的步骤，包括：
在所述预设历史数据库中，查询与所述工程类型数据一致的初始建筑工程信息；
根据所述切片轮廓坐标数据，在所述初始建筑工程信息中筛选出所述对应的历史建筑工程信息以及历史造价数据。
3.根据权利要求1所述的建筑工程造价分析方法，其特征在于，还包括：
获取历史数据；其中，所述历史数据包括施工企业基本数据以及市场竞争数据；
基于所述施工企业基本数据确定企业特征要素，且基于所述市场竞争数据确定竞争特征要素；
根据所述企业特征要素和所述竞争特征要素，对所述当前造价数据进行预处理，并将预处理后的当前造价数据确定为目标造价数据。
4.根据权利要求3所述的建筑工程造价分析方法，其特征在于，所述历史数据还包括历史报价数据；对所述当前造价数据进行预处理的步骤，包括：
获取所述企业特征要素对所述历史报价数据的第一影响比重；
获取所述竞争特征要素对所述历史报价数据的第二影响比重；
获取当前的施工企业基本数据以及当前的市场竞争数据，并基于所述第一影响比重、所述第二影响比重、所述当前的施工企业基本数据和所述当前的市场竞争数据，修正所述当前造价数据，得到目标造价数据。
5.根据权利要求3所述的建筑工程造价分析方法，其特征在于，所述施工企业基本数据包括施工企业的延期率以及施工企业的营收数据；所述市场竞争数据包括中标报价数据以及平均报价数据。
6.根据权利要求1所述的建筑工程造价分析方法，其特征在于，对历史造价数据进行修正的步骤，包括：
根据所述当前成本数据，确定与所述工程设备数据对应的第一单价、与所述工程材料数据对应的第二单价以及与所述施工周期数据对应的第三单价；
基于所述历史建筑工程信息、所述第一单价、所述第二单价和所述第三单价对历史造价数据进行修正。
7.根据权利要求1所述的建筑工程造价分析方法，其特征在于，对各所述拍摄图像进行提取，得到初始感兴趣地形区域的步骤，包括：
利用物体识别模型对各所述拍摄图像进行提取，得到初始感兴趣地形区域。
8.根据权利要求1所述的建筑工程造价分析方法，其特征在于，生成目标地形图像的步骤，包括：
计算各所述校正后的感兴趣地形区域之间的像素位移；
基于所述像素位移，获取所述校正后的感兴趣地形区域的深度信息；
根据所述深度信息，将校正后的感兴趣地形区域中的像素点转换为三维地形图像的像素点，并基于所述三维地形图像的像素点，生成目标地形图像。
9.根据权利要求8所述的建筑工程造价分析方法，其特征在于，计算各所述校正后的感兴趣地形区域之间的像素位移的步骤，包括：
将各所述校正后的感兴趣地形区域中的特征点进行匹配，得到所述特征点之间的对应关系；
选取参考图像，并基于所述参考图像以及所述对应关系，得到各所述校正后的感兴趣地形区域之间的像素位移。
10.根据权利要求9所述的建筑工程造价分析方法，其特征在于，所述特征点为角点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311381798.4A CN117114782B (zh) | 2023-10-24 | 2023-10-24 | 建筑工程造价分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311381798.4A CN117114782B (zh) | 2023-10-24 | 2023-10-24 | 建筑工程造价分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117114782A true CN117114782A (zh) | 2023-11-24 |
| CN117114782B CN117114782B (zh) | 2024-05-28 |
Family
ID=88795193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311381798.4A Active CN117114782B (zh) | 2023-10-24 | 2023-10-24 | 建筑工程造价分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114782B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814792A (zh) * | 2020-09-04 | 2020-10-23 | 之江实验室 | 一种基于rgb-d图像的特征点提取与匹配方法 |
| CN112200543A (zh) * | 2020-10-28 | 2021-01-08 | 中国华电科工集团有限公司 | 新能源工程建设的管理方法及管理系统 |
| CN116341875A (zh) * | 2023-04-25 | 2023-06-27 | 盐城市建设工程质量检测中心有限公司 | 应用于建筑施工现场的工程检测系统及方法 |
| CN116663964A (zh) * | 2023-04-28 | 2023-08-29 | 长电新能有限责任公司 | 一种基于清单项目特征值的工程单价快速计算方法及系统 |
-
2023
- 2023-10-24 CN CN202311381798.4A patent/CN117114782B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814792A (zh) * | 2020-09-04 | 2020-10-23 | 之江实验室 | 一种基于rgb-d图像的特征点提取与匹配方法 |
| CN112200543A (zh) * | 2020-10-28 | 2021-01-08 | 中国华电科工集团有限公司 | 新能源工程建设的管理方法及管理系统 |
| CN116341875A (zh) * | 2023-04-25 | 2023-06-27 | 盐城市建设工程质量检测中心有限公司 | 应用于建筑施工现场的工程检测系统及方法 |
| CN116663964A (zh) * | 2023-04-28 | 2023-08-29 | 长电新能有限责任公司 | 一种基于清单项目特征值的工程单价快速计算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117114782B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Automated construction progress measurement using a 4D building information model and 3D data | |
| Rutzinger et al. | A comparison of evaluation techniques for building extraction from airborne laser scanning | |
| US10115165B2 (en) | Management of tax information based on topographical information | |
| Mayunga et al. | A semi‐automated approach for extracting buildings from QuickBird imagery applied to informal settlement mapping | |
| US7778808B2 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
| CN114997534B (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
| Báčová et al. | A GIS method for volumetric assessments of erosion rills from digital surface models | |
| Su et al. | A new hierarchical moving curve-fitting algorithm for filtering lidar data for automatic DTM generation | |
| Nussbaum et al. | Mapping of soil properties at high resolution in Switzerland using boosted geoadditive models | |
| CN111323788B (zh) | 建筑物变化的监测方法、装置及计算机设备 | |
| Lewis et al. | RUSLE applied in a GIS framework: Calculating the LS factor and deriving homogeneous patches for estimating soil loss | |
| CN113916130A (zh) | 一种基于最小二乘法的建筑物位置测量方法 | |
| CN116310219A (zh) | 一种基于条件扩散模型的三维脚型生成方法 | |
| CN107247690A (zh) | 估算气温的方法及服务终端 | |
| Cochrane et al. | Representative hillslope methods for applying the WEPP model with DEMs and GIS | |
| CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
| CN110490061B (zh) | 一种遥感影像特征的不确定性建模与度量方法 | |
| Kochi et al. | A 3D shape-measuring system for assessing strawberry fruits | |
| CN117114782B (zh) | 建筑工程造价分析方法 | |
| Wang et al. | Branching the limits: Robust 3D tree reconstruction from incomplete laser point clouds | |
| CN111104640A (zh) | 一种基于层次分析法的降雨观测评价方法及系统 | |
| CN114741975B (zh) | 一种岩土工程结构模态预测分析方法以及系统 | |
| CN113239815B (zh) | 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备 | |
| CN115861816A (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
| Bigdeli et al. | DTM generation from the point cloud using a progressive geodesic morphology and a modified Particle Swarm Optimization |
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 |