CN117236656B - 工程项目的信息化管理方法及系统 - Google Patents
工程项目的信息化管理方法及系统 Download PDFInfo
- Publication number
- CN117236656B CN117236656B CN202311501966.9A CN202311501966A CN117236656B CN 117236656 B CN117236656 B CN 117236656B CN 202311501966 A CN202311501966 A CN 202311501966A CN 117236656 B CN117236656 B CN 117236656B
- Authority
- CN
- China
- Prior art keywords
- project
- plan
- data
- strategy
- progress
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 111
- 238000005457 optimization Methods 0.000 claims abstract description 135
- 239000013598 vector Substances 0.000 claims abstract description 98
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000013433 optimization analysis Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 104
- 238000003066 decision tree Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 26
- 230000003595 spectral effect Effects 0.000 claims description 25
- 230000032683 aging Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001550 time effect Effects 0.000 claims description 3
- 238000013439 planning Methods 0.000 abstract description 20
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000013468 resource allocation Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息处理领域，公开了一种工程项目的信息化管理方法及系统，用于提高工程项目的信息智能化管理并提高工程项目的计划优度。方法包括：获取历史工程项目数据集并进行工程项目进度划分，得到多个工程项目进度数据；进行项目进度特征提取，得到项目进度关系特征；确定多个项目计划并计算计划完成度和计划完成时效；构建工程项目进度评价向量；将工程项目进度评价向量输入多个工程项目计划管理模型进行工程项目计划优化分析，生成每个工程项目计划管理模型的初始工程项目计划优化策略；构建初始工程项目计划优化策略对应的目标优化策略矩阵，并对目标优化策略矩阵进行策略最优化求解，得到目标工程项目计划优化策略。
Description
技术领域
本发明涉及信息处理领域，尤其涉及一种工程项目的信息化管理方法及系统。
背景技术
随着社会的不断发展和科技的迅猛进步，工程项目在规模和复杂性上都呈现出明显的增长趋势。随着工程项目的不断增多，项目数据呈现出多样性和复杂性。传统的管理方法难以有效处理来自不同领域和不同类型项目的大规模数据，因此需要更加灵活和智能的信息化管理方法。
传统的工程项目管理方式往往面临着信息获取不充分、决策依赖经验的问题，不同项目阶段和不同数据来源的信息难以完整整合，缺乏智能分析工具来从庞大的数据集中提取关键信息，进而导致了项目进度管理的困难以及计划执行效果很差。
发明内容
本发明提供了一种工程项目的信息化管理方法及系统，用于提高工程项目的信息智能化管理并提高工程项目的计划优度。
本发明第一方面提供了一种工程项目的信息化管理方法，所述工程项目的信息化管理方法包括：
获取待处理的历史工程项目数据集，并将所述历史工程项目数据集输入预置的谱聚类算法进行工程项目进度划分，得到项目进度数据子集，其中，所述项目进度数据子集包括：多个工程项目进度数据；
对所述多个工程项目进度数据进行项目进度特征提取，得到每个工程项目进度数据的项目进度关系特征；
根据所述项目进度关系特征确定每个工程项目进度数据的多个项目计划，并分别计算每个项目计划对应的计划完成度和计划完成时效；
根据每个项目计划对应的计划完成度和计划完成时效构建对应的工程项目进度评价向量；
将所述工程项目进度评价向量输入预置的多个工程项目计划管理模型进行工程项目计划优化分析，生成每个工程项目计划管理模型的初始工程项目计划优化策略；
构建所述初始工程项目计划优化策略对应的目标优化策略矩阵，并对所述目标优化策略矩阵进行策略最优化求解，得到目标工程项目计划优化策略。
结合第一方面，在本发明第一方面的第一种实现方式中，所述获取待处理的历史工程项目数据集，并将所述历史工程项目数据集输入预置的谱聚类算法进行工程项目进度划分，得到项目进度数据子集，其中，所述项目进度数据子集包括：多个工程项目进度数据，包括：
获取待处理的原始工程项目数据集，并对所述原始工程项目数据集进行数据清洗，得到历史工程项目数据集；
将所述历史工程项目数据集输入预置的谱聚类算法，通过所述谱聚类算法构建对应的相似性图；
对所述相似性图进行对称归一化拉普拉斯分析，得到目标拉普拉斯矩阵；
对所述目标拉普拉斯矩阵进行特征值分解，得到多个第一特征向量和每个第一特征向量的特征值；
从所述多个第一特征向量中选取K个第二特征向量，并根据所述特征向量对所述历史工程项目数据集进行数据投影，得到目标工程项目数据集；
对所述目标工程项目数据集进行工程项目进度划分，得到项目进度数据子集，其中，所述项目进度数据子集包括：多个工程项目进度数据。
结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述多个工程项目进度数据进行项目进度特征提取，得到每个工程项目进度数据的项目进度关系特征，包括：
分别将所述多个工程项目进度数据输入预置的两层长短时记忆网络，所述两层长短时记忆网络包括第一层长短时记忆网络以及第二层长短时记忆网络；
通过所述第一层长短时记忆网络分别对所述多个工程项目进度数据进行前向隐藏特征提取，得到每个工程项目进度数据的前向隐藏特征，并通过所述第二层长短时记忆网络分别对所述多个工程项目进度数据进行后向隐藏特征提取，得到每个工程项目进度数据的后向隐藏特征；
对所述前向隐藏特征以及所述后向隐藏特征进行特征融合，得到每个工程项目进度数据的目标隐藏特征；
对所述目标隐藏特征进行特征相关性分析，得到每两个工程项目进度数据之间的特征关联关系；
根据每两个工程项目进度数据之间的特征关联关系生成每个工程项目进度数据的项目进度关系特征。
结合第一方面，在本发明第一方面的第三种实现方式中，所述根据所述项目进度关系特征确定每个工程项目进度数据的多个项目计划，并分别计算每个项目计划对应的计划完成度和计划完成时效，包括：
分别对所述多个工程项目进度数据进行计划解析，得到每个工程项目进度数据的多个初始计划；
根据所述项目进度关系特征对所述多个初始计划进行筛选，得到每个工程项目进度数据的多个项目计划；
分别获取每个项目计划的多个计划节点信息，并对所述多个计划节点信息进行完成度指标提取和完成时效指标提取，得到对应的完成度指标以及完成时效指标；
对所述完成度指标以及所述完成时效指标进行指标数值映射，得到每个项目计划对应的计划完成度和计划完成时效。
结合第一方面，在本发明第一方面的第四种实现方式中，所述根据每个项目计划对应的计划完成度和计划完成时效构建对应的工程项目进度评价向量，包括：
获取每个项目计划对应的多个计划影响因素；
对所述多个计划影响因素进行影响因素隶属度分析，得到每个计划影响因素的单因素隶属度；
对每个计划影响因素的单因素隶属度进行求和分析，得到所述多个计划影响因素的目标因素隶属度；
根据所述目标因素隶属度对所述多个项目计划进行权重设置，得到每个项目计划的向量权重数据；
将每个项目计划对应的计划完成度和计划完成时效作为向量元素，并对所述向量元素进行归一化处理，得到每个项目计划的归一化元素；
根据所述向量权重数据对每个项目计划的归一化元素进行加权处理，构建对应的工程项目进度评价向量。
结合第一方面，在本发明第一方面的第五种实现方式中，所述将所述工程项目进度评价向量输入预置的多个工程项目计划管理模型进行工程项目计划优化分析，生成每个工程项目计划管理模型的初始工程项目计划优化策略，包括：
将所述工程项目进度评价向量输入预置的多个工程项目计划管理模型，所述工程项目计划管理模型包括：输入层、策略分析网络以及输出层，所述策略分析网络包括多个决策树；
通过每个工程项目计划管理模型中的输入层分别对所述工程项目进度评价向量进行向量标准化处理，得到标准项目进度评价向量；
通过所述策略分析网络中的多个决策树对所述标准项目进度评价向量进行策略分析，得到每个决策树的初始策略分析结果；
通过每个工程项目计划管理模型中的输出层对每个决策树的初始策略分析结果进行投票分析，输出目标策略分析结果，并根据所述目标策略分析结果生成每个工程项目计划管理模型的初始工程项目计划优化策略。
结合第一方面，在本发明第一方面的第六种实现方式中，所述构建所述初始工程项目计划优化策略对应的目标优化策略矩阵，并对所述目标优化策略矩阵进行策略最优化求解，得到目标工程项目计划优化策略，包括：
构建所述初始工程项目计划优化策略对应的目标优化策略矩阵；
通过预置的遗传算法对所述目标优化策略矩阵进行策略群体初始化，得到多个第一工程项目计划优化策略；
分别计算每个第一工程项目计划优化策略的适应度数据，并根据所述适应度数据对所述多个第一工程项目计划优化策略进行策略群体分割，得到多个工程项目计划优化策略群体；
对所述多个工程项目计划优化策略群体进行策略最优化求解，得到目标工程项目计划优化策略。
本发明第二方面提供了一种工程项目的信息化管理系统，所述工程项目的信息化管理系统包括：
获取模块，用于获取待处理的历史工程项目数据集，并将所述历史工程项目数据集输入预置的谱聚类算法进行工程项目进度划分，得到项目进度数据子集，其中，所述项目进度数据子集包括：多个工程项目进度数据；
特征提取模块，用于对所述多个工程项目进度数据进行项目进度特征提取，得到每个工程项目进度数据的项目进度关系特征；
计算模块，用于根据所述项目进度关系特征确定每个工程项目进度数据的多个项目计划，并分别计算每个项目计划对应的计划完成度和计划完成时效；
构建模块，用于根据每个项目计划对应的计划完成度和计划完成时效构建对应的工程项目进度评价向量；
分析模块，用于将所述工程项目进度评价向量输入预置的多个工程项目计划管理模型进行工程项目计划优化分析，生成每个工程项目计划管理模型的初始工程项目计划优化策略；
输出模块，用于构建所述初始工程项目计划优化策略对应的目标优化策略矩阵，并对所述目标优化策略矩阵进行策略最优化求解，得到目标工程项目计划优化策略。
本发明第三方面提供了一种工程项目的信息化管理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述工程项目的信息化管理设备执行上述的工程项目的信息化管理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的工程项目的信息化管理方法。
本发明提供的技术方案中，获取历史工程项目数据集并进行工程项目进度划分，得到多个工程项目进度数据；进行项目进度特征提取，得到项目进度关系特征；确定多个项目计划并计算计划完成度和计划完成时效；构建工程项目进度评价向量；将工程项目进度评价向量输入多个工程项目计划管理模型进行工程项目计划优化分析，生成每个工程项目计划管理模型的初始工程项目计划优化策略；构建初始工程项目计划优化策略对应的目标优化策略矩阵，并对目标优化策略矩阵进行策略最优化求解，得到目标工程项目计划优化策略，本发明通过谱聚类算法对历史工程项目数据进行进度划分，可提高对项目进度的准确性。谱聚类能够识别潜在的复杂关系，使得划分结果更为精确，有助于形成更具代表性的项目进度数据子集。使用两层长短时记忆网络进行项目进度特征提取，有助于捕捉时间序列数据中的长期和短期依赖关系。这提高了对项目进度数据的敏感性，使得特征提取更具有深度和准确性。通过对项目进度关系特征的分析，确定每个工程项目进度数据的多个项目计划。这种基于关系的智能化计划制定有助于适应复杂的项目环境，提高计划的灵活性和实用性。通过对每个项目计划的完成度和时效性进行量化评估，使得项目的管理更加具体和可操作。这有助于项目经理和相关利益方更清晰地了解项目的实际进展和达成目标的情况。构建工程项目进度评价向量时，通过考虑多个计划影响因素，采用隶属度分析，有助于更全面、综合地评估项目的状态，而不仅仅是依赖于单一指标。将工程项目进度评价向量输入多个工程项目计划管理模型，通过策略分析网络生成初始工程项目计划优化策略。这种智能化的优化方法，结合多个模型的综合分析，有助于制定更具有针对性和效果的项目计划。通过构建目标优化策略矩阵和采用遗传算法进行多目标优化求解，可以提高工程项目计划的质量，使得各项指标在一定范围内取得最优平衡，进而实现了工程项目的信息智能化管理，并提高了工程项目的计划优度。
附图说明
图1为本发明实施例中工程项目的信息化管理方法的一个实施例示意图；
图2为本发明实施例中项目进度特征提取的流程图；
图3为本发明实施例中计算计划完成度和计划完成时效的流程图；
图4为本发明实施例中构建工程项目进度评价向量的流程图；
图5为本发明实施例中工程项目的信息化管理系统的一个实施例示意图；
图6为本发明实施例中工程项目的信息化管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种工程项目的信息化管理方法及系统，用于提高工程项目的信息智能化管理并提高工程项目的计划优度。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中工程项目的信息化管理方法的一个实施例包括：
S101、获取待处理的历史工程项目数据集，并将历史工程项目数据集输入预置的谱聚类算法进行工程项目进度划分，得到项目进度数据子集，其中，项目进度数据子集包括：多个工程项目进度数据；
可以理解的是，本发明的执行主体可以为工程项目的信息化管理系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器获取待处理的原始工程项目数据集，随后对其进行数据清洗，以确保数据质量。经过数据清洗，得到历史工程项目数据集，其中包含了各种工程项目的信息，如时间表、完成情况、资源分配等。使用预置的谱聚类算法来处理历史工程项目数据集。谱聚类是一种聚类算法，通过发现数据点之间的相似性来将它们划分成不同的组。这个过程包括构建相似性图，其中节点代表数据点，边代表数据点之间的相似性或距离。进行对称归一化拉普拉斯分析，这有助于获得目标拉普拉斯矩阵。目的是更好地理解数据点之间的关系和相似性，为进一步的分析做准备。通过对目标拉普拉斯矩阵进行特征值分解，获得多个第一特征向量和它们的特征值。这些特征向量和特征值可以帮助描述数据的主要特点和关系。从多个第一特征向量中选择K个第二特征向量，并将它们用于对历史工程项目数据集进行数据投影。这一步骤生成了目标工程项目数据集，其中包含了降维后的数据，使得数据更容易处理和分析。利用目标工程项目数据集进行工程项目进度划分，将工程项目数据分成不同的簇或组，每个簇代表一组相似的工程项目。这有助于更好地理解项目的进度和规划，从而改进项目的管理和计划。
S102、对多个工程项目进度数据进行项目进度特征提取，得到每个工程项目进度数据的项目进度关系特征；
具体的，服务器分别将所述多个工程项目进度数据输入预置的两层长短时记忆网络，所述两层长短时记忆网络包括第一层长短时记忆网络以及第二层长短时记忆网络。第一层LSTM网络用于进行前向隐藏特征提取，通过逐步分析和学习数据的时间依赖性，获取了每个工程项目进度数据的前向隐藏特征。这些前向隐藏特征反映了数据的时间序列特点，如任务的先后顺序和完成情况。第二层LSTM网络用于进行后向隐藏特征提取，与前向特征提取相似，但侧重于数据的逆序特征。通过第二层LSTM网络，每个工程项目的进度数据获得了后向隐藏特征，提供了关于数据的逆序信息。服务器将前向隐藏特征和后向隐藏特征融合在一起，生成了每个工程项目进度数据的目标隐藏特征。这个目标隐藏特征是前向和后向信息的综合，提供了更全面的数据描述。服务器使用目标隐藏特征进行特征相关性分析，帮助确定不同工程项目进度数据之间的特征关联关系。通过分析隐藏特征之间的相关性，可以揭示不同项目之间的相似性和差异性。根据特征相关性分析的结果，服务器生成了每个工程项目进度数据的项目进度关系特征。这些特征反映了不同项目之间的联系，有助于更好地理解工程项目的进度情况和支持决策制定。例如，服务器会发现某些住宅项目的进度特征与商业项目存在明显的相似性，但与工业项目有所不同。这种洞察有助于服务器更好地规划资源、优化进度和做出更明智的项目决策，以满足不同项目类型的需求。
S103、根据项目进度关系特征确定每个工程项目进度数据的多个项目计划，并分别计算每个项目计划对应的计划完成度和计划完成时效；
需要说明的是，分别对多个工程项目进度数据进行计划解析，得到每个工程项目进度数据的多个初始计划。这包括分析每个工程项目的进度数据，识别和提取潜在的项目计划信息。这些计划信息包括任务、里程碑、时间表、资源分配等等。计划解析有助于理解项目的结构和关键元素。根据项目进度关系特征，对多个初始计划进行筛选，以确定每个工程项目进度数据的多个项目计划。项目进度关系特征提供了洞察，帮助筛选出最相关的计划，以满足项目之间的关联性和相互影响。为每个项目计划获取多个计划节点信息，这些节点信息包括计划任务、时间点、任务状态等。对这些计划节点信息进行完成度指标提取和完成时效指标提取。完成度指标用于度量任务完成的程度，完成时效指标用于度量任务完成所需的时间。完成度指标通常涵盖任务的实际完成情况，例如完成百分比或已完成任务的数量。完成时效指标则涵盖任务的时间性，包括任务的开始时间、结束时间和延迟情况。对完成度指标和完成时效指标进行指标数值映射，以得到每个项目计划的计划完成度和计划完成时效。这一映射过程可以将原始指标值转化为可理解的分数或等级，便于管理和决策。例如，服务器首先进行计划解析，识别每个项目的潜在计划，如基础建设、结构建设、装修等。通过项目进度关系特征的筛选，确定哪些计划对不同项目最重要。服务器获取了每个计划的节点信息，包括任务、时间表和状态。通过提取完成度指标，服务器了解每个计划的任务完成情况，例如某个住宅项目的装修任务已经完成了80%。同时，通过提取完成时效指标，服务器了解计划的时间性，例如某个商业项目的结构建设计划已经延迟了2周。服务器将这些指标值映射为具体的分数，如完成度为85分、完成时效为90分。这些分数提供了每个项目计划的计划完成度和计划完成时效，有助于服务器更好地监控和管理项目，及时做出决策以满足客户的需求和时间要求。
S104、根据每个项目计划对应的计划完成度和计划完成时效构建对应的工程项目进度评价向量；
具体的，获取每个项目计划对应的多个计划影响因素。这些因素可以包括任务优先级、资源可用性、技术复杂性、人员技能等等。这些因素是影响项目进度的关键要素。对这些多个计划影响因素进行影响因素隶属度分析。这一分析有助于确定每个因素对项目进度的重要性和影响程度。例如，某个项目的任务优先级对进度具有更高的重要性，因此在隶属度分析中得分较高。对每个计划影响因素的单因素隶属度进行求和分析，以得到多个计划影响因素的目标因素隶属度。这一步骤将综合考虑各因素的综合影响，反映了每个项目计划的整体影响度。根据得到的目标因素隶属度，对每个项目计划进行权重设置，得到每个项目计划的向量权重数据。这些权重数据反映了每个项目计划在整体进度评估中的相对重要性。例如，某个计划的任务优先级和资源可用性对项目的进度影响较大，因此它们在向量权重中将获得更高的权重。将每个项目计划的计划完成度和计划完成时效作为向量元素，并对这些元素进行归一化处理。归一化是为了确保不同元素具有相似的数值范围，以便进行有效的权重计算和综合评估。根据向量权重数据对每个项目计划的归一化元素进行加权处理，构建对应的工程项目进度评价向量。这一向量综合考虑了每个计划的计划完成度和计划完成时效，并基于权重数据将它们组合在一起。这个评价向量提供了每个项目进度的综合评估，有助于决策制定和项目管理。
S105、将工程项目进度评价向量输入预置的多个工程项目计划管理模型进行工程项目计划优化分析，生成每个工程项目计划管理模型的初始工程项目计划优化策略；
具体的，将工程项目进度评价向量输入预置的多个工程项目计划管理模型。这些模型是一种计划分析和优化工具，用于帮助项目管理团队更好地理解项目进度情况，并提供优化建议。工程项目计划管理模型通常包括三个关键部分：输入层、策略分析网络和输出层。输入层用于接收和处理输入数据，策略分析网络包括多个决策树，用于分析和评估不同策略的效果，输出层则用于生成最终的优化策略结果。通过每个工程项目计划管理模型中的输入层，工程项目进度评价向量被标准化处理，以确保数据在模型中的一致性和可比性。标准化是为了使不同项目的数据都具有相似的尺度和范围。策略分析网络中的多个决策树对标准项目进度评价向量进行策略分析。每个决策树代表了一个的决策路径，考虑了各种因素，如资源分配、任务调整、时间管理等。每个决策树的分析结果将提供一个初始策略分析结果。通过每个工程项目计划管理模型中的输出层，针对多个决策树的初始策略分析结果进行投票分析。不同决策树的结果将综合考虑，以生成目标策略分析结果。最终的目标策略分析结果将被用来生成每个工程项目计划管理模型的初始工程项目计划优化策略。
S106、构建初始工程项目计划优化策略对应的目标优化策略矩阵，并对目标优化策略矩阵进行策略最优化求解，得到目标工程项目计划优化策略。
具体的，构建初始工程项目计划优化策略对应的目标优化策略矩阵。这个矩阵通常包括各种的优化策略，这些策略代表了项目计划的不同变体，以满足不同的需求和约束。目标优化策略矩阵是一个重要的决策工具，用于比较和选择最佳策略。通过预置的遗传算法对目标优化策略矩阵进行策略群体初始化。遗传算法是一种优化技术，它通过模拟自然选择和遗传进化的过程来寻找最佳解决方案。在这一步骤中，算法将生成多个第一工程项目计划优化策略，这些策略代表了的解决方案。分别计算每个第一工程项目计划优化策略的适应度数据。适应度数据反映了每个策略相对于特定目标的性能。例如，如果目标是最小化项目成本，适应度数据考虑了成本的估计、资源分配和时间计划等因素。根据适应度数据，将多个第一工程项目计划优化策略分成不同的策略群体。这一步骤有助于将策略分组，并为每个策略群体赋予特定的性能水平。对多个工程项目计划优化策略群体进行策略最优化求解。从每个策略群体中选择最佳策略，以满足特定的目标和需求。这个最优化过程可以采用不同的算法，如遗传算法、模拟退火等，以找到最佳策略。
本发明实施例中，通过谱聚类算法对历史工程项目数据进行进度划分，可提高对项目进度的准确性。谱聚类能够识别潜在的复杂关系，使得划分结果更为精确，有助于形成更具代表性的项目进度数据子集。使用两层长短时记忆网络进行项目进度特征提取，有助于捕捉时间序列数据中的长期和短期依赖关系。这提高了对项目进度数据的敏感性，使得特征提取更具有深度和准确性。通过对项目进度关系特征的分析，确定每个工程项目进度数据的多个项目计划。这种基于关系的智能化计划制定有助于适应复杂的项目环境，提高计划的灵活性和实用性。通过对每个项目计划的完成度和时效性进行量化评估，使得项目的管理更加具体和可操作。这有助于项目经理和相关利益方更清晰地了解项目的实际进展和达成目标的情况。构建工程项目进度评价向量时，通过考虑多个计划影响因素，采用隶属度分析，有助于更全面、综合地评估项目的状态，而不仅仅是依赖于单一指标。将工程项目进度评价向量输入多个工程项目计划管理模型，通过策略分析网络生成初始工程项目计划优化策略。这种智能化的优化方法，结合多个模型的综合分析，有助于制定更具有针对性和效果的项目计划。通过构建目标优化策略矩阵和采用遗传算法进行多目标优化求解，可以提高工程项目计划的质量，使得各项指标在一定范围内取得最优平衡，进而实现了工程项目的信息智能化管理，并提高了工程项目的计划优度。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取待处理的原始工程项目数据集，并对原始工程项目数据集进行数据清洗，得到历史工程项目数据集；
（2）将历史工程项目数据集输入预置的谱聚类算法，通过谱聚类算法构建对应的相似性图；
（3）对相似性图进行对称归一化拉普拉斯分析，得到目标拉普拉斯矩阵；
（4）对目标拉普拉斯矩阵进行特征值分解，得到多个第一特征向量和每个第一特征向量的特征值；
（5）从多个第一特征向量中选取K个第二特征向量，并根据特征向量对历史工程项目数据集进行数据投影，得到目标工程项目数据集；
（6）对目标工程项目数据集进行工程项目进度划分，得到项目进度数据子集，其中，项目进度数据子集包括：多个工程项目进度数据。
具体的，服务器获取待处理的原始工程项目数据集。原始数据通常包含大量关于不同工程项目的信息，如项目名称、任务列表、时间表、资源分配等。这些数据可以来自各种来源，如项目管理工具、数据库或日志文件。对原始工程项目数据集进行数据清洗，以去除错误、不完整或重复的数据。数据清洗是确保数据质量和一致性的关键步骤。它涉及到去除无效的项目、修复时间表错误或填充缺失的数据。当完成数据清洗，得到了历史工程项目数据集，它包含了高质量的项目数据，可以用于进一步的分析和处理。将历史工程项目数据集输入预置的谱聚类算法。谱聚类是一种用于数据聚类的算法，它能够将数据集分成不同的群组，这些群组通常具有相似的特性。通过谱聚类算法，对历史工程项目数据集进行分析，构建相似性图。相似性图用于表示不同项目之间的相似性和关联性。在这个图中，每个项目可以被看作是图中的一个节点，而项目之间的相似性则由边的权重表示。对相似性图进行对称归一化拉普拉斯分析。对称归一化拉普拉斯分析是一种图分析技术，它有助于理解图中节点之间的关系。通过这一步骤，得到目标拉普拉斯矩阵，这是一个用于描述图结构的矩阵。对目标拉普拉斯矩阵进行特征值分解。特征值分解是一种数学技术，用于找到矩阵的特征值和特征向量。这些特征值和特征向量提供了关于数据集结构的有用信息。从多个第一特征向量中选取K个第二特征向量，这些特征向量将用于对历史工程项目数据集进行数据投影。数据投影是将高维数据映射到低维空间的过程，以便更好地理解数据的结构和关系。最终，通过对目标工程项目数据集进行工程项目进度划分，得到项目进度数据子集。这个子集包括多个工程项目进度数据，它们经过分析和处理，以便更好地了解项目进度和关联性。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、分别将多个工程项目进度数据输入预置的两层长短时记忆网络，两层长短时记忆网络包括第一层长短时记忆网络以及第二层长短时记忆网络；
S202、通过第一层长短时记忆网络分别对多个工程项目进度数据进行前向隐藏特征提取，得到每个工程项目进度数据的前向隐藏特征，并通过第二层长短时记忆网络分别对多个工程项目进度数据进行后向隐藏特征提取，得到每个工程项目进度数据的后向隐藏特征；
S203、对前向隐藏特征以及后向隐藏特征进行特征融合，得到每个工程项目进度数据的目标隐藏特征；
S204、对目标隐藏特征进行特征相关性分析，得到每两个工程项目进度数据之间的特征关联关系；
S205、根据每两个工程项目进度数据之间的特征关联关系生成每个工程项目进度数据的项目进度关系特征。
具体的，服务器分别将多个工程项目进度数据输入预置的两层长短时记忆网络（LSTM）中。LSTM是一种适用于序列数据的深度学习模型，具有记忆和长期依赖性建模的能力。这两层LSTM包括第一层和第二层，每一层都有不同的任务。通过第一层长短时记忆网络分别对多个工程项目进度数据进行前向隐藏特征提取。LSTM会分析数据的时间顺序，捕捉前向的特征，例如任务完成情况、时间进展等。每个项目进度数据都会在第一层LSTM中生成前向隐藏特征。通过第二层长短时记忆网络，再次对每个工程项目进度数据进行处理，这次是进行后向隐藏特征提取。这一步骤有助于捕获项目进度数据的时间序列中的后向关系，如任务的影响和依赖性。每个项目进度数据都会在第二层LSTM中生成后向隐藏特征。将前向隐藏特征和后向隐藏特征结合起来，进行特征融合。两层LSTM提取的信息被综合考虑，生成每个工程项目进度数据的目标隐藏特征。目标隐藏特征是通过学习前向和后向信息的抽象特征来表示每个项目进度数据。对目标隐藏特征进行特征相关性分析。这一步骤旨在确定不同工程项目进度数据之间的特征关联关系。特征关联关系有助于理解不同项目之间的相似性和差异性。例如，服务器发现一些项目具有相似的任务序列或资源需求，这表明它们之间存在一定的关联性。根据每两个工程项目进度数据之间的特征关联关系生成每个工程项目进度数据的项目进度关系特征。这个项目进度关系特征包含了项目之间的关联信息，例如哪些任务相似、哪些项目有相同的资源需求等等。例如，服务器可以得出结论，两个项目之间存在资源共享，可以进一步优化资源分配，以提高效率。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、分别对多个工程项目进度数据进行计划解析，得到每个工程项目进度数据的多个初始计划；
S302、根据项目进度关系特征对多个初始计划进行筛选，得到每个工程项目进度数据的多个项目计划；
S303、分别获取每个项目计划的多个计划节点信息，并对多个计划节点信息进行完成度指标提取和完成时效指标提取，得到对应的完成度指标以及完成时效指标；
S304、对完成度指标以及完成时效指标进行指标数值映射，得到每个项目计划对应的计划完成度和计划完成时效。
具体的，服务器分别对多个工程项目进度数据进行计划解析，对每个项目的进度数据进行详细的分析和拆解，以获取多个初始计划。计划解析过程涉及到项目的任务、时间表、资源分配和其他相关信息的分析，以便形成初始计划。通过项目进度关系特征对多个初始计划进行筛选，以确定每个工程项目进度数据的多个项目计划。项目进度关系特征通常指的是不同任务之间的关联性，如任务的先后顺序、依赖关系等。筛选过程可以帮助确定哪些计划更有成功，从而更好地满足项目要求。分别获取每个项目计划的多个计划节点信息，这些节点信息包括计划的任务、关键时间点、责任人等。对这些节点信息进行完成度指标提取和完成时效指标提取，以确定计划的进展情况和是否按计划完成。完成度指标可以包括任务完成的百分比。完成时效指标可以衡量任务完成所需的时间，如任务提前完成或延期完成。例如任务完成了90%并提前2天完成。对完成度指标和完成时效指标进行指标数值映射，定量化计划的进度和时效，并将其映射到特定的数值范围内。这有助于进行进一步的分析和比较。最终，通过指标数值映射，得到了每个项目计划对应的计划完成度和计划完成时效。这些指标提供了关于计划进展的重要信息，可以用于后续的项目管理和优化决策。例如将任务完成度映射到0.9，将完成时效映射到-2天。这使服务器能够更好地理解计划的进展情况，以及是否需要进一步的调整和优化。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、获取每个项目计划对应的多个计划影响因素；
S402、对多个计划影响因素进行影响因素隶属度分析，得到每个计划影响因素的单因素隶属度；
S403、对每个计划影响因素的单因素隶属度进行求和分析，得到多个计划影响因素的目标因素隶属度；
S404、根据目标因素隶属度对多个项目计划进行权重设置，得到每个项目计划的向量权重数据；
S405、将每个项目计划对应的计划完成度和计划完成时效作为向量元素，并对向量元素进行归一化处理，得到每个项目计划的归一化元素；
S406、根据向量权重数据对每个项目计划的归一化元素进行加权处理，构建对应的工程项目进度评价向量。
具体的，服务器获取每个项目计划对应的多个计划影响因素。这些因素包括任务复杂性、资源可用性、团队技能、市场需求等。每个计划的影响因素可以根据项目的具体情况来确定，以便更好地评估计划的绩效。对多个计划影响因素进行影响因素隶属度分析。这一分析旨在确定每个因素对计划成功的贡献程度。每个因素的隶属度表示了其对计划绩效的重要性。例如，任务复杂性对计划绩效的影响较大，因此具有较高的隶属度。对每个计划影响因素的单因素隶属度进行求和分析，以得到多个计划影响因素的目标因素隶属度。将每个因素的隶属度综合考虑，以确定其在整个计划绩效中的重要性。这一目标因素隶属度反映了计划的综合质量。根据目标因素隶属度对多个项目计划进行权重设置。目标因素隶属度将用作权重，用于确定每个计划的影响因素的相对重要性。高隶属度的因素将获得更高的权重，从而对计划绩效产生更大的影响。将每个项目计划对应的计划完成度和计划完成时效作为向量元素。这些元素代表了计划的实际绩效。对这些向量元素进行归一化处理，以确保它们在相同的数值范围内，使它们可以进行有效的比较和分析。根据向量权重数据对每个项目计划的归一化元素进行加权处理，从而构建对应的工程项目进度评价向量。这个评价向量综合了各个计划的绩效，考虑了不同因素的权重和贡献程度，从而提供了一个全面的评估。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）将工程项目进度评价向量输入预置的多个工程项目计划管理模型，工程项目计划管理模型包括：输入层、策略分析网络以及输出层，策略分析网络包括多个决策树；
（2）通过每个工程项目计划管理模型中的输入层分别对工程项目进度评价向量进行向量标准化处理，得到标准项目进度评价向量；
（3）通过策略分析网络中的多个决策树对标准项目进度评价向量进行策略分析，得到每个决策树的初始策略分析结果；
（4）通过每个工程项目计划管理模型中的输出层对每个决策树的初始策略分析结果进行投票分析，输出目标策略分析结果，并根据目标策略分析结果生成每个工程项目计划管理模型的初始工程项目计划优化策略。
具体的，将工程项目进度评价向量输入预置的多个工程项目计划管理模型。这些管理模型通常由输入层、策略分析网络以及输出层组成，策略分析网络包括多个决策树。每个模型可以是一个独立的实体，用于分析和管理不同的工程项目。通过每个工程项目计划管理模型中的输入层，对工程项目进度评价向量进行向量标准化处理。这个步骤确保输入数据在相同的数值范围内，以便进行有效的分析和比较。标准化后的数据将被传递给策略分析网络。在策略分析网络中，多个决策树对标准项目进度评价向量进行策略分析。每棵决策树可以代表不同的策略或方法，用于评估项目计划的绩效。这些决策树可以采用不同的算法和权重，以便考虑不同的因素和指标。每棵决策树将生成初始策略分析结果，这些结果反映了项目计划在不同策略下的性能。每个决策树的结果都会考虑特定的因素和权重，以确保全面的分析。通过每个工程项目计划管理模型中的输出层，对每个决策树的初始策略分析结果进行投票分析。不同策略的分析结果将被综合考虑，以生成目标策略分析结果。这个结果代表了多个策略分析的综合，可以作为初始工程项目计划优化策略的基础。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）构建初始工程项目计划优化策略对应的目标优化策略矩阵；
（2）通过预置的遗传算法对目标优化策略矩阵进行策略群体初始化，得到多个第一工程项目计划优化策略；
（3）分别计算每个第一工程项目计划优化策略的适应度数据，并根据适应度数据对多个第一工程项目计划优化策略进行策略群体分割，得到多个工程项目计划优化策略群体；
（4）对多个工程项目计划优化策略群体进行策略最优化求解，得到目标工程项目计划优化策略。
具体的，构建初始工程项目计划优化策略对应的目标优化策略矩阵。这个矩阵可以包括各种不同的策略选项，每一行代表一个不同的策略，而每一列代表策略的参数或特征。这些策略可以包括不同的时间管理方法、成本控制策略、资源分配等。预置遗传算法用于对目标优化策略矩阵进行策略群体初始化。在遗传算法中，需要定义基因编码、选择算子、交叉算子、变异算子等参数。初始群体是由多个第一工程项目计划优化策略组成的。计算每个第一工程项目计划优化策略的适应度数据。适应度函数是根据项目的实际需求和目标制定的，它评估每个策略的性能，例如项目完成时间、成本控制、资源利用效率等。根据适应度数据，对多个第一工程项目计划优化策略进行策略群体分割。根据策略性能的好坏，将策略分为不同的群体，通常分为优秀策略、中等策略和较差策略。使用遗传算法对多个工程项目计划优化策略群体进行策略最优化求解。这涉及到对策略进行进化、交叉和变异，以逐渐优化策略。遗传算法会重复这个过程多次，以找到性能最佳的策略。
上面对本发明实施例中工程项目的信息化管理方法进行了描述，下面对本发明实施例中工程项目的信息化管理系统进行描述，请参阅图5，本发明实施例中工程项目的信息化管理系统一个实施例包括：
获取模块501，用于获取待处理的历史工程项目数据集，并将所述历史工程项目数据集输入预置的谱聚类算法进行工程项目进度划分，得到项目进度数据子集，其中，所述项目进度数据子集包括：多个工程项目进度数据；
特征提取模块502，用于对所述多个工程项目进度数据进行项目进度特征提取，得到每个工程项目进度数据的项目进度关系特征；
计算模块503，用于根据所述项目进度关系特征确定每个工程项目进度数据的多个项目计划，并分别计算每个项目计划对应的计划完成度和计划完成时效；
构建模块504，用于根据每个项目计划对应的计划完成度和计划完成时效构建对应的工程项目进度评价向量；
分析模块505，用于将所述工程项目进度评价向量输入预置的多个工程项目计划管理模型进行工程项目计划优化分析，生成每个工程项目计划管理模型的初始工程项目计划优化策略；
输出模块506，用于构建所述初始工程项目计划优化策略对应的目标优化策略矩阵，并对所述目标优化策略矩阵进行策略最优化求解，得到目标工程项目计划优化策略。
通过上述各个组成部分的协同合作，通过谱聚类算法对历史工程项目数据进行进度划分，可提高对项目进度的准确性。谱聚类能够识别潜在的复杂关系，使得划分结果更为精确，有助于形成更具代表性的项目进度数据子集。使用两层长短时记忆网络进行项目进度特征提取，有助于捕捉时间序列数据中的长期和短期依赖关系。这提高了对项目进度数据的敏感性，使得特征提取更具有深度和准确性。通过对项目进度关系特征的分析，确定每个工程项目进度数据的多个项目计划。这种基于关系的智能化计划制定有助于适应复杂的项目环境，提高计划的灵活性和实用性。通过对每个项目计划的完成度和时效性进行量化评估，使得项目的管理更加具体和可操作。这有助于项目经理和相关利益方更清晰地了解项目的实际进展和达成目标的情况。构建工程项目进度评价向量时，通过考虑多个计划影响因素，采用隶属度分析，有助于更全面、综合地评估项目的状态，而不仅仅是依赖于单一指标。将工程项目进度评价向量输入多个工程项目计划管理模型，通过策略分析网络生成初始工程项目计划优化策略。这种智能化的优化方法，结合多个模型的综合分析，有助于制定更具有针对性和效果的项目计划。通过构建目标优化策略矩阵和采用遗传算法进行多目标优化求解，可以提高工程项目计划的质量，使得各项指标在一定范围内取得最优平衡，进而实现了工程项目的信息智能化管理，并提高了工程项目的计划优度。
上面图5从模块化功能实体的角度对本发明实施例中的工程项目的信息化管理系统进行详细描述，下面从硬件处理的角度对本发明实施例中工程项目的信息化管理设备进行详细描述。
图6是本发明实施例提供的一种工程项目的信息化管理设备的结构示意图，该工程项目的信息化管理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对工程项目的信息化管理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在工程项目的信息化管理设备600上执行存储介质630中的一系列指令操作。
工程项目的信息化管理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的工程项目的信息化管理设备结构并不构成对工程项目的信息化管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种工程项目的信息化管理设备，所述工程项目的信息化管理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述工程项目的信息化管理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述工程项目的信息化管理方法的步骤。
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。
所述集成的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全部或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）执行本发明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、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，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。
Claims (7)
1.一种工程项目的信息化管理方法，其特征在于，所述工程项目的信息化管理方法包括：
获取待处理的历史工程项目数据集，并将所述历史工程项目数据集输入预置的谱聚类算法进行工程项目进度划分，得到项目进度数据子集，其中，所述项目进度数据子集包括：多个工程项目进度数据；具体包括：获取待处理的原始工程项目数据集，并对所述原始工程项目数据集进行数据清洗，得到历史工程项目数据集；将所述历史工程项目数据集输入预置的谱聚类算法，通过所述谱聚类算法构建对应的相似性图；对所述相似性图进行对称归一化拉普拉斯分析，得到目标拉普拉斯矩阵；对所述目标拉普拉斯矩阵进行特征值分解，得到多个第一特征向量和每个第一特征向量的特征值；从所述多个第一特征向量中选取K个第二特征向量，并根据所述特征向量对所述历史工程项目数据集进行数据投影，得到目标工程项目数据集；对所述目标工程项目数据集进行工程项目进度划分，得到项目进度数据子集；
对所述多个工程项目进度数据进行项目进度特征提取，得到每个工程项目进度数据的项目进度关系特征；
根据所述项目进度关系特征确定每个工程项目进度数据的多个项目计划，并分别计算每个项目计划对应的计划完成度和计划完成时效；
根据每个项目计划对应的计划完成度和计划完成时效构建对应的工程项目进度评价向量；
将所述工程项目进度评价向量输入预置的多个工程项目计划管理模型进行工程项目计划优化分析，生成每个工程项目计划管理模型的初始工程项目计划优化策略；具体包括：将所述工程项目进度评价向量输入预置的多个工程项目计划管理模型，所述工程项目计划管理模型包括：输入层、策略分析网络以及输出层，所述策略分析网络包括多个决策树；通过每个工程项目计划管理模型中的输入层分别对所述工程项目进度评价向量进行向量标准化处理，得到标准项目进度评价向量；通过所述策略分析网络中的多个决策树对所述标准项目进度评价向量进行策略分析，得到每个决策树的初始策略分析结果；通过每个工程项目计划管理模型中的输出层对每个决策树的初始策略分析结果进行投票分析，输出目标策略分析结果，并根据所述目标策略分析结果生成每个工程项目计划管理模型的初始工程项目计划优化策略；
构建所述初始工程项目计划优化策略对应的目标优化策略矩阵，并对所述目标优化策略矩阵进行策略最优化求解，得到目标工程项目计划优化策略；具体包括：构建所述初始工程项目计划优化策略对应的目标优化策略矩阵；通过预置的遗传算法对所述目标优化策略矩阵进行策略群体初始化，得到多个第一工程项目计划优化策略；分别计算每个第一工程项目计划优化策略的适应度数据，并根据所述适应度数据对所述多个第一工程项目计划优化策略进行策略群体分割，得到多个工程项目计划优化策略群体；对所述多个工程项目计划优化策略群体进行策略最优化求解，得到目标工程项目计划优化策略。
2.根据权利要求1所述的工程项目的信息化管理方法，其特征在于，所述对所述多个工程项目进度数据进行项目进度特征提取，得到每个工程项目进度数据的项目进度关系特征，包括：
分别将所述多个工程项目进度数据输入预置的两层长短时记忆网络，所述两层长短时记忆网络包括第一层长短时记忆网络以及第二层长短时记忆网络；
通过所述第一层长短时记忆网络分别对所述多个工程项目进度数据进行前向隐藏特征提取，得到每个工程项目进度数据的前向隐藏特征，并通过所述第二层长短时记忆网络分别对所述多个工程项目进度数据进行后向隐藏特征提取，得到每个工程项目进度数据的后向隐藏特征；
对所述前向隐藏特征以及所述后向隐藏特征进行特征融合，得到每个工程项目进度数据的目标隐藏特征；
对所述目标隐藏特征进行特征相关性分析，得到每两个工程项目进度数据之间的特征关联关系；
根据每两个工程项目进度数据之间的特征关联关系生成每个工程项目进度数据的项目进度关系特征。
3.根据权利要求2所述的工程项目的信息化管理方法，其特征在于，所述根据所述项目进度关系特征确定每个工程项目进度数据的多个项目计划，并分别计算每个项目计划对应的计划完成度和计划完成时效，包括：
分别对所述多个工程项目进度数据进行计划解析，得到每个工程项目进度数据的多个初始计划；
根据所述项目进度关系特征对所述多个初始计划进行筛选，得到每个工程项目进度数据的多个项目计划；
分别获取每个项目计划的多个计划节点信息，并对所述多个计划节点信息进行完成度指标提取和完成时效指标提取，得到对应的完成度指标以及完成时效指标；
对所述完成度指标以及所述完成时效指标进行指标数值映射，得到每个项目计划对应的计划完成度和计划完成时效。
4.根据权利要求3所述的工程项目的信息化管理方法，其特征在于，所述根据每个项目计划对应的计划完成度和计划完成时效构建对应的工程项目进度评价向量，包括：
获取每个项目计划对应的多个计划影响因素；
对所述多个计划影响因素进行影响因素隶属度分析，得到每个计划影响因素的单因素隶属度；
对每个计划影响因素的单因素隶属度进行求和分析，得到所述多个计划影响因素的目标因素隶属度；
根据所述目标因素隶属度对所述多个项目计划进行权重设置，得到每个项目计划的向量权重数据；
将每个项目计划对应的计划完成度和计划完成时效作为向量元素，并对所述向量元素进行归一化处理，得到每个项目计划的归一化元素；
根据所述向量权重数据对每个项目计划的归一化元素进行加权处理，构建对应的工程项目进度评价向量。
5.一种工程项目的信息化管理系统，其特征在于，所述工程项目的信息化管理系统包括：
获取模块，用于获取待处理的历史工程项目数据集，并将所述历史工程项目数据集输入预置的谱聚类算法进行工程项目进度划分，得到项目进度数据子集，其中，所述项目进度数据子集包括：多个工程项目进度数据；具体包括：获取待处理的原始工程项目数据集，并对所述原始工程项目数据集进行数据清洗，得到历史工程项目数据集；将所述历史工程项目数据集输入预置的谱聚类算法，通过所述谱聚类算法构建对应的相似性图；对所述相似性图进行对称归一化拉普拉斯分析，得到目标拉普拉斯矩阵；对所述目标拉普拉斯矩阵进行特征值分解，得到多个第一特征向量和每个第一特征向量的特征值；从所述多个第一特征向量中选取K个第二特征向量，并根据所述特征向量对所述历史工程项目数据集进行数据投影，得到目标工程项目数据集；对所述目标工程项目数据集进行工程项目进度划分，得到项目进度数据子集；
特征提取模块，用于对所述多个工程项目进度数据进行项目进度特征提取，得到每个工程项目进度数据的项目进度关系特征；
计算模块，用于根据所述项目进度关系特征确定每个工程项目进度数据的多个项目计划，并分别计算每个项目计划对应的计划完成度和计划完成时效；
构建模块，用于根据每个项目计划对应的计划完成度和计划完成时效构建对应的工程项目进度评价向量；
分析模块，用于将所述工程项目进度评价向量输入预置的多个工程项目计划管理模型进行工程项目计划优化分析，生成每个工程项目计划管理模型的初始工程项目计划优化策略；具体包括：将所述工程项目进度评价向量输入预置的多个工程项目计划管理模型，所述工程项目计划管理模型包括：输入层、策略分析网络以及输出层，所述策略分析网络包括多个决策树；通过每个工程项目计划管理模型中的输入层分别对所述工程项目进度评价向量进行向量标准化处理，得到标准项目进度评价向量；通过所述策略分析网络中的多个决策树对所述标准项目进度评价向量进行策略分析，得到每个决策树的初始策略分析结果；通过每个工程项目计划管理模型中的输出层对每个决策树的初始策略分析结果进行投票分析，输出目标策略分析结果，并根据所述目标策略分析结果生成每个工程项目计划管理模型的初始工程项目计划优化策略；
输出模块，用于构建所述初始工程项目计划优化策略对应的目标优化策略矩阵，并对所述目标优化策略矩阵进行策略最优化求解，得到目标工程项目计划优化策略；具体包括：构建所述初始工程项目计划优化策略对应的目标优化策略矩阵；通过预置的遗传算法对所述目标优化策略矩阵进行策略群体初始化，得到多个第一工程项目计划优化策略；分别计算每个第一工程项目计划优化策略的适应度数据，并根据所述适应度数据对所述多个第一工程项目计划优化策略进行策略群体分割，得到多个工程项目计划优化策略群体；对所述多个工程项目计划优化策略群体进行策略最优化求解，得到目标工程项目计划优化策略。
6.一种工程项目的信息化管理设备，其特征在于，所述工程项目的信息化管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述工程项目的信息化管理设备执行如权利要求1-4中任一项所述的工程项目的信息化管理方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述的工程项目的信息化管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311501966.9A CN117236656B (zh) | 2023-11-13 | 2023-11-13 | 工程项目的信息化管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311501966.9A CN117236656B (zh) | 2023-11-13 | 2023-11-13 | 工程项目的信息化管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236656A CN117236656A (zh) | 2023-12-15 |
| CN117236656B true CN117236656B (zh) | 2024-03-08 |
Family
ID=89084497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311501966.9A Active CN117236656B (zh) | 2023-11-13 | 2023-11-13 | 工程项目的信息化管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236656B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117439995B (zh) * | 2023-12-19 | 2024-03-15 | 广东博思信息技术股份有限公司 | 信息发布方法、装置、设备及存储介质 |
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 |
| CN114418219A (zh) * | 2022-01-20 | 2022-04-29 | 华北电力大学 | 应对不确定性的工程项目进度优化方法及装置 |
| CN114723315A (zh) * | 2022-04-22 | 2022-07-08 | 中国电建集团成都勘测设计研究院有限公司 | 基于信息化的建设项目策划全过程管理与评价系统 |
| CN116029682A (zh) * | 2023-03-29 | 2023-04-28 | 北京中昌工程咨询有限公司 | 一种基于bim技术的施工进度管理方法及系统 |
| CN116468392A (zh) * | 2023-04-11 | 2023-07-21 | 国网上海市电力公司 | 一种电网工程项目进度监控方法、装置、设备及存储介质 |
| CN116611743A (zh) * | 2023-07-17 | 2023-08-18 | 华航检测认证(青岛)有限公司 | 基于大数据的建筑工程建造质量评价方法 |
| CN116777677A (zh) * | 2023-06-29 | 2023-09-19 | 华腾建信科技有限公司 | 基于项目启动阶段目标设置的工程数据处理方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150112770A1 (en) * | 2013-10-21 | 2015-04-23 | Mark Phillips | Method for evaluating and managing project performance using communication |
-
2023
- 2023-11-13 CN CN202311501966.9A patent/CN117236656B/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 |
| CN114418219A (zh) * | 2022-01-20 | 2022-04-29 | 华北电力大学 | 应对不确定性的工程项目进度优化方法及装置 |
| CN114723315A (zh) * | 2022-04-22 | 2022-07-08 | 中国电建集团成都勘测设计研究院有限公司 | 基于信息化的建设项目策划全过程管理与评价系统 |
| CN116029682A (zh) * | 2023-03-29 | 2023-04-28 | 北京中昌工程咨询有限公司 | 一种基于bim技术的施工进度管理方法及系统 |
| CN116468392A (zh) * | 2023-04-11 | 2023-07-21 | 国网上海市电力公司 | 一种电网工程项目进度监控方法、装置、设备及存储介质 |
| CN116777677A (zh) * | 2023-06-29 | 2023-09-19 | 华腾建信科技有限公司 | 基于项目启动阶段目标设置的工程数据处理方法及系统 |
| CN116611743A (zh) * | 2023-07-17 | 2023-08-18 | 华航检测认证(青岛)有限公司 | 基于大数据的建筑工程建造质量评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236656A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9235813B1 (en) | General framework for cross-validation of machine learning algorithms using SQL on distributed systems | |
| US20170330078A1 (en) | Method and system for automated model building | |
| US20130024173A1 (en) | Computer-Implemented Systems and Methods for Testing Large Scale Automatic Forecast Combinations | |
| US8001074B2 (en) | Fuzzy-learning-based extraction of time-series behavior | |
| CN118069380B (zh) | 一种算力资源处理方法 | |
| US8775338B2 (en) | Computer-implemented systems and methods for constructing a reduced input space utilizing the rejected variable space | |
| EP2625628A2 (en) | Probabilistic data mining model comparison engine | |
| CN117236656B (zh) | 工程项目的信息化管理方法及系统 | |
| CN102855259A (zh) | 大规模数据聚类分析的并行化 | |
| WO2019200480A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
| CN116663938B (zh) | 基于企业数据中台系统的信息化管理方法及其相关装置 | |
| CN117909112A (zh) | 应用程序故障自动诊断方法、装置、设备及存储介质 | |
| Mierzwa | Implementation of multivariate statistical analysis for warning forecasting | |
| CN117763316A (zh) | 一种基于机器学习的高维数据降维方法及降维系统 | |
| US20230267007A1 (en) | System and method to simulate demand and optimize control parameters for a technology platform | |
| Zaabar et al. | A two-phase part family formation model to optimize resource planning: a case study in the electronics industry | |
| CN113191540A (zh) | 一种产业链路制造资源的构建方法及装置 | |
| CN117539520B (zh) | 固件自适应升级方法、系统以及设备 | |
| Fatima et al. | Software Requirements Prioritisation Using Machine Learning | |
| De Moraes et al. | An evolutive hybrid approach to cloud computing provider selection | |
| CN117151934B (zh) | 一种配电网不停电作业项目多维聚类分析方法及装置 | |
| CN118013043B (zh) | 档案数据的管理方法、装置、设备及存储介质 | |
| CN117217392B (zh) | 一种通用装备保障需求的确定方法及装置 | |
| Netto et al. | An automated approach for scheduling bug fix tasks | |
| Dehuri et al. | Genetic algorithm for optimization of multiple objectives in knowledge discovery from large databases |
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 |