CN117273548A - 一种基于人工智能的建筑工程方案选取方法及装置 - Google Patents
一种基于人工智能的建筑工程方案选取方法及装置 Download PDFInfo
- Publication number
- CN117273548A CN117273548A CN202311535673.2A CN202311535673A CN117273548A CN 117273548 A CN117273548 A CN 117273548A CN 202311535673 A CN202311535673 A CN 202311535673A CN 117273548 A CN117273548 A CN 117273548A
- Authority
- CN
- China
- Prior art keywords
- engineering
- value
- engineering quantity
- model
- index
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 64
- 238000010187 selection method Methods 0.000 title claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 418
- 238000005259 measurement Methods 0.000 claims abstract description 152
- 238000005034 decoration Methods 0.000 claims description 259
- 239000011159 matrix material Substances 0.000 claims description 178
- 210000002569 neuron Anatomy 0.000 claims description 167
- 238000003062 neural network model Methods 0.000 claims description 123
- 238000004364 calculation method Methods 0.000 claims description 89
- 238000000034 method Methods 0.000 claims description 86
- 239000002245 particle Substances 0.000 claims description 84
- 238000012549 training Methods 0.000 claims description 78
- 210000004205 output neuron Anatomy 0.000 claims description 71
- 238000012545 processing Methods 0.000 claims description 68
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012821 model calculation Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims 1
- 239000010410 layer Substances 0.000 description 290
- 238000013461 design Methods 0.000 description 26
- 238000005192 partition Methods 0.000 description 25
- 239000011150 reinforced concrete Substances 0.000 description 23
- 230000007123 defense Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000003973 paint Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 239000004567 concrete Substances 0.000 description 5
- 238000011065 in-situ storage Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 238000009435 building construction Methods 0.000 description 3
- 238000005536 corrosion prevention Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000011468 face brick Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009436 residential construction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (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
本发明公开了一种基于人工智能的建筑工程方案选取方法及装置,通过获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值;将工程量特征值输入到已训练好的工程量指标测算模型中,以使工程量指标测算模型输出工程量指标,将工程项目特征值输入到已训练好的工程经济指标测算模型中,以使工程经济指标测算模型输出工程经济指标;基于每个建筑工程比选方案对应的工程量指标和工程经济指标进行对比分析,得到每个建筑工程比选方案对应的综合评分值,基于综合评分值,确定最优建筑工程方案;与现有技术方案相比,本发明的技术方案能提高建筑工程方案选取的准确性。
Description
技术领域
本发明涉及建筑工程管理的技术领域,特别是涉及一种基于人工智能的建筑工程方案选取方法及装置。
背景技术
在工程实践中,建设项目的策划和决策阶段、设计阶段、招投标阶段均会提出多个备选方案,如何在多个备选方案中通过对经济指标、技术指标等指标的选取和评价,高效准确地选择一个合理方案,这将对建设项目投资控制产生深远的影响。
现有智能估价方法为方案比选提供了较为可靠的经济指标评价依据,提高了工作效率,但也存在以下不足,第一:现有技术一般构建的是单一系统模型,进行的是单目标预测,多为单项或单位工程单方造价的预测,但在工程实践中,使用单一系统模型进行单目标预测很难判断其合理性;第二:现有技术的智能估价路径大多是量价合一:工程特征值—建筑工程费—工程费用,而建筑物价格形成的实际路径是:工程特征值—实物工程量—综合单价—建筑工程费—工程费用,现有技术无法揭示和反映建筑物价格形成的本质和机理;第三:进行方案比选和优化时,现有技术无法通过同时分析工程特征值对主要工程量指标和工程经济指标两者的影响,量价分离的两种路径来比较和分析,选择和优化建筑方案。
因此,如何将方案选择逐渐由单一模型、单一目标发展到多模型、多目标的决策上来,是目前亟需解决的技术问题。
发明内容
本发明要解决的技术问题是:提供一种基于人工智能的建筑工程方案选取方法及装置,提高建筑工程方案选取的准确性。
为了解决上述技术问题,本发明提供了一种基于人工智能的建筑工程方案选取方法,包括:
获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值;
将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,将所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标;
基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析,得到所述每个建筑工程比选方案对应的综合评分值,基于所述综合评分值,确定最优建筑工程方案。
在一种可能的实现方式中,所述工程量指标测算模型的模型训练过程,具体包括:
采集多个历史类似建筑工程项目,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值,基于所述工程量特征样本值,生成工程量特征样本值矩阵,并基于所述工程量指标样本值,生成工程量指标样本值矩阵;
构建多层前馈神经网络模型,以所述工程量特征样本值矩阵为所述多层前馈神经网络模型的输入,以所述工程量指标样本值矩阵为所述多层前馈神经网络模型的期望输出,对所述多层前馈神经网络模型进行模型训练,得到工程量指标测算模型。
进一步地,采用多层前馈神经网络来构建工程量指标测算模型,可以捕捉输入特征与输出指标之间的复杂非线性关系,提高了模型的拟合能力,且采用粒子群优化算法对测算模型进行优化处理,有助于提高模型的泛化能力和预测准确度。
在一种可能的实现方式中,构建多层前馈神经网络模型,其中,所述多层前馈神经网络模型包括源节点输入层、隐藏神经元层和输出神经元层;
将所述工程量特征样本值矩阵输入到所述多层前馈神经网络模型中时,基于所述源节点输入层将所述工程量特征样本值矩阵经预设的线性加权求和公式计算,输入到所述隐藏神经元层中,并基于所述隐藏神经元层中预设的隐藏神经元层节点激活函数公式,计算所述工程量特征样本值矩阵在隐藏神经元层的隐藏神经元层节点输出值;
将所述隐藏神经元层节点输出值输入到所述输出神经元层中,以使基于所述输出神经元层中预设的线性加权求和公式,计算所述工程量特征样本值矩阵在所述输出神经元层的工程量指标实际值。
进一步地,采用端到端的训练方式对整个多层前馈神经网络模型进行训练,在从输入工程量特征样本值矩阵到得到最终的工程量指标样本值矩阵的过程中,多层前馈神经网络模型的层次结构可以逐步地学习和提取数据的不同抽象层次的特征,使得模型能够自动地从原始输入数据中学习到更高级别的特征表示,无需手动提取特征,且基于选取的多层前馈神经网络模型的特点在于误差是反向传播的,它的学习规则是使用梯度下降法,通过反向传播来不断调整网络的权值和阈值,在避免过拟合的前提下使训练样本的误差平方和最小,提高模型的精度。
在一种可能的实现方式中,对所述多层前馈神经网络模型进行模型训练时,还包括:
基于粒子群优化算法对所述多层前馈神经网络模型进行优化处理;
其中,所述基于粒子群优化算法对所述多层前馈神经网络模型进行优化处理,具体包括:
对所述多层前馈神经网络模型中的每条连接边随机设置初始权重值;
确定所述多层前馈神经网络模型的多维搜索空间,在所述多维搜索空间中随机放置粒子,并随机设置初始粒子位置和初始粒子速度,计算初始个体最优值和初始群体最优值;
依次将预获取的工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵输入到所述多层前馈神经网络模型中进行模型迭代训练;
在模型迭代训练过程中,并基于粒子群优化算法更新每个粒子的所述粒子速度和所述粒子位置;计算当前每个粒子对应的个体适应度和群体适应度,基于所有个体适应度和所有群体适应度,得到个体最优值和群体最优值;
同时,基于前向传播算法计算得到每个第一工程量特征样本值矩阵对应的第一工程量指标实际值矩阵,基于所述第一工程量指标实际值矩阵,计算所述第一工程量指标实际值矩阵与所述工程量指标样本值矩阵的第一误差,直至得到所述工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵对应的第一误差;
在确定所述第一误差不满足预设精度,且当前迭代次次数没有达到最大迭代次数时,基于权值调整公式、所述个体最优值和所述群体最优值更新所述多层前馈神经网络模型中的每条连接边对应的权重值;
基于反向传播算法将所述第一误差输入到所述多层前馈神经网络模型中进行反向传播处理,同时利用梯度下降法对所述第一误差进行最小化误差处理,以使更新所述多层前馈神经网络模型的模型参数;
对所述多层前馈神经网络模型进行迭代优化,直至确定所述第一误差满足预设精度,或当前迭代次次数达到最大迭代次数。
进一步地,在模型优化过程中通过引入随机性和多粒子的搜索,有助于避免陷入局部最优解,且基于对个体和群体适应度的计算以及粒子速度和位置的更新,使得算法能够自适应地调整搜索方向,有助于更快地收敛到最优解,同时设置最大迭代次数和收敛条件,可以有效控制计算资源的使用,避免过度计算,导致资源的浪费;基于对模型的不断迭代训练和参数调整,可以逐步优化模型,使其更好地拟合实际数据,提高预测准确性。
在一种可能的实现方式中,基于权值调整公式更新所述多层前馈神经网络模型中的每条连接边对应的权重值,其中,所述权值调整公式如下所示:
;
;
其中,
;
;
式中,与/>分别为前后两次训练时隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>与/>分别为前后两次训练时输入神经元层节点i与隐藏神经元层节点j连接的权重值,/>为学习参数,/>为输出神经元层节点k的误差信号,/>为隐藏神经元层节点j的误差信号,/>为隐藏神经元层节点j对应的隐藏神经元层节点输出值,/>为源节点输入层输入节点i对应的输入值;/>、/>分别为正常数,为其学习因子,为在[0,1]间变化的随机数,/>为第1个网络所经历过的隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为第1个网络所经历过的输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为m个群体网络中隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为m个群体网络中输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为工程量特征样本值矩阵在输出神经元层节点k的目标输出值,/>与/>为工程量特征样本值矩阵在网络的输出神经元层节点k与隐藏神经元层节点j的实际输出值,/>为隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>为输入神经元层节点i与隐藏神经元层节点j连接的权重值。
进一步地,通过权值调整公式,可以根据实际数据和先验知识对每条连接边的初始权重进行精细调整,从而更准确地反映各项指标之间的关联和影响程度,进一步提高模型的预测精确性和准确性。
在一种可能的实现方式中,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值后,还包括:
对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个数值型工程量特征样本值;
基于每个历史类似建筑工程项目对应的所述多个数值型工程量特征样本值,确定每个数值型工程量特征样本值对应的数值型工程量特征样本最大值和数值型工程量特征样本最小值;
基于所述数值型工程量特征样本最大值和所述数值型工程量特征样本最小值,对所述每个历史类似建筑工程项目中的所述多个数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值。
进一步地,通过对多个数值型工程量特征样本值进行归一化处理,可以将不同范围和单位的数值型工程量特征样本值转化到统一的比例尺度上,有助于消除因量纲不同而可能引发的问题,使得不同值阈的特征值能够在同一个神经网络上运行。
在一种可能的实现方式中,得到所述工程量特征样本值中的多个数值型工程量特征样本值后,还包括:
判断所述多个数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失数值型工程量特征样本值对应的数据值样本类型;
获取每个历史类似建筑工程项目中所述数据值样本类型对应的第一数值型工程量特征样本值,对所有第一数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值,计算所述多个归一化数值型工程量特征样本值的平均值,得到归一化数值型工程量特征样本平均值,并将所述归一化数值型工程量特征样本平均值作为缺失数值型工程量特征样本值。
进一步地,在发生数据缺失时,将归一化数值型工程量特征样本平均值作为缺失数值型工程量特征样本值,有助于填充缺失值,使得后续分析更准确和完整。
在一种可能的实现方式中,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值后,还包括:
对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个非数值型工程量特征样本值;
对每个非数值型工程量特征样本值对应设置多个非数值型向量选项,将每个非数值型工程量特征样本值分别与对应的所述多个非数值型向量选项进行对比,得到对比结果,并基于所述对比结果,通过0-1编码法将所述每个非数值型工程量特征样本值转换为数值型工程量特征样本输入值。
进一步地,基于0-1编码法将非数值型工程量特征样本值转换数值型工程量特征样本值,可以方便地用于模型的输入,且基于非数值型工程量特征样本值对模型进行训练,有助于模型能处理多种类型的工程量特征样本值,尤其是非数值型的样本值。
在一种可能的实现方式中,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值后,还包括:
判断所述多个非数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失非数值型工程量特征样本值对应的所述多个非数值型向量选项;
获取所有历史类似建筑工程项目中符合每个非数值型向量选项的样本数量,计算所述样本数据在所述所有历史类似建筑工程项目的总样本数量的占比;
将所述占比与预设占比阈值进行判断,基于判断结果,得到缺失非数值型工程量特征样本输入值,并将所述缺失非数值型工程量特征样本输入值作为所述缺失非数值型工程量特征样本值。
进一步地,在发生数据缺失时,将计算得到的缺失非数值型工程量特征样本输入值作为缺失非数值型工程量特征样本值,有助于填充缺失值,使得后续分析更准确和完整。
在一种可能的实现方式中,获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值,具体包括:
获取所述多个建筑工程比选方案,确定所述多个建筑工程比选方案的方案类型,其中,所述方案类型包括有地下室和无地下室;
当所述多个建筑工程比选方案的方案类型为有地下室时,获取每个建筑工程比选方案中的第一工程量特征值和第一工程项目特征值,其中,所述第一工程量特征值包括地下建筑工程量特征值、地上建筑工程量特征值、地下装饰工程量特征值和地上装饰工程量特征值,所述第一工程项目特征值包括有地下室工程项目特征值;
当所述多个建筑工程比选方案的方案类型为无地下室时,获取每个建筑工程比选方案中的第二工程量特征值和第二工程项目特征值,其中,所述第二工程量特征值包括建筑工程量特征值和装饰工程量特征值;所述第二工程项目特征值包括无地下室工程项目特征值。
进一步地,根据方案类型的不同,在有地下室和无地下室时,对工程量特征值和工程项目特征值进行了分类提取,避免了冗余数据的收集,从而提高了数据获取的效率和精确度,同时能方便后续对建筑工程比选方案中的工程量和项目特征值,进行更精细化的比较分析。
在一种可能的实现方式中,将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,具体包括:
所述已训练好的工程量指标测算模型包括地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型、建筑工程量指标测算模型和装饰工程量指标测算模型;
当所述多个建筑工程比选方案的方案类型为有地下室时,将所述地下建筑工程量特征值输入到所述地下建筑工程量指标测算模型中,以使所述地下建筑工程量指标测算模型输出地下建筑工程量指标;
将所述地上建筑工程量特征值输入到所述地上建筑工程量指标测算模型中,以使所述地上建筑工程量指标测算模型输出地上建筑工程量指标;
将所述地下装饰工程量特征值输入到所述地下装饰工程量指标测算模型中,以使所述地下装饰工程量指标测算模型输出地下装饰工程量指标;
将所述地上装饰工程量特征值输入到所述地上装饰工程量指标测算模型中,以使所述地上装饰工程量指标测算模型输出地上装饰工程量指标;
当所述多个建筑工程比选方案的方案类型为无地下室时,将所述建筑工程量特征值输入到所述建筑工程量指标测算模型中,以使所述建筑工程量指标测算模型输出建筑工程量指标;
将所述装饰工程量特征值输入到所述装饰工程量指标测算模型中,以使所述装饰工程量指标测算模型输出装饰工程量指标。
进一步地,通过细分不同的方案类型,以及同个方案类型的不同情况,通过将工程量特征值输入相应的模型训练模型,有助于提高工程量指标测算的准确性、效率和便捷性。
在一种可能的实现方式中,将所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标,具体包括:
所述已训练好的工程经济指标测算模型包括有地下室工程经济指标测算模型和无地下室工程经济指标测算模型;
当所述多个建筑工程比选方案的方案类型为有地下室时,将所述有地下室工程项目特征值输入到所述地下室工程经济指标测算模型中,以使所述有地下室工程经济指标测算模型输出有地下室工程经济指标;
当所述多个建筑工程比选方案的方案类型为无地下室时,将所述无地下室工程项目特征值输入到所述无地下室工程经济指标测算模型,以使所述无地下室工程经济指标测算模型输出无地下室工程经济指标。
进一步地,由于地下室和无地下室的建筑项目在工程经济指标上有很大的差异,通过分别使用专门的模型进行测算,可以提高结果的精确性和可靠性。
在一种可能的实现方式中,基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析,得到所述每个建筑工程比选方案对应的综合评分值,具体包括:
基于所述工程经济指标,计算每个建筑工程比选方案对应的建筑工程费,分别对每个建筑工程比选方案对应的所述工程量指标、所述工程经济指标和所述建筑工程费进行权重计算,得到所述工程量指标对应的第一权重值、所述工程经济指标对应的第二权重值,以及所述建筑工程费对应的第三权重值;
对所述第一权重值、所述第二权重值和所述第三权重值进行加权平均处理,得到每个建筑工程比选方案对应的第一综合评分值;
选取所有所述第一综合评分值中最大第一综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为第一经济最优建筑工程比选方案。
进一步地,结合了工程量指标和工程经济指标,从多个维度对建筑工程比选方案进行评估,有助于全面了解各个方案的优劣势,避免只基于单一因素做出决策。
在一种可能的实现方式中,基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析时,还包括:
获取所述每个建筑工程比选方案对应的技术指标值和其他指标值;
分别对所述技术指标值和所述其他指标值进行权重计算,得到所述技术指标值对应的第四权重值和所述其他指标值对应的第五权重值;
对所述第一权重值、所述第二权重值、所述第三权重值、所述第四权重值和所述第五权重值进行加权平均处理,得到所述每个建筑工程比选方案对应的第二综合评分值;
选取所有所述第二综合评分值中最大第二综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为最优建筑工程比选方案。
进一步地,从方案经济指标值、技术指标值和其他指标值三个维度进行综合评价,避免了仅仅从单一角度评价可能导致的偏见和不全面性,通过应用不同的评价方法计算指标的权重值,将不同指标的加权平均值作为综合评分值,可以更精确地反映各项指标在整体决策中的贡献,提高决策质量。
本发明还提供了一种基于人工智能的建筑工程方案选取装置,包括:方案特征获取模块、模型测算模块和最优建筑工程方案选取模块;
其中,所述方案特征获取模块,用于获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值;
所述模型测算模块,用于将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,将所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标;
所述最优建筑工程方案选取模块,用于基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析,得到所述每个建筑工程比选方案对应的综合评分值,基于所述综合评分值,确定最优建筑工程方案。
在一种可能的实现方式中,所述模型测算模块包括模型训练子模块;
其中,所述模型训练子模块包括特征样本值矩阵生成单元和工程量指标测算模型生成单元;
所述特征样本值矩阵生成单元,用于采集多个历史类似建筑工程项目,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值,基于所述工程量特征样本值,生成工程量特征样本值矩阵,并基于所述工程量指标样本值,生成工程量指标样本值矩阵;
所述工程量指标测算模型生成单元,用于构建多层前馈神经网络模型,以所述工程量特征样本值矩阵为所述多层前馈神经网络模型的输入,以所述工程量指标样本值矩阵为所述多层前馈神经网络模型的期望输出,对所述多层前馈神经网络模型进行模型训练,得到工程量指标测算模型。
在一种可能的实现方式中,所述工程量指标测算模型生成单元,用于构建多层前馈神经网络模型,其中,所述多层前馈神经网络模型包括源节点输入层、隐藏神经元层和输出神经元层;
所述工程量指标测算模型生成单元还包括隐藏神经元层输出子单元和输出神经元层输出子单元;
其中,所述隐藏神经元层输出子单元,用于将所述工程量特征样本值矩阵输入到所述多层前馈神经网络模型中时,基于所述源节点输入层将所述工程量特征样本值矩阵经预设的线性加权求和公式计算,输入到所述隐藏神经元层中,并基于所述隐藏神经元层中预设的隐藏神经元层节点激活函数公式,计算所述工程量特征样本值矩阵在隐藏神经元层的隐藏神经元层节点输出值;
所述输出神经元层输出子单元,用于将所述隐藏神经元层节点输出值输入到所述输出神经元层中,以使基于所述输出神经元层中预设的线性加权求和公式,计算所述工程量特征样本值矩阵在所述输出神经元层的工程量指标实际值。
在一种可能的实现方式中,所述工程量指标测算模型生成单元包括边权重值设置子单元、粒子信息初始化子单元、样本输入子单元、粒子信息更新子单元和模型迭代优化子单元;
其中,所述边权重值设置子单元,用于对所述多层前馈神经网络模型中的每条连接边随机设置初始权重值;
所述粒子信息初始化子单元,用于确定所述多层前馈神经网络模型的多维搜索空间,在所述多维搜索空间中随机放置粒子,并随机设置初始粒子位置和初始粒子速度,计算初始个体最优值和初始群体最优值;
所述样本输入子单元,用于依次将预获取的工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵输入到所述多层前馈神经网络模型中进行模型迭代训练;
所述粒子信息更新子单元,用于在模型迭代训练过程中,并基于粒子群优化算法更新每个粒子的所述粒子速度和所述粒子位置,计算当前每个粒子对应的个体适应度和群体适应度,基于所有个体适应度和所有群体适应度,得到个体最优值和群体最优值;
所述模型迭代优化子单元,用于基于前向传播算法计算得到每个第一工程量特征样本值矩阵对应的第一工程量指标实际值矩阵,基于所述第一工程量指标实际值矩阵,计算所述第一工程量指标实际值矩阵与所述工程量指标样本值矩阵的第一误差,直至得到所述工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵对应的第一误差;在确定所述第一误差不满足预设精度,且当前迭代次次数没有达到最大迭代次数时,基于权值调整公式、所述个体最优值和所述群体最优值更新所述多层前馈神经网络模型中的每条连接边对应的权重值;基于反向传播算法将所述第一误差输入到所述多层前馈神经网络模型中进行反向传播处理,同时利用梯度下降法对所述第一误差进行最小化误差处理,以使更新所述多层前馈神经网络模型的模型参数;对所述多层前馈神经网络模型进行迭代优化,直至确定所述第一误差满足预设精度,或当前迭代次次数达到最大迭代次数。
在一种可能的实现方式中,所述模型迭代优化子单元,用于基于权值调整公式更新所述多层前馈神经网络模型中的每条连接边对应的权重值,其中,所述权值调整公式如下所示:
;
;
其中,
;
;
式中,与/>分别为前后两次训练时隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>与/>分别为前后两次训练时输入神经元层节点i与隐藏神经元层节点j连接的权重值,/>为学习参数,/>为输出神经元层节点k的误差信号,/>为隐藏神经元层节点j的误差信号,/>为隐藏神经元层节点j对应的隐藏神经元层节点输出值,/>为源节点输入层输入节点i对应的输入值;/>、/>分别为正常数,为其学习因子,为在[0,1]间变化的随机数,/>为第1个网络所经历过的隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为第1个网络所经历过的输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为m个群体网络中隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为m个群体网络中输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为工程量特征样本值矩阵在输出神经元层节点k的目标输出值,/>与/>为工程量特征样本值矩阵在网络的输出神经元层节点k与隐藏神经元层节点j的实际输出值,/>为隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>为输入神经元层节点i与隐藏神经元层节点j连接的权重值。
在一种可能的实现方式中,所述特征样本值矩阵生成单元包括第一工程量特征样本分类子单元、数值型工程量特征样本数值确认子单元和数值型样本归一化处理子单元;
其中,所述第一工程量特征样本分类子单元,用于对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个数值型工程量特征样本值;
所述数值型工程量特征样本数值确认子单元,用于基于每个历史类似建筑工程项目对应的所述多个数值型工程量特征样本值,确定每个数值型工程量特征样本值对应的数值型工程量特征样本最大值和数值型工程量特征样本最小值;
所述数值型样本归一化处理子单元,用于基于所述数值型工程量特征样本最大值和所述数值型工程量特征样本最小值,对所述每个历史类似建筑工程项目中的所述多个数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值。
在一种可能的实现方式中,所述特征样本值矩阵生成单元还包括数值型样本缺失判断子单元和缺失数值型工程量特征样本值获取子单元;
其中,所述数值型样本缺失判断子单元,用于判断所述多个数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失数值型工程量特征样本值对应的数据值样本类型;
所述缺失数值型工程量特征样本值获取子单元,用于获取每个历史类似建筑工程项目中所述数据值样本类型对应的第一数值型工程量特征样本值,对所有第一数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值,计算所述多个归一化数值型工程量特征样本值的平均值,得到归一化数值型工程量特征样本平均值,并将所述归一化数值型工程量特征样本平均值作为缺失数值型工程量特征样本值。
所述数值型工程量特征样本数值确认子单元,用于基于每个历史类似建筑工程项目对应的所述多个数值型工程量特征样本值,确定每个数值型工程量特征样本值对应的数值型工程量特征样本最大值和数值型工程量特征样本最小值;
所述数值型样本归一化处理子单元,用于基于所述数值型工程量特征样本最大值和所述数值型工程量特征样本最小值,对所述每个历史类似建筑工程项目中的所述多个数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值。
在一种可能的实现方式中,所述特征样本值矩阵生成单元还包括第二工程量特征样本分类子单元和非数值型工程量特征样本输入值获取子单元;
所述第二工程量特征样本分类子单元,用于对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个非数值型工程量特征样本值;
所述非数值型工程量特征样本输入值获取子单元,用于对每个非数值型工程量特征样本值对应设置多个非数值型向量选项,将每个非数值型工程量特征样本值分别与对应的所述多个非数值型向量选项进行对比,得到对比结果,并基于所述对比结果,通过0-1编码法将所述每个非数值型工程量特征样本值转换为数值型工程量特征样本输入值。
在一种可能的实现方式中,所述特征样本值矩阵生成单元还包括非数值型样本缺失判断子单元、占比计算子单元和缺失非数值型工程量特征样本输入值获取子单元;
其中,所述非数值型样本缺失判断子单元,用于判断所述多个非数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失非数值型工程量特征样本值对应的所述多个非数值型向量选项;
所述占比计算子单元,用于获取所有历史类似建筑工程项目中符合每个非数值型向量选项的样本数量,计算所述样本数据在所述所有历史类似建筑工程项目的总样本数量的占比;
所述缺失非数值型工程量特征样本输入值获取子单元,用于将所述占比与预设占比阈值进行判断,基于判断结果,得到缺失非数值型工程量特征样本输入值。
在一种可能的实现方式中,所述方案特征获取模块包括方案类型确定子模块、有地下室方案类型特征获取子模块和无地下室方案类型特征获取子模块;
其中,所述方案类型确定子模块,用于获取所述多个建筑工程比选方案,确定所述多个建筑工程比选方案的方案类型,其中,所述方案类型包括有地下室和无地下室;
所述有地下室方案类型特征获取子模块,用于当所述多个建筑工程比选方案的方案类型为有地下室时,获取每个建筑工程比选方案中的第一工程量特征值和第一工程项目特征值,其中,所述第一工程量特征值包括地下建筑工程量特征值、地上建筑工程量特征值、地下装饰工程量特征值和地上装饰工程量特征值,所述第一工程项目特征值包括有地下室工程项目特征值;
所述无地下室方案类型特征获取子模块,用于当所述多个建筑工程比选方案的方案类型为无地下室时,获取每个建筑工程比选方案中的第二工程量特征值和第二工程项目特征值,其中,所述第二工程量特征值包括建筑工程量特征值和装饰工程量特征值;所述第二工程项目特征值包括无地下室工程项目特征值。
在一种可能的实现方式中,所述模型测算模块,用于将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,其中,所述已训练好的工程量指标测算模型包括地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型、建筑工程量指标测算模型和装饰工程量指标测算模型;
所述模型测算模块还包括地下建筑工程量指标测算模型测算子模块、地上建筑工程量指标测算模型测算子模块、地下装饰工程量指标测算模型测算子模块、地上装饰工程量指标测算模型测算子模块、建筑工程量指标测算模型测算子模块和装饰工程量指标测算模型测算子模块;
其中,所述地下建筑工程量指标测算模型测算子模块,用于当所述多个建筑工程比选方案的方案类型为有地下室时,将所述地下建筑工程量特征值输入到所述地下建筑工程量指标测算模型中,以使所述地下建筑工程量指标测算模型输出地下建筑工程量指标;
所述地上建筑工程量指标测算模型测算子模块,用于将所述地上建筑工程量特征值输入到所述地上建筑工程量指标测算模型中,以使所述地上建筑工程量指标测算模型输出地上建筑工程量指标;
所述地下装饰工程量指标测算模型测算子模块,用于将所述地下装饰工程量特征值输入到所述地下装饰工程量指标测算模型中,以使所述地下装饰工程量指标测算模型输出地下装饰工程量指标;
所述地上装饰工程量指标测算模型测算子模块,用于将所述地上装饰工程量特征值输入到所述地上装饰工程量指标测算模型中,以使所述地上装饰工程量指标测算模型输出地上装饰工程量指标;
所述建筑工程量指标测算模型测算子模块,用于当所述多个建筑工程比选方案的方案类型为无地下室时,将所述建筑工程量特征值输入到所述建筑工程量指标测算模型中,以使所述建筑工程量指标测算模型输出建筑工程量指标;
所述装饰工程量指标测算模型测算子模块,用于将所述装饰工程量特征值输入到所述装饰工程量指标测算模型中,以使所述装饰工程量指标测算模型输出装饰工程量指标。
在一种可能的实现方式中,所述模型测算模块,用于所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标,其中,所述已训练好的工程经济指标测算模型包括有地下室工程经济指标测算模型和无地下室工程经济指标测算模型;
所述模型测算模块还包括地下室工程经济指标测算模型测算子模块和无地下室工程经济指标测算模型测算子模块;
其中,所述地下室工程经济指标测算模型测算子模块,用于当所述多个建筑工程比选方案的方案类型为有地下室时,将所述有地下室工程项目特征值输入到所述地下室工程经济指标测算模型中,以使所述有地下室工程经济指标测算模型输出有地下室工程经济指标;
所述无地下室工程经济指标测算模型测算子模块,用于当所述多个建筑工程比选方案的方案类型为无地下室时,将所述无地下室工程项目特征值输入到所述无地下室工程经济指标测算模型,以使所述无地下室工程经济指标测算模型输出无地下室工程经济指标。
在一种可能的实现方式中,所述最优建筑工程方案选取模块包括第一权重计算子模块、第一综合评分值计算子模块和第一最优建筑工程比选方案选取子模块;
其中,所述第一权重计算子模块,用于基于所述工程经济指标,计算每个建筑工程比选方案对应的建筑工程费,分别对每个建筑工程比选方案对应的所述工程量指标、所述工程经济指标和所述建筑工程费进行权重计算,得到所述工程量指标对应的第一权重值、所述工程经济指标对应的第二权重值,以及所述建筑工程费对应的第三权重值;
所述第一综合评分值计算子模块,用于对所述第一权重值、所述第二权重值和所述第三权重值进行加权平均处理,得到每个建筑工程比选方案对应的第一综合评分值;
所述第一最优建筑工程比选方案选取子模块,用于选取所有所述第一综合评分值中最大第一综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为第一经济最优建筑工程比选方案。
在一种可能的实现方式中,所述最优建筑工程方案选取模块还包括多个指标值获取子模块、第二权重计算子模块、第二综合评分值计算子模块和第二最优建筑工程比选方案选取子模块;
其中,所述多个指标值获取子模块,用于获取所述每个建筑工程比选方案对应的技术指标值和其他指标值;
所述第二权重计算子模块,用于分别对所述技术指标值和所述其他指标值进行权重计算,得到所述技术指标值对应的第四权重值和所述其他指标值对应的第五权重值;
所述第二综合评分值计算子模块,用于对所述第一权重值、所述第二权重值、所述第三权重值、所述第四权重值和所述第五权重值进行加权平均处理,得到所述每个建筑工程比选方案对应的第二综合评分值;
所述第二最优建筑工程比选方案选取子模块,用于选取所有所述第二综合评分值中最大第二综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为最优建筑工程比选方案。
本发明还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的基于人工智能的建筑工程方案选取方法。
本发明还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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的基于人工智能的建筑工程方案选取方法。
本发明实施例一种基于人工智能的建筑工程方案选取方法及装置,与现有技术相比,具有如下有益效果:
通过获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值;将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,将所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标;基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析,得到所述每个建筑工程比选方案对应的综合评分值,基于所述综合评分值,确定最优建筑工程方案;与现有技术相比,本发明的技术方案综合地考虑了工程量特征值和工程项目特征值,同时分析工程量指标和工程经济指标,通过将工程量指标和工程经济指标结合起来进行综合评估,可以更准确地确定最优建筑工程方案,避免了现有技术方案中过于简化的预测和决策,且基于已训练好的工程量指标测算模型和工程经济指标测算模型,可以快速地进行估算和评估,能提高方案比选过程中的工作效率。
附图说明
图1是本发明提供的一种基于人工智能的建筑工程方案选取方法的一种实施例的流程示意图;
图2是本发明提供的一种基于人工智能的建筑工程方案选取装置的一种实施例的结构示意图;
图3是本发明提供的一种实施例的建筑工程造价指标人工智能测算层次结构模型示意图;
图4是本发明提供的一种实施例的多层前馈神经网络模型结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1,参见图1,图1是本发明提供的一种基于人工智能的建筑工程方案选取方法的一种实施例的流程示意图,如图1所示,该方法包括步骤101-步骤103,具体如下:
步骤101:获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值。
一实施例中,由于在工程实践中,建筑工程项目的策划和决策阶段、设计阶段、招投标阶段均会提出多个建筑工程比选方案,因此,在获取所述多个建筑工程比选方案时,多个建筑工程比选方案可以为策划和决策阶段的多个建筑工程比选方案,也可以为设计阶段的多个建筑工程比选方案,还可以为招投标阶段的多个建筑工程比选方案。
一实施例中,根据中国建设工程造价管理协会编制的《工程造价指标分类及编制指南》(房屋建筑工程)、结合面向方案比选的建筑工程造价指标测算要求,构造民用建筑造价指标人工智能测算层次结构模型,通过分析复杂系统的有关要素及其相互关系,将系统简化为有序的递阶层次结构,使这些要素归并为不同的层次,科学合理地将模型系统划分为各层次结构子系统,如图3所示,图3为建筑工程造价指标人工智能测算层次结构模型示意图。由图可知,在房屋建筑工程中共计3个一级子系统;其中,以民用建筑为例,民用建筑一级子系统包括10个二级子系统,每个二级子系统包括5个三级子系统,每个三级子系统包括2个四级子系统,且每个四级子系统下还可基于有无地下室的情况对模型进行进一步划分;因此,在民用建筑中共计划分为50个三级子系统,8个核心基础神经网络模型,可形成共计400个子系统神经网络模型。同理的,对于其他一级子系统的与民用建筑一级子系统的划分方式相同,在此不再进行具体叙述。
示例说明,如房屋建筑工程下的民用建筑包括办公建筑、旅馆酒店建筑、商业建筑、文化建筑、居住建筑、教育建筑、体育建筑、卫生建筑、交通建筑和其他建筑共10个二级子系统;在其中的居住建筑中又包含了砖混结构、钢结构、现浇钢筋混凝土结构、木结构和装配式建筑共计5个三级子系统;进一步的在现浇钢筋混凝土结构中又包含了有地下室和无地下室共计2个四级子系统;上述是以房屋建筑工程-民用建筑-居住建筑-现浇钢筋混凝土结构-有地下室/无地下室为例进行举例说明,除了上述组合外,还可基于实际需求,选取房屋建筑工程-民用建筑-居住建筑-装配式建筑-有地下室/无地下室、房屋建筑工程-民用建筑-办公建筑-现浇钢筋混凝土结构-有地下室/无地下室、房屋建筑工程-民用建筑-办公建筑-钢结构-有地下室/无地下室等方式进行划分,在此不再一一举例说明。
本实施例中,是以“民用建筑-居住建筑-现浇钢筋混凝土结构-有地下室/无地下室”子系统为基础,进一步构建了8个子系统神经网络模型,如表1所示,表1是8个子系统神经网络模型示意表。
表1:
一实施例中,获取所述多个建筑工程比选方案后,确定所述多个建筑工程比选方案的方案类型,其中,所述方案类型包括有地下室和无地下室。
一实施例中,当所述多个建筑工程比选方案的方案类型为有地下室时,获取每个建筑工程比选方案中的第一工程量特征值和第一工程项目特征值,其中,所述第一工程量特征值包括地下建筑工程量特征值、地上建筑工程量特征值、地下装饰工程量特征值和地上装饰工程量特征值,如表2所示,表2是第一工程量特征值表;所述第一工程项目特征值包括有地下室工程项目特征值;如表3所示,表3是第一工程项目特征值表。
表2:
表3:
一实施例中,对于地下建筑工程量特征值、地上建筑工程量特征值、地下装饰工程量特征值、地上装饰工程量特征值和有地下室工程项目特征值的选取是依据中国建设工程造价管理协会编制的《工程造价指标分类及编制指南》(房屋建筑工程),并结合专家调研确定。
具体的,所述地下建筑工程量特征值包括数值型地下建筑工程量特征值和非数值型地下建筑工程量特征值,其中,所述数值型地下建筑工程量特征值包括但不限于单项占地面积、地下建筑面积、地下室层数、地下室层高、人防建筑面积、基抗支护面积和主要组网开间;所述非数值型地下建筑工程量特征值包括但不限于场地类别、地基处理方式、基础形式、基抗支护形式、抗震设防烈度、钢筋混凝土结构类型、人防等级、绿色建筑标准和居住建筑方案类型。
具体的,所述地下装饰工程量特征值包括数值型地下装饰工程量特征值和非数值型地下装饰工程量特征值,其中,所述数值型地下装饰工程量特征值包括但不限于地下建筑面积、地下室层高、人防建筑面积和主要柱网开间;所述非数值型地下装饰工程量特征值包括不限于地下室用途、室内装饰标准和居住建筑类型。
具体的,所述地上建筑工程量特征值包括数值型地上建筑工程量特征值和非数值型地上建筑工程量特征值;其中,所述数值型地上建筑工程量特征值包括但不限于房屋高度、地上建筑面积、地上最高层数、建筑首层层高、建筑标准层层高、装配率、主要柱网开间和窗墙比;所述非数值型地上建筑工程量特征值包括但不限于抗震设防烈度、钢筋混凝土结构类型、绿色建筑标准和居住建筑类型。
具体的,所述地上装饰工程量特征值包括数值型地上装饰工程量特征值和非数值型地上装饰工程量特征值,其中,所述数值型地上装饰工程量特征值包括但不限于地上建筑面积、建筑首层层高、建筑标准层层高、主要柱网开间和窗墙比,所述非数值型地上装饰工程量特征值包括但不限于外立面装饰、外立面幕墙、室内装饰标准和居住建筑类型。
具体的,所述有地下室工程项目特征值包括数值型有地下室工程项目特征值和非数值型有地下室工程项目特征值,其中,所述数值型有地下室工程项目特征值包括但不限于单项占地面积、地下建筑面积、地上建筑面积、人防建筑面积、地下室层数、地下室高度、地下室基坑开挖面积、房屋高度、地上最高层数、建筑首层层高、建筑标准层层高、主要柱网开间、窗墙比、装配率和造价时间系数;所述非数值型有地下室工程项目特征值包括但不限于场地类别、基础处理形式、基础形式、基坑支护形式、钢筋混凝土结构类型、抗震设防烈度、人防等级、绿色建筑标准、地下室用途、外立面饰面工程、外立面幕墙、室内装修标准和居住建筑类型。
一实施例中,当所述多个建筑工程比选方案的方案类型为无地下室时,获取每个建筑工程比选方案中的第二工程量特征值和第二工程项目特征值,其中,所述第二工程量特征值包括建筑工程量特征值和装饰工程量特征值,如表4所示,表4为第二工程量特征值表;所述第二工程项目特征值包括无地下室工程项目特征值,如表5所示,表5为第二工程项目特征值表。
表4:
表5:
一实施例中,对于建筑工程量特征值、装饰工程量特征值和无地下室工程项目特征值的选取是依据中国建设工程造价管理协会编制的《工程造价指标分类及编制指南》(房屋建筑工程),并结合专家调研确定。
具体的,所述建筑工程量特征值包括数值型建筑工程量特征值和非数值型建筑工程量特征值;其中,所述数值型建筑工程量特征值包括但不限于单项占地面积、单项建筑面积、房屋高度、地上最高层数、建筑首层层高、建筑标准层层高、主要柱网开间、窗墙比和装配率;所述非建筑工程量特征值包括但不限于场地类别、地基处理方式、基础方式形式、抗震设防烈度、钢筋混凝土结构类型、绿色建筑标准和居住建筑类型。
具体的,所述装饰工程量特征值包括数值型装饰工程量特征值和非数值型装饰工程量特征值,其中,所述数值型装饰工程量特征值包括但不限于单项建筑面积、建筑首层层高、建筑标准层层高、主要柱网开间和窗墙比,所述非数值型装饰工程量特征值包括但不限于外立面饰面工程、外立面幕墙工程、室内装饰标准和居住建筑类型。
具体的,所述无地下室工程项目特征值包括数值型无地下室工程项目特征值和非数值型无地下室工程项目特征值,其中,所述数值型无地下室工程项目特征值包括但不限于单项占地面积、地上建筑面积、房屋高度、地上最高层数、建筑首层层高、建筑标准层层高、主要柱网开间、窗墙比、装配率和造价时间系数,所述非数值型无地下室工程项目特征值包括但不限于场地类别、基础处理形式、基础形式、钢筋混凝土结构类型、抗震设防烈度、绿色建筑标准、外立面饰面工程、外立面幕墙、室内装修标准和居住建筑类型。
一实施例中,分别对在建筑工程项目的策划和决策阶段、设计阶段、招投标阶段提取建筑工程比选方案中的第一工程项目特征值和第二工程项目特征值的过程进行举例说明:
优选的,在策划和决策阶段,当所述多个建筑工程比选方案的方案类型为有地下室时,提取的第一工程项目特征值包括策划和决策阶段有地下室工程项目特征值;当所述多个建筑工程比选方案的方案类型为无地下室时,提取的第二工程项目特征值包括策划和决策阶段无地下室工程项目特征值。
具体的,所述策划和决策阶段有地下室工程项目特征值包括数值型策划和决策阶段有地下室工程项目特征值和非数值型策划和决策阶段有地下室工程项目特征值,其中,所述数值型策划和决策阶段有地下室工程项目特征值包括单项占地面积、地下建筑面积、地上建筑面积、人防建筑面积、地下室层数、地下室高度、房屋高度、地上最高层数、建筑首层层高、建筑标准层层高和造价时间系数;所述非数值型策划和决策阶段有地下室工程项目特征值包括抗震设防烈度、绿色建筑标准、地下室用途、室内装修标准和居住建筑类型。
具体的,所述策划和决策阶段无地下室工程项目特征值包括数值型策划和决策阶段无地下室工程项目特征值和非数值型策划和决策阶段无地下室工程项目特征值,其中,所述数值型策划和决策阶段无地下室工程项目特征值包括单项占地面积、地上建筑面积、房屋高度、地上最高层数、建筑首层层高、建筑标准层层高和造价时间系数,所述非数值型策划和决策阶段无地下室工程项目特征值包括抗震设防烈度、绿色建筑标准、室内装修标准和居住建筑类型。
优选的,在设计阶段,当所述多个建筑工程比选方案的方案类型为有地下室时,提取的第一工程项目特征值包括设计阶段有地下室工程项目特征值;当所述多个建筑工程比选方案的方案类型为无地下室时,提取的第二工程项目特征值包括设计阶段无地下室工程项目特征值。
具体的,所述设计阶段有地下室工程项目特征值包括数值型设计阶段有地下室工程项目特征值和非数值型设计阶段有地下室工程项目特征值,其中,所述数值型设计阶段有地下室工程项目特征值包括单项占地面积、地下建筑面积、地上建筑面积、人防建筑面积、地下室层数、地下室高度、房屋高度、地上最高层数、建筑首层层高、建筑标准层层高、装配率和造价时间系数;所述非数值型设计阶段有地下室工程项目特征值包括场地类别、基础处理形式、基坑支护形式、钢筋混凝土结构类型、抗震设防烈度、人防等级、绿色建筑标准、地下室用途、外立面饰面工程、外立面幕墙、室内装修标准和居住建筑类型。
具体的,所述设计阶段无地下室工程项目特征值包括数值型设计阶段无地下室工程项目特征值和非数值型设计阶段无地下室工程项目特征值,其中,所述数值型设计阶段无地下室工程项目特征值包括单项占地面积、地上建筑面积、房屋高度、地上最高层数、建筑首层层高、建筑标准层层高、主要柱网开间、装配率和造价时间系数,所述非数值型设计阶段无地下室工程项目特征值包括场地类别、基础处理形式、基础形式、钢筋混凝土结构类型、抗震设防烈度、绿色建筑标准、外立面饰面工程、外立面幕墙、室内装修标准和居住建筑类型。
优选的,在招投标阶段,当所述多个建筑工程比选方案的方案类型为有地下室时,提取的第一工程项目特征值包括招投标阶段有地下室工程项目特征值;当所述多个建筑工程比选方案的方案类型为无地下室时,提取的第二工程项目特征值包括招投标阶段无地下室工程项目特征值。
具体的,所述招投标阶段有地下室工程项目特征值包括数值型招投标阶段有地下室工程项目特征值和非数值型招投标阶段有地下室工程项目特征值,其中,所述数值型招投标阶段有地下室工程项目特征值包括单项占地面积、地下建筑面积、地上建筑面积、人防建筑面积、地下室层数、地下室高度、地下室基坑开挖面积、房屋高度、地上最高层数、建筑首层层高、建筑标准层层高、主要柱网开间、窗墙比、装配率和造价时间系数;所述非数值型招投标阶段有地下室工程项目特征值包括场地类别、基础处理形式、基坑支护形式、钢筋混凝土结构类型、抗震设防烈度、人防等级、绿色建筑标准、地下室用途、外立面饰面工程、外立面幕墙、室内装修标准和居住建筑类型。
具体的,所述招投标阶段无地下室工程项目特征值包括数值型招投标阶段无地下室工程项目特征值和非数值型招投标阶段无地下室工程项目特征值,其中,所述数值型招投标阶段无地下室工程项目特征值包括单项占地面积、地上建筑面积、房屋高度、地上最高层数、建筑首层层高、建筑标准层层高、主要柱网开间、窗墙比、装配率和造价时间系数,所述非数值型招投标阶段无地下室工程项目特征值包括场地类别、基础处理形式、基础形式、钢筋混凝土结构类型、抗震设防烈度、绿色建筑标准、外立面饰面工程、外立面幕墙、室内装修标准和居住建筑类型。
一实施例中,在建筑工程项目的策划和决策阶段、设计阶段、招投标阶段提出建筑工程比选方案中,同样需要对第一工程量特征值和第二工程量特征值进行对应提取,对此进行举例说明:
优选的,在策划和决策阶段,当所述多个建筑工程比选方案的方案类型为有地下室时,提取的第一工程量特征值包括策划和决策阶段地下建筑工程量特征值、策划和决策阶段地上建筑工程量特征值、策划和决策阶段地下装饰工程量特征值和策划和决策阶段地上装饰工程量特征值;当所述多个建筑工程比选方案的方案类型为无地下室时,提取的第二工程项目特征值包括策划和决策阶段建筑工程量特征值和策划和决策阶段装饰工程量特征值。
优选的,在设计阶段,当所述多个建筑工程比选方案的方案类型为有地下室时,提取的第一工程量特征值包括设计阶段地下建筑工程量特征值、设计阶段地上建筑工程量特征值、设计阶段地下装饰工程量特征值和设计阶段地上装饰工程量特征值;当所述多个建筑工程比选方案的方案类型为无地下室时,提取的第二工程项目特征值包括设计阶段建筑工程量特征值和设计阶段装饰工程量特征值。
优选的,在招投标阶段,当所述多个建筑工程比选方案的方案类型为有地下室时,提取的第一工程量特征值包括招投标阶段地下建筑工程量特征值、招投标阶段地上建筑工程量特征值、招投标阶段地下装饰工程量特征值和招投标阶段地上装饰工程量特征值;当所述多个建筑工程比选方案的方案类型为无地下室时,提取的第二工程项目特征值包括招投标阶段建筑工程量特征值和招投标阶段装饰工程量特征值。
步骤102:将所述工程量特征值输入已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,将所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标。
一实施例中,所述已训练好的工程量指标测算模型包括地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型、建筑工程量指标测算模型和装饰工程量指标测算模型。
一实施例中,当所述多个建筑工程比选方案的方案类型为有地下室时,将所述地下建筑工程量特征值输入到所述地下建筑工程量指标测算模型中,以使所述地下建筑工程量指标测算模型输出地下建筑工程量指标。
具体的,所述地下建筑工程量指标包括土石方开挖工程、土石方回填工程、基础处理与边坡支护工程(地基处理)、基础处理与边坡支护工程(基坑与边坡支护)、桩基工程(灌注桩)、桩基工程(管桩)、砌筑工程、钢筋混凝土工程(混凝土)、钢筋混凝土工程(钢筋)、金属结构工程、门窗工程(普通门/防火门)、门窗工程(人防门)、门窗工程(窗)、屋面及防水工程(顶板防水)、屋面及防水工程(墙面防水)、屋面及防水工程(底板地面)、保温-隔热-防腐工程和零星杂项。
一实施例中,当所述多个建筑工程比选方案的方案类型为有地下室时,将所述地上建筑工程量特征值输入到所述地上建筑工程量指标测算模型中,以使所述地上建筑工程量指标测算模型输出地上建筑工程量指标。
具体的,所述地上建筑工程量指标包括砌筑工程、钢筋混凝土工程(混凝土)、钢筋混凝土工程(钢筋)、金属结构工程、门窗工程(普通门)、门窗工程(防火门)、门窗工程(窗)、门窗工程(阳台栏杆)、屋面及防水工程(瓦屋面)、屋面及防水工程(上人屋面)、屋面及防水工程(不上人屋面)、屋面及防水工程(屋面防水)、屋面级防水工程(外墙防水)、屋面及防水工程(内墙防水)、屋面及防水工程(楼地面防水)、保温-隔热-防腐工程(外墙保温)、保温-隔热-防腐工程(内墙保温)、保温-隔热-防腐工程(屋面保温)和零星杂项。
一实施例中,当所述多个建筑工程比选方案的方案类型为有地下室时,将所述地下装饰工程量特征值输入到所述地下装饰工程量指标测算模型中,以使所述地下装饰工程量指标测算模型输出地下装饰工程量指标。
具体的,所述地下装饰工程量指标包括楼地面装饰工程、墙柱面装饰与隔断(抹灰)、墙柱面装饰与隔断(块料面层)、墙柱面装饰与隔断(涂料)、墙柱面装饰与隔断(其他饰面)、天棚工程(涂料)、天棚工程(吊顶)、油漆-涂料-裱糊工程、其他装饰工程和零星杂项。
一实施例中,当所述多个建筑工程比选方案的方案类型为有地下室时,将所述地上装饰工程量特征值输入到所述地上装饰工程量指标测算模型中,以使所述地上装饰工程量指标测算模型输出地上装饰工程量指标。
具体的,所述地上装饰工程量指标包括楼地面装饰工程、外墙柱面装饰与隔断(涂料)、外墙柱面装饰与隔断(面砖)、外墙柱面装饰与隔断(石材)、外墙柱面装饰与隔断(幕墙工程)、外墙柱面装饰与隔断(其他饰面)、内墙柱面装饰与隔断(抹灰)、内墙柱面装饰与隔断(块料面层)、外墙柱面装饰与隔断(涂料)、外墙柱面装饰与隔断(其他饰面)、天棚工程(涂料)、天棚工程(吊顶)、油漆-涂料-裱糊工程(油漆)、其他饰面工程和零星杂项。
一实施例中,对于地下建筑工程量指标、地上建筑工程量指标、地下装饰工程量指标和地上装饰工程量指标的选取是依据《房屋建筑与装饰工程计量规范》(GB500854-2013)、《工程造价指标分类及编制指南》(房屋建筑工程),并结合专家调研进行确定,如表6所示,表6为有地下室时工程量指标表。
表6:
/>
一实施例中,当所述多个建筑工程比选方案的方案类型为无地下室时,将所述建筑工程量特征值输入到所述建筑工程量指标测算模型中,以使所述建筑工程量指标测算模型输出建筑工程量指标。
具体的,所述建筑工程量指标包括土石方工程(开挖)、土石方工程(回填)、基础处理与边坡支护工程(地基处理)、桩基工程(灌注桩)、桩基工程(管桩)、砌筑工程、钢筋混凝土工程(混凝土)、钢筋混凝土工程(钢筋)、金属结构工程、门窗工程(入户门)、门窗工程(户内门)、门窗工程(防火门)、门窗工程(普通门)、门窗工程(防火窗)、门窗工程(阳台栏杆)、屋面及防水工程(瓦屋面)、屋面及防水工程(上人屋面)、屋面及防水工程(不上人屋面)、屋面及防水工程(屋面防水)、屋面及防水工程(外墙防水)、屋面及防水工程(内墙防水)、屋面及防水工程(楼地面防水)、屋面及防水工程(楼地面防水)、屋面及防水工程(天棚防水)、保温-隔热-防腐工程(外墙保温)、保温-隔热-防腐工程(内墙保温)、保温-隔热-防腐工程(屋面保温)和零星杂项。
一实施例中,当所述多个建筑工程比选方案的方案类型为无地下室时,将所述装饰工程量特征值输入到所述装饰工程量指标测算模型中,以使所述装饰工程量指标测算模型输出装饰工程量指标。
具体的,所述装饰工程量指标包括楼地面装饰工程、外墙柱面装饰与隔断(涂料)、外墙柱面装饰与隔断(面砖)、外墙柱面装饰与隔断(石材)、外墙柱面装饰与隔断(幕墙工程)、外墙柱面装饰与隔断(其他饰面)、内墙柱面装饰与隔断(抹灰)、内墙柱面装饰与隔断(块料面层)、内墙柱面装饰与隔断(涂料)、内墙柱面装饰与隔断(其他饰面)、天棚工程(涂料)、天棚工程(吊顶)、油漆-涂料-裱糊工程(油漆)、其他饰面工程(栏杆扶手)和零星杂项。
一实施例中,对于建筑工程量指标、装饰工程量指标的选取是依据《房屋建筑与装饰工程计量规范》(GB500854-2013)、《工程造价指标分类及编制指南》(房屋建筑工程),并结合专家调研进行确定;如表7所示,表7为无地下室时工程量指标表。
表7:
一实施例中,所述已训练好的工程经济指标测算模型包括有地下室工程经济指标测算模型和无地下室工程经济指标测算模型。
一实施例中,当所述多个建筑工程比选方案的方案类型为有地下室时,将所述有地下室工程项目特征值输入到所述地下室工程经济指标测算模型中,以使所述有地下室工程经济指标测算模型输出有地下室工程经济指标。
具体的,所述有地下室工程经济指标包括地下建筑工程经济指标、地下装饰工程经济指标、地上建筑工程经济指标、地上装饰工程经济指标和建设工程经济指标;其中,所述地下建筑工程经济指标包括土石方工程、基础处理与边坡支护工程、桩基工程、砌筑工程、钢筋混凝土工程、金属结构工程、门窗工程、屋面及防水工程、保温-隔热-防腐工程、分部分项工程、单价措施费、总价措施费、其他项目、税金、地下建筑单方造价;所述地下装饰工程经济指标包括楼地面装饰工程、墙柱面装饰与隔断、天棚工程、油漆-涂料-裱糊工程、其他装饰工程、分部分项工程、单价措施费、总价措施费、其他项目、税金、地下装饰单方造价;所述地上建筑工程经济指标包括砌筑工程、钢筋混凝土工程、金属结构工程、门窗工程、屋面及防水工程、保温-隔热-防腐工程、分部分项工程、单价措施费、总价措施费、其他项目、税金、地上建筑单方造价;所述地上装饰工程经济指标包括楼地面装饰工程、外墙墙柱面装饰与隔断及幕墙工程、内墙墙柱面装饰与隔断及幕墙工程、天棚工程、油漆-涂料-裱糊工程、其他装饰工程、分部分项工程、单价措施费、总价措施费、其他项目、税金、地上装饰单方造价;所述建设工程经济指标包括地下工程单方造价、地上工程单方造价、建筑(装饰)工程单方造价。
一实施例中,对于有地下室工程经济指标的选取是依据《房屋建筑与装饰工程计量规范》(GB500854-2013)、《工程造价指标分类及编制指南》(房屋建筑工程),并结合专家调研进行确定;如表8所示,表8是有地下室工程经济指标表。
表8:
一实施例中,当所述多个建筑工程比选方案的方案类型为无地下室时,将所述无地下室工程项目特征值输入到所述无地下室工程经济指标测算模型,以使所述无地下室工程经济指标测算模型输出无地下室工程经济指标。
具体的,所述无地下室工程经济指标包括建筑工程经济指标、装饰工程经济指标和建设工程经济指标;其中,所述建筑工程经济指标包括土石方工程、基础处理与边坡支护工程、桩基工程、砌筑工程、钢筋混凝土工程、金属结构工程、门窗工程、屋面及防水工程、保温-隔热-防腐工程、分部分项工程、单价措施费、总价措施费、其他项目、税金、建筑工程单方造价;所述装饰工程经济指标包括楼地面装饰工程、外墙墙柱面装饰与隔断-幕墙工程、内墙墙柱面装饰与隔断-幕墙工程、天棚工程、油漆-涂料-裱糊工程、其他装饰工程、分部分项工程、单价措施费、总价措施费、其他项目、税金、装饰工程单方造价;所述建设工程经济指标包括建筑(装修)工程单方造价。
一实施例中,对于无地下室工程经济指标的选取是依据《房屋建筑与装饰工程计量规范》(GB500854-2013)、《工程造价指标分类及编制指南》(房屋建筑工程),并结合专家调研进行确定;如表9所示,表9是无地下室工程经济指标表。
表9:
一实施例中,将所述工程量特征值输入到已训练好的工程量指标测算模型前,以及将所述工程项目特征值输入到已训练好的工程经济指标测算模型前,还需要对所述工程量指标测算模型和所述工程经济指标测算模型进行模型训练。
一实施例中,通过采集多个历史类似建筑工程项目,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值,同时提取每个历史类似建筑工程项目中的工程项目特征样本值和工程经济指标样本值,基于所述工程量特征样本值和所述工程量指标样本值对所述工程量指标测算模型进行模型训练,基于所述工程项目特征样本值和所述工程经济指标样本值对所述工程经济指标测算模型进行模型训练。
一实施例中,所述多个历史类似建筑工程项目为历史已建成的类似工程项目,所述历史类似建筑工程项目是指同一建筑形式、同一建筑类型、同一结构类型、同一建筑区域内、在一定时间范围内的历史已建工程。
一实施例中,采集多个历史类似建筑工程项目对应的造价文件时,可以从企业或行业协会积累的历史类似工程工程量清单造价数据中获取;还可以基于大数据采集和处理技术,从企业或行业协会构建的造价指标指数内部数据库中自动获取;也可以基于大数据采集和处理技术,从企业或行业协会公开发布的造价指标指数数据库中自动获取。
一实施例中,由于建筑工程比选方案的方案类型的不同,在有地下室时,所述已训练好的工程量指标测算模型包括地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型;在无地下室时,所述已训练好的工程量指标测算模型包括建筑工程量指标测算模型和装饰工程量指标测算模型;因此,基于已训练好的工程量指标测算模型的不同,基于大数据采集和处理技术,自动提取不同的工程量特征样本值和工程量指标样本值。
具体的,对地上建筑工程量指标测算模型进行模型训练时,提取的每个历史类似建筑工程项目中的地上建筑工程量特征样本值和地上建筑工程量指标样本值。
具体的,对地下建筑工程量指标测算模型进行模型训练时,提取的每个历史类似建筑工程项目中的地下建筑工程量特征样本值和地下建筑工程量指标样本值。
具体的,对地上装饰工程量指标测算模型进行模型训练时,提取的每个历史类似建筑工程项目中的地上装饰工程量特征样本值和地上装饰工程量指标样本值。
具体的,对地下装饰工程量指标测算模型进行模型训练时,提取的每个历史类似建筑工程项目中的地下装饰工程量特征样本值和地下装饰工程量指标样本值。
具体的,对建筑工程量指标测算模型进行模型训练时,提取的每个历史类似建筑工程项目中的建筑工程量特征样本值和建筑工程量指标样本值。
具体的,对装饰工程量指标测算模型进行模型训练时,提取的每个历史类似建筑工程项目中的装饰工程量特征样本值和装饰工程量指标样本值。
一实施例中,由于建筑工程比选方案的方案类型的不同,在有地下室时,所述已训练好的工程经济指标测算模型包括有地下室工程经济指标测算模型;在无地下室时,所述已训练好的工程经济指标测算模型包括无地下室工程经济指标测算模型;因此,基于已训练好的工程经济指标测算模型的不同,基于大数据采集和处理技术,自动提取不同的工程项目特征样本值和工程经济指标样本值。
具体的,对有地下室工程经济指标测算模型进行模型训练时,提取的每个历史类似建筑工程项目中的有地下室工程项目特征样本值和有地下室工程经济指标样本值。
具体的,对无地下室工程经济指标测算模型进行模型训练时,提取的每个历史类似建筑工程项目中的无地下室工程项目特征样本值和无地下室工程经济指标样本值。
一实施例中,由于对历史类似建筑工程项目进行工程量特征样本值和工程量指标样本值提取时,提取到的工程量特征样本值和工程量指标样本值中均包含数值型样本值和非数值型样本值,因此,在提取到所述工程量特征样本值和所述工程量指标样本值后,还需要分别对所述工程量特征样本值和所述工程量指标样本值进行数据处理。
一实施例中,由于对历史类似建筑工程项目进行工程项目特征样本值和工程经济指标样本值提取时,提取到的工程项目特征样本值和工程经济指标样本值中均包含数值型样本值和非数值型样本值,因此,在提取到所述工程项目特征样本值和所述工程经济指标样本值后,还需要分别对所述工程项目特征样本值和所述工程经济指标样本值进行数据处理。
一实施例中,对所述工程量特征样本值进行数据处理时,对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个数值型工程量特征样本值,基于每个历史类似建筑工程项目对应的所述多个数值型工程量特征样本值,确定每个数值型工程量特征样本值对应的数值型工程量特征样本最大值和数值型工程量特征样本最小值;基于所述数值型工程量特征样本最大值和所述数值型工程量特征样本最小值,对所述每个历史类似建筑工程项目中的所述多个数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值。
具体的,对所述多个数值型工程量特征样本值进行归一化处理时,分别将所述多个数值型工程量特征样本值输入到预设的归一化公式中,得到多个归一化数值型工程量特征样本值,其中,所述预设的归一化公式如下所示:
;
式中,为归一化数值型工程量特征样本值,/>为输入的数值型工程量特征样本值,为数值型工程量特征样本最大值,/>为数值型工程量特征样本最小值。
对本实施例中数值型工程量特征样本值的数据处理过程进行举例说明:当所述数值型工程量特征样本值为“地上最高层数”时,所选取的所有样本中,“地上最高层数”的最大值为14层,最小值为6层。样本1的“地上最高层数”是6层,则该样本的归一化数值为(6-6*0.7)/(14*1.3-6*0.7);样本28的“地上最高层数”是12层,则该样本输入值为(12-6*0.7)/(14*1.3-6*0.7)。
一实施例中,对所述工程量特征样本值进行数据处理时,对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个数值型工程量特征样本值;判断所述多个数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失数值型工程量特征样本值对应的数据值样本类型;获取每个历史类似建筑工程项目中所述数据值样本类型对应的第一数值型工程量特征样本值,对所有第一数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值,计算所述多个归一化数值型工程量特征样本值的平均值,得到归一化数值型工程量特征样本平均值,并将所述归一化数值型工程量特征样本平均值作为缺失数值型工程量特征样本值。
一实施例中,对所述工程量特征样本值进行数据处理时,对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个非数值型工程量特征样本值;对每个非数值型工程量特征样本值对应设置多个非数值型向量选项,将每个非数值型工程量特征样本值分别与对应的所述多个非数值型向量选项进行对比,得到对比结果,并基于所述对比结果,通过0-1编码法将所述每个非数值型工程量特征样本值转换为数值型工程量特征样本输入值。
具体的,假设非数值型工程量特征样本值对应的非数值型向量选项有n项,将这n种数值型向量选项定义为,第/>种数值型向量选项的在n种数值型向量选项中的占比为/>,则当/>时,/>,否则/>。
作为本实施例中基于0-1编码法将所述每个非数值型工程量特征样本值转换为数值型工程量特征样本输入值的举例说明:当所述非数值型工程量特征样本值为“基础形式”时,其对应的多个非数值型向量选项分别为①桩基础、②独立基础、③带形基础、④满堂基础、⑤其他;采用0-1法时,样本特征值与特征值选项相符的位置状态置为1,否则置为0;样本1中 “基础形式”是“①桩基础”,将其与多个非数值型向量选项进行对比,并通过0-1编码法得到数值型工程量特征样本输入值为10000,样本28的“基础形式”是“①桩基础”和“③带形基础”,将其与多个非数值型向量选项进行对比,并通过0-1编码法得到数值型工程量特征样本输入值10100。
一实施例中,对所述工程量特征样本值进行数据处理时,对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个非数值型工程量特征样本值,判断所述多个非数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失非数值型工程量特征样本值对应的所述多个非数值型向量选项;获取所有历史类似建筑工程项目中符合每个非数值型向量选项的样本数量,计算所述样本数据在所述所有历史类似建筑工程项目的总样本数量的占比;将所述占比与预设占比阈值进行判断,基于判断结果,得到缺失非数值型工程量特征样本输入值。
具体的,假设非数值型工程量特征样本值对应的非数值型向量选项有n项,将这n种非数值型向量选项定义为,第/>种非数值型向量选项的在n种非数值型向量选项中的占比为/>,则当/>时,/>,否则/>。
具体的,当某方案非数值型工程量特征样本值缺失时,采用的0-1法,将非数值型工程量特征样本值与非数值型向量选项相符的位置状态置为1,取其在总样本中的占比。比如在策划和决策阶段的投资方案比选时,并不知“基础形式”,则该样本输入值状态为:“1*(桩基础样本数/总样本数)1*(独立基础样本数/总样本数)1*(带行基础样本数/总样本数)1*(满堂基础样本数/总样本数)1*(其他基础样本数/总样本数)。
一实施例中,对所述工程项目特征样本值进行数据处理时,还基于每个历史类似建筑工程项目对应的所述多个数值型工程项目特征样本值,确定每个数值型工程项目特征样本值对应的数值型工程项目特征样本最大值和数值型工程项目特征样本最小值;基于所述数值型工程项目特征样本最大值和所述数值型工程项目特征样本最小值,对所述每个历史类似建筑工程项目中的所述多个数值型工程项目特征样本值进行归一化处理,得到多个归一化数值型工程项目特征样本值。
一实施例中,对所述工程项目特征样本值进行数据处理时,对所述工程项目特征样本值进行分类处理,得到所述工程项目特征样本值中的多个数值型工程项目特征样本值;判断所述多个数值型工程项目特征样本值是否存在样本值缺失,若是,则获取缺失数值型工程项目特征样本值对应的数据值工程项目样本类型;获取每个历史类似建筑工程项目中所述数据值工程项目样本类型对应的第一数值型工程项目特征样本值,对所有第一数值型工程项目特征样本值进行归一化处理,得到归一化数值型工程项目特征样本值,并将所述归一化数值型工程项目特征样本值作为缺失数值型工程项目特征样本值。
一实施例中,对所述工程项目特征样本值进行数据处理时,对所述工程项目特征样本值进行分类处理,得到所述工程项目特征样本值中的多个非数值型工程项目特征样本值;对每个非数值型工程项目特征样本值对应设置多个非数值型向量选项,将每个非数值型工程项目特征样本值分别与对应的所述多个非数值型向量选项进行对比,得到对比结果,并基于所述对比结果,通过0-1编码法将所述每个非数值型工程项目特征样本值转换为数值型工程项目特征样本输入值。
一实施例中,对所述工程项目特征样本值进行数据处理时,对所述工程项目特征样本值进行分类处理,得到所述工程项目特征样本值中的多个非数值型工程项目特征样本值,判断所述多个非数值型工程项目特征样本值是否存在样本值缺失,若是,则获取缺失非数值型工程项目特征样本值对应的所述多个非数值型向量选项;获取所有历史类似建筑工程项目中符合每个非数值型向量选项的工程项目样本数量,计算所述工程项目样本数据在所述所有历史类似建筑工程项目的工程项目总样本数量的工程项目占比;将所述工程项目占比与预设工程项目占比阈值进行判断,基于工程项目判断结果,得到缺失非数值型工程项目特征样本输入值。
一实施例中,基于所述工程量特征样本值,生成工程量特征样本值矩阵时,分别基于提取到的地上建筑工程量特征样本值、地下建筑工程量特征样本值、地上装饰工程量特征样本值、建筑工程量特征样本值和装饰工程量特征样本值,对应生成地上建筑工程量特征样本值矩阵、地下建筑工程量特征样本值矩阵、地上装饰工程量特征样本值矩阵、建筑工程量特征样本值矩阵和装饰工程量特征样本值矩阵。
优选的,生成的多个工程量特征样本值矩阵的格式如下所示:
;
式中,为样本数,/>为主要工程量特征值数。
一实施例中,基于所述工程量指标样本值,生成工程量指标样本值矩阵时,分别基于提取到的地上建筑工程量指标样本值、地下建筑工程量指标样本值、地上装饰工程量指标样本值、建筑工程量指标样本值和装饰工程量指标样本值,对应生成地上建筑工程量指标样本值矩阵、地下建筑工程量指标样本值矩阵、地上装饰工程量指标样本值矩阵、建筑工程量指标样本值矩阵和装饰工程量指标样本值矩阵。
优选的,生成的多个指标样本值矩阵的格式如下所示:
;
式中,为样本数,/>为主要工程量指标值数。
一实施例中,基于所述工程项目特征样本值,生成工程项目特征样本值矩阵时,分别基于提取到的有地下室工程项目特征样本值和无地下室工程项目特征样本值,对应生成有地下室工程项目特征样本值矩阵和无地下室工程项目特征样本值矩阵。
优选的,生成的多个工程项目特征样本值矩阵和上述生成的工程量特征样本值矩阵的格式相同。
一实施例中,基于所述工程经济指标样本值,生成工程经济指标样本值矩阵时,分别基于提取到的有地下室工程经济指标样本值和无地下室工程经济指标样本值,对应生成有地下室工程经济指标样本值矩阵和无地下室工程经济指标样本值矩阵。
优选的,生成的多个经济指标样本值矩阵和上述生成的工程量指标样本值矩阵的格式相同。
一实施例中,从历史类似建筑工程项目中完成多个样本特征数据和多个样本指标数据的提取和处理后,基于得到的样本数据分别对地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型、建筑工程量指标测算模型、装饰工程量指标测算模型、有地下室工程经济指标测算模型和无地下室工程经济指标测算模型进行模型训练。
一实施例中,对地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型、建筑工程量指标测算模型、装饰工程量指标测算模型、有地下室工程经济指标测算模型和无地下室工程经济指标测算模型进行模型训练时,采用构建多层前馈神经网络(BP)模型;再利用BP算法梯度下降的原理进一步“调整”权值,基于此,分别得到优化训练后的地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型、建筑工程量指标测算模型、装饰工程量指标测算模型、有地下室工程经济指标测算模型和无地下室工程经济指标测算模型。
一实施例中,以工程量指标测算模型的模型训练过程为例,对模型训练过程进行具体说明:通过采集多个历史类似建筑工程项目,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值,基于所述工程量特征样本值,生成工程量特征样本值矩阵,并基于所述工程量指标样本值,生成工程量指标样本值矩阵;构建多层前馈神经网络模型,以所述工程量特征样本值矩阵为所述多层前馈神经网络模型的输入,以所述工程量指标样本值矩阵为所述多层前馈神经网络模型的期望输出,对所述多层前馈神经网络模型进行模型训练,得到工程量指标测算模型。
一实施例中,构建的多层前馈神经网络模型,其中,所述多层前馈神经网络模型包括源节点输入层、隐藏神经元层和输出神经元层;如图4所示,图4为多层前馈神经网络模型结构示意图。
具体的,源节点输入层的节点数为输入样本值的个数;隐藏神经元层的节点数P为:,其中,α为经验数值,样本量越大,α取值越大;输出神经元层的节点数为输出指标样本值的个数。
一实施例中,将所述工程量特征样本值矩阵输入到所述多层前馈神经网络模型中时,基于所述源节点输入层将所述工程量特征样本值矩阵经预设的线性加权求和公式计算,输入到所述隐藏神经元层中,并基于所述隐藏神经元层中预设的隐藏神经元层节点激活函数公式,计算所述工程量特征样本值矩阵在隐藏神经元层的隐藏神经元层节点输出值。
具体的,所述预设的隐藏神经元层节点激活函数公式如下所示:
;
式中,为隐藏神经元层节点j对应的隐藏神经元层节点输出值,/>为输入神经元层节点i与隐藏神经元层节点j连接的权重值,/>为输入节点i的输入,/>为隐层节点j的阈值,M为源节点输入层节点个数;f为Sig激活函数。
一实施例中,将所述隐藏神经元层节点输出值输入到所述输出神经元层中,以使基于所述输出神经元层中预设的线性加权求和公式,计算所述工程量特征样本值矩阵在所述输出神经元层的工程量指标实际值。
具体的,所述预设的线性加权求和公式,如下所示:
;
式中,与/>为工程量特征样本值矩阵在网络的输出神经元层节点k与隐藏神经元层节点j的实际输出值,/>为隐藏神经元层节点j与输出神经元层节点k连接的权重值,s为隐藏神经元层节点个数。
一实施例中,对所述多层前馈神经网络模型进行模型训练时,还包括:对多层前馈神经网络模型进行优化处理。
一实施例中,所述对多层前馈神经网络模型进行优化处理时,对所述多层前馈神经网络模型中的每条连接边随机设置初始权重值;依次将预获取的工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵输入到所述多层前馈神经网络模型中进行模型迭代训练;基于前向传播算法计算得到每个第一工程量特征样本值矩阵对应的第一工程量指标实际值矩阵,基于所述第一工程量指标实际值矩阵,计算所述第一工程量指标实际值矩阵与所述工程量指标样本值矩阵的第一误差,直至得到所述工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵对应的第一误差;在确定所述第一误差不满足预设精度,且当前迭代次次数没有达到最大迭代次数时,基于权值调整公式更新所述多层前馈神经网络模型中的每条连接边对应的权重值;基于反向传播算法将所述第一误差输入到所述初始工程量指标测算模型中进行反向传播处理,同时利用梯度下降法对所述第一误差在避免过拟合的前提下进行最小化误差处理,以使更新所述多层前馈神经网络模型的模型参数;对所述多层前馈神经网络模型进行迭代优化,直至确定所述第一误差满足预设精度,或当前迭代次次数达到最大迭代次数,得到工程量指标测算模型。
一实施例中,对于多层前馈神经网络的权值与阈值调整公式为:
;
;
;
;
式中,为隐藏神经元层节点j的输出,/>为输入节点i的输入;/>与/>分别为前后两次训练时隐藏神经元层节点j与输出神经元层节点k连接的权值;/>与/>分别为前后两次训练时源节点输入层节点i与隐藏神经元层节点j连接的权值;/>与/>分别为输出神经元层节点k和隐藏神经元层节点j的阈值;/>与/>为学习参数;/>与/>分别为输出神经元层节点k与隐藏神经元层节点j的误差信号,计算式为:
其中,为样本在输出神经元层节点k的期望输出值,/>与/>分别为样本在网络的输出神经元层节点k与隐藏神经元层节点j的实际输出值。
一实施例中,由于采用构建多层前馈神经网络(BP)模型,其存在容易陷入局部最优、对初值设置较敏感的缺点,因此,优选的,除了直接对多层前馈神经网络模型进行直接优化外,还可应用粒子群优化算法(PSO)对多层前馈神经网络模型进行优化的方式,将粒子群优化算法中的权值修正方法引入BP(PSO-BP),以克服BP算法容易陷入局部最优、对初值设置较敏感的缺点,再利用PSO-BP算法梯度下降的原理进一步“细调”权值,寻找真正的全局最优点,以克服由于对定义域进行分割带来的量化误差和单一粒子群算法训练网络耗费时间过长的不足。
优选的,对所述多层前馈神经网络模型进行模型训练时,还基于粒子群优化算法对所述多层前馈神经网络模型进行优化处理。
一实施例中,基于粒子群优化算法对所述多层前馈神经网络模型进行优化处理时,对所述多层前馈神经网络模型中的每条连接边随机设置初始权重值;确定所述多层前馈神经网络模型的多维搜索空间,在所述多维搜索空间中随机放置粒子,并随机设置初始粒子位置和初始粒子速度,计算初始个体最优值和初始群体最优值;依次将预获取的工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵输入到所述多层前馈神经网络模型中进行模型迭代训练;在模型迭代训练过程中,并基于粒子群优化算法更新每个粒子的所述粒子速度和所述粒子位置,计算当前每个粒子对应的个体适应度和群体适应度,基于所有个体适应度和所有群体适应度,得到个体最优值和群体最优值;同时,基于前向传播算法计算得到每个第一工程量特征样本值矩阵对应的第一工程量指标实际值矩阵,基于所述第一工程量指标实际值矩阵,计算所述第一工程量指标实际值矩阵与所述工程量指标样本值矩阵的第一误差,直至得到所述工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵对应的第一误差;在确定所述第一误差不满足预设精度,且当前迭代次次数没有达到最大迭代次数时,基于权值调整公式、所述个体最优值和所述群体最优值更新所述多层前馈神经网络模型中的每条连接边对应的权重值;基于反向传播算法将所述第一误差输入到所述多层前馈神经网络模型中进行反向传播处理,同时利用梯度下降法对所述第一误差进行最小化误差处理,以使更新所述多层前馈神经网络模型的模型参数;对所述多层前馈神经网络模型进行迭代优化,直至确定所述第一误差满足预设精度,或当前迭代次次数达到最大迭代次数。
一实施例中,基于反向传播算法将所述第一误差输入到所述多层前馈神经网络模型中进行反向传播处理,同时利用梯度下降法对所述第一误差进行最小化误差处理,以使更新所述多层前馈神经网络模型的模型参数后,还通过前向传播算法重新将工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵依次输入到所述多层前馈神经网络模型中,并重新基于前向传播计算得到每个第一工程量特征样本值矩阵对应的第二工程量指标实际值矩阵,基于所述第二工程量指标实际值矩阵,计算所述第一工程量特征样本值矩阵与所述第二工程量指标实际值矩阵的第二误差,直至得到所述工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵对应的第二误差;若确定所述第二误差满足预设精度或当前迭代次次数达到最大迭代次数时,停止对所述多层前馈神经网络模型进行迭代优化。
优选的,基于反向传播算法对模型训练误差进行迭代更新,以使不断调整网络的权值和阈值,使网络的误差平方和最小,直至得到一个较优的模型训练误差。
一实施例中,基于权值调整公式和所述个体最优值更新所述多层前馈神经网络模型中的每条连接边对应的权重值,其中,所述权值调整公式如下所示:
;
;
其中,
;
;
式中,与/>分别为前后两次训练时隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>与/>分别为前后两次训练时输入神经元层节点i与隐藏神经元层节点j连接的权重值,/>为学习参数,/>为输出神经元层节点k的误差信号,/>为隐藏神经元层节点j的误差信号,/>为隐藏神经元层节点j对应的隐藏神经元层节点输出值,/>为源节点输入层输入节点i对应的输入值;/>、/>分别为正常数,为其学习因子,为在[0,1]间变化的随机数,/>为第1个网络所经历过的隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为第1个网络所经历过的输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为m个群体网络中隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为m个群体网络中输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为工程量特征样本值矩阵在输出神经元层节点k的目标输出值,/>与/>为工程量特征样本值矩阵在网络的输出神经元层节点k与隐藏神经元层节点j的实际输出值,/>为输入隐藏神经元层节点j与输出神经元层节点k连接的权重值。
作为本实施例中对基于粒子群优化算法对所述工程量指标测算模型进行优化处理的举例说明:算法开始时,通过初始化BP神经网络:建立三层前馈神经网络模型,随机置每一条边的边权;初始化粒子群算法:在多维搜索空间内随机放置粒子,随机置其位置,初速度,并计算其个体与群体适应度。接下来每一次迭代训练,首先计算BP神经网络及其误差,接下来按粒子群算法更新粒子群信息并按目标函数计算其个体与群体适应度;适应度即优化目标函数的值,用来评价粒子位置的好坏程度,决定是否更新粒子个体的历史最优位置和群体的历史最优位置,保证粒子朝着最优解的方向搜索,最后判断是否符合误差或达到最大迭代次数;其中,粒子群算法的公式,如下所示:
;
;
其中,与/>分别为两次训练前后第i个节点第d维的速度向量;u为惯性系数;/>为正常数;/>为在[0,1]间变化的随机数;/>与/>分别为两次训练前后第i个节点第d维的位置;/>与/>分别为第i个节点在第d维的最优位置与第d维所有节点的全局最优位置。
一实施例中,训练好的模型每条神经元的权重是确定的数值,当继续添加样本进行训练后,权重将会发生变化。
一实施例中,当样本数不大于10000时,总样本数据集的80%作为训练样本集,20%作为测试样本集;对于优化训练后的模型读取测试样本集,计算得到工程量指标和工程经济指标,并计算均方误差,评价模型的拟合效果。
具体的,利用“工程量指标人工智能测算软件”,读入训练样本的工程量特征样本值矩阵和工程量指标样本值矩阵对工程量指标测算模型进行训练,测算得到建筑工程、装饰工程的主要工程量指标,并计算均方误差,评价模型的拟合效果。
具体的,利用“工程经济指标人工智能测算软件”,读入训练样本的工程项目特征样本值矩阵和工程经济指标样本值矩阵对工程经济指标测算模型进行训练,测算得到多目标全费用的工程经济指标,并计算均方误差,评价模型的拟合效果。
步骤103:基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析,得到所述每个建筑工程比选方案对应的综合评分值,基于所述综合评分值,确定最优建筑工程方案。
一实施例中,基于所述工程经济指标,计算每个建筑工程比选方案对应的建筑工程费。
具体的,在得到每个建筑工程比选方案对应的工程经济指标后,还获取所述工程经济指标中的建筑(装修)工程单方造价,基于所述建筑(装修)工程单方造价,确定所述每个建筑工程比选方案对应的建筑工程费。
具体的,将所述建筑(装修)工程单方造价输入到建筑工程费计算工程中,得到对应的建筑工程费,其中,所述建筑工程费计算工程如下所示:
。
优选的,对于建筑(装修)工程单方造价,每个建筑工程比选方案的建筑工程单方造价本来均与当期估价时间相对应,传统方式是采用价格时间参数的方式予以修正,价格时间修正参数往往只能考虑主要材料的价格修正,并不准确,因此,本实施例中,在对工程经济指标测算模型进行训练时,不设价格修正系数,而是将建筑工程比选方案样本估价现行时间系数作为数值型工程项目特征值,作为模型的输入向量;即基于建筑工程比选方案样本估价的起始时间、现行时间和结束时间,计算样本估价的造价时间系数。
对建筑(装修)工程单方造价的修正进行举例说明:模型训练和测试样本、比选方案估价的起始时间定为2010年1月,模型训练样本和比选方案估价的结束时间定为2030年12月,以月为单位,则样本估价的现行时间系数定义为:“起始时间到现行时间”在“起始时间至结束时间”所占比例。例如某样本估价的现行时间为2023年7月,则样本估价的造价时间系数为:
。/>
一实施例中,分别对每个建筑工程比选方案对应的所述工程量指标、所述工程经济指标和所述建筑工程费进行权重计算,得到所述工程量指标对应的第一权重值、所述工程经济指标对应的第二权重值,以及所述建筑工程费对应的第三权重值。
具体的,在不同的建筑工程阶段,分别对所述工程量指标和所述工程经济指标设置对应的权重系数,得到所述工程量指标对应的第一权重系数集,以及所述工程经济指标对应第二权重系数集,基于所述第一权重系数集对所述工程量指标进行权重计算,得到所述工程量指标的第一权重值,所述第二权重系数集对所述工程经济指标进行权重计算,得到所述工程经济指标对应的第二权重值。
具体的,对所述建筑工程费设置对应的建筑工程费权重系数,基于所述建筑工程费权重系数对所述建筑工程费进行权重计算,得到所述建筑工程费的第三权重值。
一实施例中,由于每个建筑工程比选方案的方案类型分为有地下室和无地下室,因此,在对所述工程量指标和所述工程经济指标设置对应的权重系数时,还需要获取建筑工程比选方案的方案类型,基于方案类型进行权重系数的设置。
具体的,由于建筑工程比选方案的方案类型为有地下室时,需要提取建筑工程比选方案中的地上建筑工程量特征值、地下建筑工程量特征值、地上装饰工程量特征值和地下装饰工程量特征值并输入对应的工程量指标测算模型中,得到地上建筑工程量指标、地下建筑工程量指标、地上装饰工程量指标和地下装饰工程量指标,因此,在建筑工程比选方案的方案类型为有地下室时,分别对地上建筑工程量指标、地下建筑工程量指标、地上装饰工程量指标和地下装饰工程量指标设置权重系数,得到有地下室的工程量指标对应的有地下室第一权重系数集,其中,所述有地下室第一权重系数集包括地上建筑工程量指标权重系数集、地下建筑工程量指标权重系数集、地上装饰工程量指标权重系数集和地下装饰工程量指标权重系数集。
具体的,由于建筑工程比选方案的方案类型为有地下室时,需要提取建筑工程比选方案中的有地下室工程项目特征值,并将所述有地下室工程项目特征值输入对应的工程经济指标测算模型中,得到有地下室工程经济指标,因此,在建筑工程比选方案的方案类型为有地下室时,对有地下室工程经济指标设置权重系数,得到所述有地下室的工程经济指标对应的有地下室的第二权重系数集,其中,所述有地下室的第二权重系数集包括有地下室工程经济指标权重系数集。
一实施例中,所述有地下室第一权重系数集、所述有地下室第二权重系数集和所述建筑工程费权重系数的权重系数和为1。
具体的,由于建筑工程比选方案的方案类型为无地下室时,需要提取建筑工程比选方案中的建筑工程量特征值和装饰工程量特征值,并将建筑工程量特征值和装饰工程量特征值输入对应的工程量指标测算模型中,得到建筑工程量指标和装饰工程量指标,因此,在建筑工程比选方案的方案类型为无地下室时,分别对建筑工程量指标和装饰工程量指标设置权重系数,得到无地下室的工程量指标对应的无地下室第一权重系数集,其中,所述无地下室第一权重系数集包括建筑工程量指标权重系数集和装饰工程量指标权重系数集。
具体的,由于建筑工程比选方案的方案类型为无地下室时,需要提取建筑工程比选方案中的无地下室工程项目特征值,并将所述无地下室工程项目特征值输入对应的工程经济指标测算模型中,得到无地下室工程经济指标,因此,在建筑工程比选方案的方案类型为无地下室时,对无地下室工程经济指标设置权重系数,得到无地下室的工程经济指标对应的无地下室第二权重系数集,其中,所述无地下室第二权重系数集包括无地下室工程经济指标权重系数集。
一实施例中,所述无地下室第一权重系数集、所述无地下室第二权重系数集和所述建筑工程费权重系数的权重系数和为1。
一实施例中,通过将所述第一权重系数集中与所述工程量指标进行权重相乘,得到第一权重值;通过将所述第二权重系数集中与所述工程经济指标进行权重相乘,得到第二权重值;通过建筑工程费权重系数与计算出来的建筑工程费进行权重相乘,得到第三权重值。
一实施例中,对所述第一权重值、所述第二权重值和所述第三权重值进行加权平均处理,得到每个建筑工程比选方案对应的第一综合评分值。
一实施例中,选取所有所述第一综合评分值中最大第一综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为第一经济最优建筑工程比选方案。
优选的,除了分别对每个建筑工程比选方案对应的所述工程量指标、所述工程经济指标和所述建筑工程费进行权重计算,得到所述工程量指标对应的第一权重值、所述工程经济指标对应的第二权重值,以及所述建筑工程费对应的第三权重值外,还获取每个建筑工程比选方案对应的其他费用,对所述其他费用进行权重计算,得到所述其他费用对应的其他费用权重值;其中,所述其他费用包括安装工程费、设备购置费、工程建设其他费用和预备费。
优选的,对所述第一权重值、所述第二权重值、所述第三权重值和其他费用权重值进行加权平均处理,得到每个建筑工程比选方案对应的第三综合评分值。
优选的,选取所有所述第三综合评分值中最大第三综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为第二经济最优建筑工程比选方案。
一实施例中,还获取所述每个建筑工程比选方案对应的技术指标值和其他指标值;如表10所示,表10为建设项目各阶段方案比选的评价指标体系表。
表10:
具体的,在策划与决策阶段,所述技术指标包括技术可行性,所述其他指标值包括建设必要性、组织可行性、产品-市场-战略可行性、风险程度和公众认可度。
具体的,在设计阶段,所述技术指标包括建筑性能和适用性能;所述其他指标包括社会文化因素、公众认可度和投标单位的商务。
具体的,在招投标阶段,所述技术指标包括施工组织设计;所述其他指标包括投标单位的商务。
一实施例中,分别对所述技术指标值和所述其他指标值进行权重计算,得到所述技术指标值对应的第四权重值和所述其他指标值对应的第五权重值。
具体的,对所述技术指标值设置对应的技术指标值权重系数,基于所述技术指标值权重系数对所述技术指标值进行权重计算,得到所述建技术指标值的第四权重值。
具体的,对所述其他指标值设置对应的其他指标值权重系数,基于所述其他指标值权重系数对所述其他指标值进行权重计算,得到所述其他指标值的第五权重值。
一实施例中,对所述第一权重值、所述第二权重值、所述第三权重值、所述第四权重值和所述第五权重值进行加权平均处理,得到所述每个建筑工程比选方案对应的第二综合评分值。
一实施例中,选取所有所述第二综合评分值中最大第二综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为最优建筑工程比选方案。
优选的,还对所述第一权重值、所述第二权重值、所述第三权重值、所述其他费用权重值和所述第四权重值和所述第五权重值进行加权平均处理,得到所述每个建筑工程比选方案对应的第四综合评分值。
优选的,选取所有所述第四综合评分值中最大第四综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为第一最优建筑工程比选方案。
一实施例中,基于上述方案评价方式对多个建筑工程比选方案进行比较时,不仅可以对建筑工程比选方案的建筑工程费、主要工程量指标、工程经济指标进行比较,还能够对建筑工程比选方案中的其他费用、技术指标和其他指标进行对标比较,做出更为准确的判断。
优选的,基于每个建筑工程比选方案的经济指标、技术指标、其他指标进行综合评价时,还可以采用专家评估法、层次分析方和模糊数据方法等评价方法,以使从多个建筑工程比选方案中选取出经济最优建筑工程比选方案;如表11所示,表11为建设项目各阶段方案比选评价方法举例表。
表11:
综上,本发明实施例中提供了一种基于人工智能的建筑工程方案选取方法,通过选取大量历史类似工程样本数据,对构建的工程量指标测算模型和工程经济指标测算模型进行模型训练,最后,将训练好的工程量指标测算模型和工程经济指标测算模型用于比选方案的工程量指标测算和工程经济指标测算,完成建设项目策划与决策阶段、设计阶段、招投标阶段比选方案的综合技术经济评价和方案比选,与现有技术相比,本发明的技术方案通过构建八个核心测算模型,可细化至子单位工程、分部工程、子分部工程、重要分项工程等多目标全费用的造价指标测算,能够满足民用建筑各建筑类型和结构形式的要求,突破了以往单一系统模型,单目标预测的不足,使得在对多个建筑工程比选方案进行比选时,能提高比选效率和准确性。
实施例2,参见图2,图2是本发明提供的一种基于人工智能的建筑工程方案选取装置的一种实施例的结构示意图,如图2所示,该装置包括方案特征获取模块201、模型测算模块202和最优建筑工程方案选取模块203,具体如下:
所述方案特征获取模块201,用于获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值。
所述模型测算模块202,用于将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,将所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标。
所述最优建筑工程方案选取模块203,用于基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析,得到所述每个建筑工程比选方案对应的综合评分值,基于所述综合评分值,确定最优建筑工程方案。
一实施例中,所述模型测算模块202包括模型训练子模块2021;其中,所述模型训练子模块2021包括特征样本值矩阵生成单元20211和工程量指标测算模型生成单元20212。
一实施例中,所述特征样本值矩阵生成单元20211,用于采集多个历史类似建筑工程项目,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值,基于所述工程量特征样本值,生成工程量特征样本值矩阵,并基于所述工程量指标样本值,生成工程量指标样本值矩阵。
一实施例中,所述工程量指标测算模型生成单元20212,用于构建多层前馈神经网络模型,以所述工程量特征样本值矩阵为所述多层前馈神经网络模型的输入,以所述工程量指标样本值矩阵为所述多层前馈神经网络模型的期望输出,对所述多层前馈神经网络模型进行模型训练,得到工程量指标测算模型。
一实施例中,所述工程量指标测算模型生成单元20212,用于构建多层前馈神经网络模型,其中,所述多层前馈神经网络模型包括源节点输入层、隐藏神经元层和输出神经元层。
一实施例中,所述工程量指标测算模型生成单元20212还包括隐藏神经元层输出子单元202121和输出神经元层输出子单元202122。
一实施例中,所述隐藏神经元层输出子单元202121,用于将所述工程量特征样本值矩阵输入到所述多层前馈神经网络模型中时,基于所述源节点输入层将所述工程量特征样本值矩阵经预设的线性加权求和公式计算,输入到所述隐藏神经元层中,并基于所述隐藏神经元层中预设的隐藏神经元层节点激活函数公式,计算所述工程量特征样本值矩阵在隐藏神经元层的隐藏神经元层节点输出值。
一实施例中,所述输出神经元层输出子单元202122,用于将所述隐藏神经元层节点输出值输入到所述输出神经元层中,以使基于所述输出神经元层中预设的线性加权求和公式,计算所述工程量特征样本值矩阵在所述输出神经元层的工程量指标实际值。
一实施例中,所述工程量指标测算模型生成单元20212包括边权重值设置子单元202123、粒子信息初始化子单元202124、样本输入子单元202125、粒子信息更新子单元202126和模型迭代优化子单元202127。
一实施例中,所述边权重值设置子单元202123,用于对所述多层前馈神经网络模型中的每条连接边随机设置初始权重值。
一实施例中,所述粒子信息初始化子单元202124,用于确定所述多层前馈神经网络模型的多维搜索空间,在所述多维搜索空间中随机放置粒子,并随机设置初始粒子位置和初始粒子速度,计算初始个体最优值和初始群体最优值。
一实施例中,所述样本输入子单元202125,用于依次将预获取的工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵输入到所述多层前馈神经网络模型中进行模型迭代训练。
一实施例中,所述粒子信息更新子单元202126,用于在模型迭代训练过程中,并基于粒子群优化算法更新每个粒子的所述粒子速度和所述粒子位置,计算当前每个粒子对应的个体适应度和群体适应度,基于所有个体适应度和所有群体适应度,得到个体最优值和群体最优值。
一实施例中,所述模型迭代优化子单元202127,用于基于前向传播算法计算得到每个第一工程量特征样本值矩阵对应的第一工程量指标实际值矩阵,基于所述第一工程量指标实际值矩阵,计算所述第一工程量指标实际值矩阵与所述工程量指标样本值矩阵的第一误差,直至得到所述工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵对应的第一误差;在确定所述第一误差不满足预设精度,且当前迭代次次数没有达到最大迭代次数时,基于权值调整公式、所述个体最优值和所述群体最优值更新所述多层前馈神经网络模型中的每条连接边对应的权重值;基于反向传播算法将所述第一误差输入到所述多层前馈神经网络模型中进行反向传播处理,同时利用梯度下降法对所述第一误差进行最小化误差处理,以使更新所述多层前馈神经网络模型的模型参数;对所述多层前馈神经网络模型进行迭代优化,直至确定所述第一误差满足预设精度,或当前迭代次次数达到最大迭代次数。
一实施例中,所述模型迭代优化子单元202125,用于基于权值调整公式更新所述多层前馈神经网络模型中的每条连接边对应的权重值,其中,所述权值调整公式如下所示:
;
;
其中,
;
;
式中,与/>分别为前后两次训练时隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>与/>分别为前后两次训练时输入神经元层节点i与隐藏神经元层节点j连接的权重值,/>为学习参数,/>为输出神经元层节点k的误差信号,/>为隐藏神经元层节点j的误差信号,/>为隐藏神经元层节点j对应的隐藏神经元层节点输出值,/>为源节点输入层输入节点i对应的输入值;/>、/>分别为正常数,为其学习因子,为在[0,1]间变化的随机数,/>为第1个网络所经历过的隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为第1个网络所经历过的输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为m个群体网络中隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为m个群体网络中输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为工程量特征样本值矩阵在输出神经元层节点k的目标输出值,/>与/>为工程量特征样本值矩阵在网络的输出神经元层节点k与隐藏神经元层节点j的实际输出值,/>为隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>为输入神经元层节点i与隐藏神经元层节点j连接的权重值。
一实施例中,所述特征样本值矩阵生成单元20211包括第一工程量特征样本分类子单元202111、所述数值型工程量特征样本数值确认子单元202112和数值型样本归一化处理子单元202113。
一实施例中,所述第一工程量特征样本分类子单元202111,用于对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个数值型工程量特征样本值。
一实施例中,所述数值型工程量特征样本数值确认子单元202112,用于基于每个历史类似建筑工程项目对应的所述多个数值型工程量特征样本值,确定每个数值型工程量特征样本值对应的数值型工程量特征样本最大值和数值型工程量特征样本最小值。
一实施例中,所述数值型样本归一化处理子单元202113,用于基于所述数值型工程量特征样本最大值和所述数值型工程量特征样本最小值,对所述每个历史类似建筑工程项目中的所述多个数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值。
一实施例中,所述特征样本值矩阵生成单元20211还包括数值型样本缺失判断子单元202114和缺失数值型工程量特征样本值获取子单元202115。
一实施例中,所述数值型样本缺失判断子单元202114,用于判断所述多个数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失数值型工程量特征样本值对应的数据值样本类型。
一实施例中,所述缺失数值型工程量特征样本值获取子单元202115,用于获取每个历史类似建筑工程项目中所述数据值样本类型对应的第一数值型工程量特征样本值,对所有第一数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值,计算所述多个归一化数值型工程量特征样本值的平均值,得到归一化数值型工程量特征样本平均值,并将所述归一化数值型工程量特征样本平均值作为缺失数值型工程量特征样本值。
一实施例中,所述特征样本值矩阵生成单元20211还包括第二工程量特征样本分类子单元202116和非数值型工程量特征样本输入值获取子单元202117。
一实施例中,所述第二工程量特征样本分类子单元202116,用于对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个非数值型工程量特征样本值。
一实施例中,所述非数值型工程量特征样本输入值获取子单元202117,用于对每个非数值型工程量特征样本值对应设置多个非数值型向量选项,将每个非数值型工程量特征样本值分别与对应的所述多个非数值型向量选项进行对比,得到对比结果,并基于所述对比结果,通过0-1编码法将所述每个非数值型工程量特征样本值转换为数值型工程量特征样本输入值。
一实施例中,所述特征样本值矩阵生成单元20211还包括非数值型样本缺失判断子单元202118、占比计算子单元202119和缺失非数值型工程量特征样本输入值获取子单元201110。
一实施例中,所述非数值型样本缺失判断子单元202118,用于判断所述多个非数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失非数值型工程量特征样本值对应的所述多个非数值型向量选项。
一实施例中,所述占比计算子单元202119,用于获取所有历史类似建筑工程项目中符合每个非数值型向量选项的样本数量,计算所述样本数据在所述所有历史类似建筑工程项目的总样本数量的占比。
一实施例中,所述缺失非数值型工程量特征样本输入值获取子单元202110,用于将所述占比与预设占比阈值进行判断,基于判断结果,得到缺失非数值型工程量特征样本输入值。
一实施例中,所述方案特征获取模块201包括方案类型确定子模块2011、有地下室方案类型特征获取子模块2012和无地下室方案类型特征获取子模块2013。
一实施例中,所述方案类型确定子模块2011,用于获取所述多个建筑工程比选方案,确定所述多个建筑工程比选方案的方案类型,其中,所述方案类型包括有地下室和无地下室。
一实施例中,所述有地下室方案类型特征获取子模块2012,用于当所述多个建筑工程比选方案的方案类型为有地下室时,获取每个建筑工程比选方案中的第一工程量特征值和第一工程项目特征值,其中,所述第一工程量特征值包括地下建筑工程量特征值、地上建筑工程量特征值、地下装饰工程量特征值和地上装饰工程量特征值,所述第一工程项目特征值包括有地下室工程项目特征值。
一实施例中,所述无地下室方案类型特征获取子模块2013,用于当所述多个建筑工程比选方案的方案类型为无地下室时,获取每个建筑工程比选方案中的第二工程量特征值和第二工程项目特征值,其中,所述第二工程量特征值包括建筑工程量特征值和装饰工程量特征值;所述第二工程项目特征值包括无地下室工程项目特征值。
一实施例中,所述模型测算模块202,用于将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,其中,所述已训练好的工程量指标测算模型包括地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型、建筑工程量指标测算模型和装饰工程量指标测算模型;
一实施例中,所述模型测算模块202还包括地下建筑工程量指标测算模型测算子模块2022、地上建筑工程量指标测算模型测算子模块2023、地下装饰工程量指标测算模型测算子模块2024、地上装饰工程量指标测算模型测算子模块2025、建筑工程量指标测算模型测算子模块2026和装饰工程量指标测算模型测算子模块2027。
一实施例中,所述地下建筑工程量指标测算模型测算子模块2022,用于当所述多个建筑工程比选方案的方案类型为有地下室时,将所述地下建筑工程量特征值输入到所述地下建筑工程量指标测算模型中,以使所述地下建筑工程量指标测算模型输出地下建筑工程量指标。
一实施例中,所述地上建筑工程量指标测算模型测算子模块2023,用于将所述地上建筑工程量特征值输入到所述地上建筑工程量指标测算模型中,以使所述地上建筑工程量指标测算模型输出地上建筑工程量指标。
一实施例中,所述地下装饰工程量指标测算模型测算子模块2024,用于将所述地下装饰工程量特征值输入到所述地下装饰工程量指标测算模型中,以使所述地下装饰工程量指标测算模型输出地下装饰工程量指标。
一实施例中,所述地上装饰工程量指标测算模型测算子模块2025,用于将所述地上装饰工程量特征值输入到所述地上装饰工程量指标测算模型中,以使所述地上装饰工程量指标测算模型输出地上装饰工程量指标。
一实施例中,所述建筑工程量指标测算模型测算子模块2026,用于当所述多个建筑工程比选方案的方案类型为无地下室时,将所述建筑工程量特征值输入到所述建筑工程量指标测算模型中,以使所述建筑工程量指标测算模型输出建筑工程量指标。
一实施例中,所述装饰工程量指标测算模型测算子模块2027,用于将所述装饰工程量特征值输入到所述装饰工程量指标测算模型中,以使所述装饰工程量指标测算模型输出装饰工程量指标。
一实施例中,所述模型测算模块202,用于所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标,其中,所述已训练好的工程经济指标测算模型包括有地下室工程经济指标测算模型和无地下室工程经济指标测算模型。
一实施例中,所述模型测算模块202还包括地下室工程经济指标测算模型测算子模块2028和无地下室工程经济指标测算模型测算子模块2029。
一实施例中,所述地下室工程经济指标测算模型测算子模块2028,用于当所述多个建筑工程比选方案的方案类型为有地下室时,将所述有地下室工程项目特征值输入到所述地下室工程经济指标测算模型中,以使所述有地下室工程经济指标测算模型输出有地下室工程经济指标。
一实施例中,所述无地下室工程经济指标测算模型测算子模块2029,用于当所述多个建筑工程比选方案的方案类型为无地下室时,将所述无地下室工程项目特征值输入到所述无地下室工程经济指标测算模型,以使所述无地下室工程经济指标测算模型输出无地下室工程经济指标。
一实施例中,所述最优建筑工程方案选取模块203包括第一权重计算子模块2031、第一综合评分值计算子模块2032和第一最优建筑工程比选方案选取子模块2033。
一实施例中,所述第一权重计算子模块2031,用于分别对每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行权重计算,得到所述工程量指标对应的第一权重值,以及所述工程经济指标对应的第二权重值。
一实施例中,所述第一综合评分值计算子模块2032,用于对所述第一权重值和所述第二权重值进行加权平均处理,得到每个建筑工程比选方案对应的第一综合评分值。
一实施例中,所述第一最优建筑工程比选方案选取子模块2033,用于选取所有所述第一综合评分值中最大第一综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为第一经济最优建筑工程比选方案。
一实施例中,所述最优建筑工程方案选取模块203还包括多个指标值获取子模块2034、第二权重计算子模块2035、第二综合评分值计算子模块2036和第二最优建筑工程比选方案选取子模块2037。
一实施例中,所述多个指标值获取子模块2034,用于获取所述每个建筑工程比选方案对应的技术指标值和其他指标值。
一实施例中,所述第二权重计算子模块2035,用于分别对所述技术指标值和所述其他指标值进行权重计算,得到所述技术指标值对应的第四权重值和所述其他指标值对应的第五权重值。
一实施例中,所述第二综合评分值计算子模块2036,用于对所述第一权重值、所述第二权重值、所述第三权重值、所述第四权重值和所述第五权重值进行加权平均处理,得到所述每个建筑工程比选方案对应的第二综合评分值。
一实施例中,所述第二最优建筑工程比选方案选取子模块2037,用于选取所有所述第二综合评分值中最大第二综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为最优建筑工程比选方案。
所属领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不在赘述。
需要说明的是,上述基于人工智能的建筑工程方案选取装置的实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
在上述的基于人工智能的建筑工程方案选取方法的实施例的基础上,本发明另一实施例提供了一种基于人工智能的建筑工程方案选取终端设备,该基于人工智能的建筑工程方案选取终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时,实现本发明任意一实施例的基于人工智能的建筑工程方案选取方法。
示例性的,在这一实施例中所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于人工智能的建筑工程方案选取终端设备中的执行过程。
所述基于人工智能的建筑工程方案选取终端设备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。所述基于人工智能的建筑工程方案选取终端设备可包括,但不仅限于,处理器、存储器。
所称处理器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,所述处理器是所述基于人工智能的建筑工程方案选取终端设备的控制中心,利用各种接口和线路连接整个基于人工智能的建筑工程方案选取终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于人工智能的建筑工程方案选取终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述基于人工智能的建筑工程方案选取方法的实施例的基础上,本发明另一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时,控制所述存储介质所在的设备执行本发明任意一实施例的基于人工智能的建筑工程方案选取方法。
在这一实施例中,上述存储介质为计算机可读存储介质,所述计算机程序包括计算机程序代码,所述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。所述计算机可读介质可以包括:能够携带所述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-OnlyMemory)、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。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
综上,本发明提供的一种基于人工智能的建筑工程方案选取方法及装置,通过获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值;将工程量特征值输入到已训练好的工程量指标测算模型中,以使工程量指标测算模型输出工程量指标,将工程项目特征值输入到已训练好的工程经济指标测算模型中,以使工程经济指标测算模型输出工程经济指标;基于每个建筑工程比选方案对应的工程量指标和工程经济指标进行对比分析,得到每个建筑工程比选方案对应的综合评分值,基于综合评分值,确定最优建筑工程方案;与现有技术方案相比,本发明的技术方案能提高建筑工程方案选取的准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (30)
1.一种基于人工智能的建筑工程方案选取方法,其特征在于,包括:
获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值;
将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,将所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标;
基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析,得到所述每个建筑工程比选方案对应的综合评分值,基于所述综合评分值,确定最优建筑工程方案。
2.如权利要求1所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,所述工程量指标测算模型的模型训练过程,具体包括:
采集多个历史类似建筑工程项目,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值,基于所述工程量特征样本值,生成工程量特征样本值矩阵,并基于所述工程量指标样本值,生成工程量指标样本值矩阵;
构建多层前馈神经网络模型,以所述工程量特征样本值矩阵为所述多层前馈神经网络模型的输入,以所述工程量指标样本值矩阵为所述多层前馈神经网络模型的期望输出,对所述多层前馈神经网络模型进行模型训练,得到工程量指标测算模型。
3.如权利要求2所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,构建多层前馈神经网络模型,其中,所述多层前馈神经网络模型包括源节点输入层、隐藏神经元层和输出神经元层;
将所述工程量特征样本值矩阵输入到所述多层前馈神经网络模型中时,基于所述源节点输入层将所述工程量特征样本值矩阵经预设的线性加权求和公式计算,输入到所述隐藏神经元层中,并基于所述隐藏神经元层中预设的隐藏神经元层节点激活函数公式,计算所述工程量特征样本值矩阵在隐藏神经元层的隐藏神经元层节点输出值;
将所述隐藏神经元层节点输出值输入到所述输出神经元层中,以使基于所述输出神经元层中预设的线性加权求和公式,计算所述工程量特征样本值矩阵在所述输出神经元层的工程量指标实际值。
4.如权利要求3所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,对所述多层前馈神经网络模型进行模型训练时,还包括:
基于粒子群优化算法对所述多层前馈神经网络模型进行优化处理;
其中,所述基于粒子群优化算法对所述多层前馈神经网络模型进行优化处理,具体包括:
对所述多层前馈神经网络模型中的每条连接边随机设置初始权重值;
确定所述多层前馈神经网络模型的多维搜索空间,在所述多维搜索空间中随机放置粒子,并随机设置初始粒子位置和初始粒子速度,计算初始个体最优值和初始群体最优值;
依次将预获取的工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵输入到所述多层前馈神经网络模型中进行模型迭代训练;
在模型迭代训练过程中,基于粒子群优化算法更新每个粒子的所述粒子速度和所述粒子位置,计算当前每个粒子对应的个体适应度和群体适应度,基于所有个体适应度和所有群体适应度,得到个体最优值和群体最优值;
同时,基于前向传播算法计算得到每个第一工程量特征样本值矩阵对应的第一工程量指标实际值矩阵,基于所述第一工程量指标实际值矩阵,计算所述第一工程量指标实际值矩阵与所述工程量指标样本值矩阵的第一误差,直至得到所述工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵对应的第一误差;
在确定所述第一误差不满足预设精度,且当前迭代次次数没有达到最大迭代次数时,基于权值调整公式、所述个体最优值和所述群体最优值更新所述多层前馈神经网络模型中的每条连接边对应的权重值;
基于反向传播算法将所述第一误差输入到所述多层前馈神经网络模型中进行反向传播处理,同时利用梯度下降法对所述第一误差进行最小化误差处理,以使更新所述多层前馈神经网络模型的模型参数;
对所述多层前馈神经网络模型进行迭代优化,直至确定所述第一误差满足预设精度,或当前迭代次次数达到最大迭代次数。
5.如权利要求4所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,基于权值调整公式更新所述多层前馈神经网络模型中的每条连接边对应的权重值,其中,所述权值调整公式如下所示:
;
;
其中,
;
;
式中,与/>分别为前后两次训练时隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>与/>分别为前后两次训练时输入神经元层节点i与隐藏神经元层节点j连接的权重值,/>为学习参数,/>为输出神经元层节点k的误差信号,/>为隐藏神经元层节点j的误差信号,/>为隐藏神经元层节点j对应的隐藏神经元层节点输出值,/>为源节点输入层输入节点i对应的输入值;/>、/>分别为正常数,为其学习因子,为在[0,1]间变化的随机数,/>为第1个网络所经历过的隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为第1个网络所经历过的输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为m个群体网络中隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为m个群体网络中输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为工程量特征样本值矩阵在输出神经元层节点k的目标输出值,/>与/>为工程量特征样本值矩阵在网络的输出神经元层节点k与隐藏神经元层节点j的实际输出值,/>为隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>为输入神经元层节点i与隐藏神经元层节点j连接的权重值。
6.如权利要求4所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值后,还包括:
对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个数值型工程量特征样本值;
基于每个历史类似建筑工程项目对应的所述多个数值型工程量特征样本值,确定每个数值型工程量特征样本值对应的数值型工程量特征样本最大值和数值型工程量特征样本最小值;
基于所述数值型工程量特征样本最大值和所述数值型工程量特征样本最小值,对所述每个历史类似建筑工程项目中的所述多个数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值。
7.如权利要求6所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,得到所述工程量特征样本值中的多个数值型工程量特征样本值后,还包括:
判断所述多个数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失数值型工程量特征样本值对应的数据值样本类型;
获取每个历史类似建筑工程项目中所述数据值样本类型对应的第一数值型工程量特征样本值,对所有第一数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值,计算所述多个归一化数值型工程量特征样本值的平均值,得到归一化数值型工程量特征样本平均值,并将所述归一化数值型工程量特征样本平均值作为缺失数值型工程量特征样本值。
8.如权利要求4所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值后,还包括:
对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个非数值型工程量特征样本值;
对每个非数值型工程量特征样本值对应设置多个非数值型向量选项,将每个非数值型工程量特征样本值分别与对应的所述多个非数值型向量选项进行对比,得到对比结果,并基于所述对比结果,通过0-1编码法将所述每个非数值型工程量特征样本值转换为数值型工程量特征样本输入值。
9.如权利要求8所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值后,还包括:
判断所述多个非数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失非数值型工程量特征样本值对应的所述多个非数值型向量选项;
获取所有历史类似建筑工程项目中符合每个非数值型向量选项的样本数量,计算所述样本数据在所述所有历史类似建筑工程项目的总样本数量的占比;
将所述占比与预设占比阈值进行判断,基于判断结果,得到缺失非数值型工程量特征样本输入值。
10.如权利要求1所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值,具体包括:
获取所述多个建筑工程比选方案,确定所述多个建筑工程比选方案的方案类型,其中,所述方案类型包括有地下室和无地下室;
当所述多个建筑工程比选方案的方案类型为有地下室时,获取每个建筑工程比选方案中的第一工程量特征值和第一工程项目特征值,其中,所述第一工程量特征值包括地下建筑工程量特征值、地上建筑工程量特征值、地下装饰工程量特征值和地上装饰工程量特征值,所述第一工程项目特征值包括有地下室工程项目特征值;
当所述多个建筑工程比选方案的方案类型为无地下室时,获取每个建筑工程比选方案中的第二工程量特征值和第二工程项目特征值,其中,所述第二工程量特征值包括建筑工程量特征值和装饰工程量特征值;所述第二工程项目特征值包括无地下室工程项目特征值。
11.如权利要求10所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,具体包括:
所述已训练好的工程量指标测算模型包括地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型、建筑工程量指标测算模型和装饰工程量指标测算模型;
当所述多个建筑工程比选方案的方案类型为有地下室时,将所述地下建筑工程量特征值输入到所述地下建筑工程量指标测算模型中,以使所述地下建筑工程量指标测算模型输出地下建筑工程量指标;
将所述地上建筑工程量特征值输入到所述地上建筑工程量指标测算模型中,以使所述地上建筑工程量指标测算模型输出地上建筑工程量指标;
将所述地下装饰工程量特征值输入到所述地下装饰工程量指标测算模型中,以使所述地下装饰工程量指标测算模型输出地下装饰工程量指标;
将所述地上装饰工程量特征值输入到所述地上装饰工程量指标测算模型中,以使所述地上装饰工程量指标测算模型输出地上装饰工程量指标;
当所述多个建筑工程比选方案的方案类型为无地下室时,将所述建筑工程量特征值输入到所述建筑工程量指标测算模型中,以使所述建筑工程量指标测算模型输出建筑工程量指标;
将所述装饰工程量特征值输入到所述装饰工程量指标测算模型中,以使所述装饰工程量指标测算模型输出装饰工程量指标。
12.如权利要求10所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,将所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标,具体包括:
所述已训练好的工程经济指标测算模型包括有地下室工程经济指标测算模型和无地下室工程经济指标测算模型;
当所述多个建筑工程比选方案的方案类型为有地下室时,将所述有地下室工程项目特征值输入到所述地下室工程经济指标测算模型中,以使所述有地下室工程经济指标测算模型输出有地下室工程经济指标;
当所述多个建筑工程比选方案的方案类型为无地下室时,将所述无地下室工程项目特征值输入到所述无地下室工程经济指标测算模型,以使所述无地下室工程经济指标测算模型输出无地下室工程经济指标。
13.如权利要求1所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析,得到所述每个建筑工程比选方案对应的综合评分值,具体包括:
基于所述工程经济指标,计算每个建筑工程比选方案对应的建筑工程费,分别对每个建筑工程比选方案对应的所述工程量指标、所述工程经济指标和所述建筑工程费进行权重计算,得到所述工程量指标对应的第一权重值、所述工程经济指标对应的第二权重值,以及所述建筑工程费对应的第三权重值;
对所述第一权重值、所述第二权重值和所述第三权重值进行加权平均处理,得到每个建筑工程比选方案对应的第一综合评分值;
选取所有所述第一综合评分值中最大第一综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为第一经济最优建筑工程比选方案。
14.如权利要求13所述的一种基于人工智能的建筑工程方案选取方法,其特征在于,基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析时,还包括:
获取所述每个建筑工程比选方案对应的技术指标值和其他指标值;
分别对所述技术指标值和所述其他指标值进行权重计算,得到所述技术指标值对应的第四权重值和所述其他指标值对应的第五权重值;
对所述第一权重值、所述第二权重值、所述第三权重值、所述第四权重值和所述第五权重值进行加权平均处理,得到所述每个建筑工程比选方案对应的第二综合评分值;
选取所有所述第二综合评分值中最大第二综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为最优建筑工程比选方案。
15.一种基于人工智能的建筑工程方案选取装置,其特征在于,包括:方案特征获取模块、模型测算模块和最优建筑工程方案选取模块;
其中,所述方案特征获取模块,用于获取多个建筑工程比选方案,获取每个建筑工程比选方案中的工程量特征值和工程项目特征值;
所述模型测算模块,用于将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,将所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标;
所述最优建筑工程方案选取模块,用于基于每个建筑工程比选方案对应的所述工程量指标和所述工程经济指标进行对比分析,得到所述每个建筑工程比选方案对应的综合评分值,基于所述综合评分值,确定最优建筑工程方案。
16.如权利要求15所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述模型测算模块包括模型训练子模块;
其中,所述模型训练子模块包括特征样本值矩阵生成单元和工程量指标测算模型生成单元;
所述特征样本值矩阵生成单元,用于采集多个历史类似建筑工程项目,提取每个历史类似建筑工程项目中的工程量特征样本值和工程量指标样本值,基于所述工程量特征样本值,生成工程量特征样本值矩阵,并基于所述工程量指标样本值,生成工程量指标样本值矩阵;
所述工程量指标测算模型生成单元,用于构建多层前馈神经网络模型,以所述工程量特征样本值矩阵为所述多层前馈神经网络模型的输入,以所述工程量指标样本值矩阵为所述多层前馈神经网络模型的期望输出,对所述多层前馈神经网络模型进行模型训练,得到工程量指标测算模型。
17.如权利要求16所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述工程量指标测算模型生成单元,用于构建多层前馈神经网络模型,其中,所述多层前馈神经网络模型包括源节点输入层、隐藏神经元层和输出神经元层;
所述工程量指标测算模型生成单元还包括隐藏神经元层输出子单元和输出神经元层输出子单元;
其中,所述隐藏神经元层输出子单元,用于将所述工程量特征样本值矩阵输入到所述多层前馈神经网络模型中时,基于所述源节点输入层将所述工程量特征样本值矩阵经预设的线性加权求和公式计算,输入到所述隐藏神经元层中,并基于所述隐藏神经元层中预设的隐藏神经元层节点激活函数公式,计算所述工程量特征样本值矩阵在隐藏神经元层的隐藏神经元层节点输出值;
所述输出神经元层输出子单元,用于将所述隐藏神经元层节点输出值输入到所述输出神经元层中,以使基于所述输出神经元层中预设的线性加权求和公式,计算所述工程量特征样本值矩阵在所述输出神经元层的工程量指标实际值。
18.如权利要求17所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述工程量指标测算模型生成单元包括边权重值设置子单元、粒子信息初始化子单元、样本输入子单元、粒子信息更新子单元和模型迭代优化子单元;
其中,所述边权重值设置子单元,用于对所述多层前馈神经网络模型中的每条连接边随机设置初始权重值;
所述粒子信息初始化子单元,用于确定所述多层前馈神经网络模型的多维搜索空间,在所述多维搜索空间中随机放置粒子,并随机设置初始粒子位置和初始粒子速度,计算初始个体最优值和初始群体最优值;
所述样本输入子单元,用于依次将预获取的工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵输入到所述多层前馈神经网络模型中进行模型迭代训练;
所述粒子信息更新子单元,用于在模型迭代训练过程中,并基于粒子群优化算法更新每个粒子的所述粒子速度和所述粒子位置,计算当前每个粒子对应的个体适应度和群体适应度,基于所有个体适应度和所有群体适应度,得到个体最优值和群体最优值;
所述模型迭代优化子单元,用于基于前向传播算法计算得到每个第一工程量特征样本值矩阵对应的第一工程量指标实际值矩阵,基于所述第一工程量指标实际值矩阵,计算所述第一工程量指标实际值矩阵与所述工程量指标样本值矩阵的第一误差,直至得到所述工程量特征样本值矩阵数据集中每个第一工程量特征样本值矩阵对应的第一误差;在确定所述第一误差不满足预设精度,且当前迭代次次数没有达到最大迭代次数时,基于权值调整公式、所述个体最优值和所述群体最优值更新所述多层前馈神经网络模型中的每条连接边对应的权重值;基于反向传播算法将所述第一误差输入到所述多层前馈神经网络模型中进行反向传播处理,同时利用梯度下降法对所述第一误差进行最小化误差处理,以使更新所述多层前馈神经网络模型的模型参数,并对所述多层前馈神经网络模型进行迭代优化,直至确定所述第一误差满足预设精度,或当前迭代次次数达到最大迭代次数。
19.如权利要求18所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述模型迭代优化子单元,用于基于权值调整公式更新所述多层前馈神经网络模型中的每条连接边对应的权重值,其中,所述权值调整公式如下所示:
;
;
其中,
;
;
式中,与/>分别为前后两次训练时隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>与/>分别为前后两次训练时输入神经元层节点i与隐藏神经元层节点j连接的权重值,/>为学习参数,/>为输出神经元层节点k的误差信号,/>为隐藏神经元层节点j的误差信号,/>为隐藏神经元层节点j对应的隐藏神经元层节点输出值,/>为源节点输入层输入节点i对应的输入值;/>、/>分别为正常数,为其学习因子,为在[0,1]间变化的随机数,/>为第1个网络所经历过的隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为第1个网络所经历过的输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为m个群体网络中隐藏神经元层节点j与输出神经元层节点k历史上具有最小检验误差时的权重值,/>为m个群体网络中输入神经元层节点i与隐藏神经元层节点j历史上具有最小检验误差时的权重值,/>为工程量特征样本值矩阵在输出神经元层节点k的目标输出值,/>与/>为工程量特征样本值矩阵在网络的输出神经元层节点k与隐藏神经元层节点j的实际输出值,/>为隐藏神经元层节点j与输出神经元层节点k连接的权重值,/>为输入神经元层节点i与隐藏神经元层节点j连接的权重值。
20.如权利要求18所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述特征样本值矩阵生成单元包括第一工程量特征样本分类子单元、数值型工程量特征样本数值确认子单元和数值型样本归一化处理子单元;
其中,所述第一工程量特征样本分类子单元,用于对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个数值型工程量特征样本值;
所述数值型工程量特征样本数值确认子单元,用于基于每个历史类似建筑工程项目对应的所述多个数值型工程量特征样本值,确定每个数值型工程量特征样本值对应的数值型工程量特征样本最大值和数值型工程量特征样本最小值;
所述数值型样本归一化处理子单元,用于基于所述数值型工程量特征样本最大值和所述数值型工程量特征样本最小值,对所述每个历史类似建筑工程项目中的所述多个数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值。
21.如权利要求20所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述特征样本值矩阵生成单元还包括数值型样本缺失判断子单元和缺失数值型工程量特征样本值获取子单元;
其中,所述数值型样本缺失判断子单元,用于判断所述多个数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失数值型工程量特征样本值对应的数据值样本类型;
所述缺失数值型工程量特征样本值获取子单元,用于获取每个历史类似建筑工程项目中所述数据值样本类型对应的第一数值型工程量特征样本值,对所有第一数值型工程量特征样本值进行归一化处理,得到多个归一化数值型工程量特征样本值,计算所述多个归一化数值型工程量特征样本值的平均值,得到归一化数值型工程量特征样本平均值,并将所述归一化数值型工程量特征样本平均值作为缺失数值型工程量特征样本值。
22.如权利要求18所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述特征样本值矩阵生成单元还包括第二工程量特征样本分类子单元和非数值型工程量特征样本输入值获取子单元;
所述第二工程量特征样本分类子单元,用于对所述工程量特征样本值进行分类处理,得到所述工程量特征样本值中的多个非数值型工程量特征样本值;
所述非数值型工程量特征样本输入值获取子单元,用于对每个非数值型工程量特征样本值对应设置多个非数值型向量选项,将每个非数值型工程量特征样本值分别与对应的所述多个非数值型向量选项进行对比,得到对比结果,并基于所述对比结果,通过0-1编码法将所述每个非数值型工程量特征样本值转换为数值型工程量特征样本输入值。
23.如权利要求22所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述特征样本值矩阵生成单元还包括非数值型样本缺失判断子单元、占比计算子单元和缺失非数值型工程量特征样本输入值获取子单元;
其中,所述非数值型样本缺失判断子单元,用于判断所述多个非数值型工程量特征样本值是否存在样本值缺失,若是,则获取缺失非数值型工程量特征样本值对应的所述多个非数值型向量选项;
所述占比计算子单元,用于获取所有历史类似建筑工程项目中符合每个非数值型向量选项的样本数量,计算所述样本数据在所述所有历史类似建筑工程项目的总样本数量的占比;
所述缺失非数值型工程量特征样本输入值获取子单元,用于将所述占比与预设占比阈值进行判断,基于判断结果,得到缺失非数值型工程量特征样本输入值。
24.如权利要求15所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述方案特征获取模块包括方案类型确定子模块、有地下室方案类型特征获取子模块和无地下室方案类型特征获取子模块;
其中,所述方案类型确定子模块,用于获取所述多个建筑工程比选方案,确定所述多个建筑工程比选方案的方案类型,其中,所述方案类型包括有地下室和无地下室;
所述有地下室方案类型特征获取子模块,用于当所述多个建筑工程比选方案的方案类型为有地下室时,获取每个建筑工程比选方案中的第一工程量特征值和第一工程项目特征值,其中,所述第一工程量特征值包括地下建筑工程量特征值、地上建筑工程量特征值、地下装饰工程量特征值和地上装饰工程量特征值,所述第一工程项目特征值包括有地下室工程项目特征值;
所述无地下室方案类型特征获取子模块,用于当所述多个建筑工程比选方案的方案类型为无地下室时,获取每个建筑工程比选方案中的第二工程量特征值和第二工程项目特征值,其中,所述第二工程量特征值包括建筑工程量特征值和装饰工程量特征值;所述第二工程项目特征值包括无地下室工程项目特征值。
25.如权利要求24所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述模型测算模块,用于将所述工程量特征值输入到已训练好的工程量指标测算模型中,以使所述工程量指标测算模型输出工程量指标,其中,所述已训练好的工程量指标测算模型包括地上建筑工程量指标测算模型、地上装饰工程量指标测算模型、地下建筑工程量指标测算模型、地下装饰工程量指标测算模型、建筑工程量指标测算模型和装饰工程量指标测算模型;
所述模型测算模块还包括地下建筑工程量指标测算模型测算子模块、地上建筑工程量指标测算模型测算子模块、地下装饰工程量指标测算模型测算子模块、地上装饰工程量指标测算模型测算子模块、建筑工程量指标测算模型测算子模块和装饰工程量指标测算模型测算子模块;
其中,所述地下建筑工程量指标测算模型测算子模块,用于当所述多个建筑工程比选方案的方案类型为有地下室时,将所述地下建筑工程量特征值输入到所述地下建筑工程量指标测算模型中,以使所述地下建筑工程量指标测算模型输出地下建筑工程量指标;
所述地上建筑工程量指标测算模型测算子模块,用于将所述地上建筑工程量特征值输入到所述地上建筑工程量指标测算模型中,以使所述地上建筑工程量指标测算模型输出地上建筑工程量指标;
所述地下装饰工程量指标测算模型测算子模块,用于将所述地下装饰工程量特征值输入到所述地下装饰工程量指标测算模型中,以使所述地下装饰工程量指标测算模型输出地下装饰工程量指标;
所述地上装饰工程量指标测算模型测算子模块,用于将所述地上装饰工程量特征值输入到所述地上装饰工程量指标测算模型中,以使所述地上装饰工程量指标测算模型输出地上装饰工程量指标;
所述建筑工程量指标测算模型测算子模块,用于当所述多个建筑工程比选方案的方案类型为无地下室时,将所述建筑工程量特征值输入到所述建筑工程量指标测算模型中,以使所述建筑工程量指标测算模型输出建筑工程量指标;
所述装饰工程量指标测算模型测算子模块,用于将所述装饰工程量特征值输入到所述装饰工程量指标测算模型中,以使所述装饰工程量指标测算模型输出装饰工程量指标。
26.如权利要求24所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述模型测算模块,用于所述工程项目特征值输入到已训练好的工程经济指标测算模型中,以使所述工程经济指标测算模型输出工程经济指标,其中,所述已训练好的工程经济指标测算模型包括有地下室工程经济指标测算模型和无地下室工程经济指标测算模型;
所述模型测算模块还包括地下室工程经济指标测算模型测算子模块和无地下室工程经济指标测算模型测算子模块;
其中,所述地下室工程经济指标测算模型测算子模块,用于当所述多个建筑工程比选方案的方案类型为有地下室时,将所述有地下室工程项目特征值输入到所述地下室工程经济指标测算模型中,以使所述有地下室工程经济指标测算模型输出有地下室工程经济指标;
所述无地下室工程经济指标测算模型测算子模块,用于当所述多个建筑工程比选方案的方案类型为无地下室时,将所述无地下室工程项目特征值输入到所述无地下室工程经济指标测算模型,以使所述无地下室工程经济指标测算模型输出无地下室工程经济指标。
27.如权利要求15所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述最优建筑工程方案选取模块包括第一权重计算子模块、第一综合评分值计算子模块和第一最优建筑工程比选方案选取子模块;
其中,所述第一权重计算子模块,用于基于所述工程经济指标,计算每个建筑工程比选方案对应的建筑工程费,分别对每个建筑工程比选方案对应的所述工程量指标、所述工程经济指标和所述建筑工程费进行权重计算,得到所述工程量指标对应的第一权重值、所述工程经济指标对应的第二权重值,以及所述建筑工程费对应的第三权重值;
所述第一综合评分值计算子模块,用于对所述第一权重值、所述第二权重值和所述第三权重值进行加权平均处理,得到每个建筑工程比选方案对应的第一综合评分值;
所述第一最优建筑工程比选方案选取子模块,用于选取所有所述第一综合评分值中最大第一综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为第一经济最优建筑工程比选方案。
28.如权利要求27所述的一种基于人工智能的建筑工程方案选取装置,其特征在于,所述最优建筑工程方案选取模块还包括多个指标值获取子模块、第二权重计算子模块、第二综合评分值计算子模块和第二最优建筑工程比选方案选取子模块;
其中,所述多个指标值获取子模块,用于获取所述每个建筑工程比选方案对应的技术指标值和其他指标值;
所述第二权重计算子模块,用于分别对所述技术指标值和所述其他指标值进行权重计算,得到所述技术指标值对应的第四权重值和所述其他指标值对应的第五权重值;
所述第二综合评分值计算子模块,用于对所述第一权重值、所述第二权重值、所述第三权重值、所述第四权重值和所述第五权重值进行加权平均处理,得到所述每个建筑工程比选方案对应的第二综合评分值;
所述第二最优建筑工程比选方案选取子模块,用于选取所有所述第二综合评分值中最大第二综合评分值对应的目标建筑工程比选方案,并将所述目标建筑工程比选方案作为最优建筑工程比选方案。
29.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至14任意一项所述的基于人工智能的建筑工程方案选取方法。
30.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至14中任意一项所述的基于人工智能的建筑工程方案选取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311535673.2A CN117273548B (zh) | 2023-11-17 | 2023-11-17 | 一种基于人工智能的建筑工程方案选取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311535673.2A CN117273548B (zh) | 2023-11-17 | 2023-11-17 | 一种基于人工智能的建筑工程方案选取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117273548A true CN117273548A (zh) | 2023-12-22 |
CN117273548B CN117273548B (zh) | 2024-05-14 |
Family
ID=89202918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311535673.2A Active CN117273548B (zh) | 2023-11-17 | 2023-11-17 | 一种基于人工智能的建筑工程方案选取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273548B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110376A (zh) * | 2019-04-09 | 2019-08-09 | 天津大学 | 一种基于bim的枢纽坝型比选方案量化评价方法及装置 |
CN114331221A (zh) * | 2022-03-02 | 2022-04-12 | 中核华纬工程设计研究有限公司 | 一种基于机器学习的混凝土工程量指标估算方法 |
CN115689331A (zh) * | 2022-09-28 | 2023-02-03 | 国网浙江省电力有限公司经济技术研究院 | 一种基于mlp的输变电工程量合理性分析方法 |
-
2023
- 2023-11-17 CN CN202311535673.2A patent/CN117273548B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110376A (zh) * | 2019-04-09 | 2019-08-09 | 天津大学 | 一种基于bim的枢纽坝型比选方案量化评价方法及装置 |
CN114331221A (zh) * | 2022-03-02 | 2022-04-12 | 中核华纬工程设计研究有限公司 | 一种基于机器学习的混凝土工程量指标估算方法 |
CN115689331A (zh) * | 2022-09-28 | 2023-02-03 | 国网浙江省电力有限公司经济技术研究院 | 一种基于mlp的输变电工程量合理性分析方法 |
Non-Patent Citations (1)
Title |
---|
蒋红妍 等: "基于灰关联的PSO-BP 神经网络的高层住宅造价估算", 工程管理学报, vol. 33, no. 1, pages 30 - 33 * |
Also Published As
Publication number | Publication date |
---|---|
CN117273548B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801342A (zh) | 一种基于降雨径流相似性的自适应径流预报方法 | |
CN104239489A (zh) | 利用相似性搜索和改进bp神经网络预测水位的方法 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
CN113139329B (zh) | 一种基于水文相似性和人工神经网络的新安江模型参数率定方法 | |
ElMousalami et al. | Predicting conceptual cost for field canal improvement projects | |
CN110362948A (zh) | 一种基于云模型的岩溶地面塌陷的治理方法 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
Aretoulis | Neural network models for actual cost prediction in Greek public highway projects | |
Wang et al. | A factor-based probabilistic cost model to support bid-price estimation | |
Magdum et al. | CONSTRUCTION COST PREDICTION USING NEURAL NETWORKS. | |
Wang et al. | Discussion on the prediction of engineering cost based on improved BP neural network algorithm | |
CN113221434A (zh) | 一种基坑变形预测方法 | |
CN114792044A (zh) | 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 | |
CN112035941A (zh) | 一种基于bas-bp模型的深基坑开挖地表沉降预测方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
Yeom et al. | Development of an approximate construction duration prediction model during the project planning phase for general office buildings | |
Kim et al. | Development of estimation system for housing remodeling cost through influence analysis by design elements | |
CN113221440B (zh) | 一种排水系统监测点优化布置与实时全局反演方法 | |
CN117273548B (zh) | 一种基于人工智能的建筑工程方案选取方法及装置 | |
Yadav et al. | Cost estimation model (CEM) for residential building using artificial neural network | |
CN112330187A (zh) | 一种地下设施水灾风险评估方法、系统、终端及存储介质 | |
Kim et al. | Development of bayesian regularized artificial neural network for airborne chlorides estimation | |
Attal | Development of neural network models for prediction of highway construction cost and project duration | |
Shahrara et al. | Gene expression programming approach to cost estimation formulation for utility projects |
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 |