CN117371752A - 一种建筑施工人力调度方法、介质及系统 - Google Patents
一种建筑施工人力调度方法、介质及系统 Download PDFInfo
- Publication number
- CN117371752A CN117371752A CN202311478911.0A CN202311478911A CN117371752A CN 117371752 A CN117371752 A CN 117371752A CN 202311478911 A CN202311478911 A CN 202311478911A CN 117371752 A CN117371752 A CN 117371752A
- Authority
- CN
- China
- Prior art keywords
- constructor
- error rate
- building construction
- information
- manual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009435 building construction Methods 0.000 title claims abstract description 32
- 238000010276 construction Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 22
- 238000012549 training Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 8
- 241000894007 species Species 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种建筑施工人力调度方法、介质及系统，属于建筑施工技术领域，该建筑施工人力调度方法包括：获取每个施工人员的技能信息；获取每个施工人员当天的工作时长信息；根据每个施工人员的技能信息和工作时长信息,计算出每个施工人员在不同技能下的失误率；根据项目的施工进度和工种需求,预测出未来一段时间内各工种的人力需求；结合人力需求和每个施工人员的失误率信息,优化调度施工人员到不同工种,使总体失误率最小化；根据优化结果,给每个施工人员下达调度命令。解决了现有技术对建筑施工人力调度过程中，采用人工经验进行主观调度，往往无法避免由于建筑施工人员长时间工作后，失误率升高，影响建筑施工质量的技术问题。
Description
技术领域
本发明属于建筑施工技术领域，具体而言，涉及一种建筑施工人力调度方法、介质及系统。
背景技术
针对应用较广的建筑施工项目的背景,施工质量与安全是建设主要关注的问题。影响施工质量和安全的一个关键因素是施工人员在实际工作中出现的失误。如砖块砌筑不齐、电路接线错误、管道安装倾斜等失误会直接导致工程质量问题。而违规操作、违章指挥可能导致安全事故。有效控制施工人员的失误率对保障工程质量和施工安全至关重要。
目前大部分施工人员都需要掌握多项施工技能,如砌筑、木工、钢筋、石材等技能。人员可以根据工地需要进行流动调配。但不同人在不同技能上的熟练程度存在差异,导致失误率有所不同。此外,人的持续注意力和体力均有限,长时间从事一项工作会导致疲劳,继而使失误率升高。如果采用不合理的人员调度方式,比如让技能水平较低的人员进行较复杂的工作,或长时间使人员重复同类工作,都会提高失误发生的概率。
因此,如何根据每个施工人员在各项技能上的熟练程度和当前状态科学调度,使他们在一定时间内都能发挥正常水平,从而减少失误,是优化施工管理的关键问题。常用的办法采用人工经验进行主观调度，往往无法避免由于建筑施工人员长时间工作后，失误率升高，影响建筑施工质量的技术问题。
发明内容
有鉴于此，本发明提供一种建筑施工人力调度方法、介质及系统，能够解决现有技术对建筑施工人力调度过程中，采用人工经验进行主观调度，往往无法避免由于建筑施工人员长时间工作后，失误率升高，影响建筑施工质量的技术问题。
本发明是这样实现的：
本发明的第一方面提供一种建筑施工人力调度方法，其中,包括以下步骤:
S10、获取每个施工人员的技能信息；
S20、获取每个施工人员当天的工作时长信息；
S30、根据每个施工人员的技能信息和工作时长信息,计算出每个施工人员在不同技能下的失误率；
S40、根据项目的施工进度和工种需求,预测出未来一段时间内各工种的人力需求；
S50、结合人力需求和每个施工人员的失误率信息,优化调度施工人员到不同工种,使总体失误率最小化；
S60、根据优化结果,给每个施工人员下达调度命令。
在上述技术方案的基础上，本发明的一种建筑施工人力调度方法还可以做如下改进:
其中，所述获取每个施工人员的技能信息的步骤，具体是：制定施工人员技能调查表,调查表包含多项施工技能,每项技能细分为多个级别；让施工人员填写调查表；收集填写后的调查表,整理入数据库；检查并处理数据库中的施工人员技能信息。
其中，所述获取每个施工人员当天的工作时长信息的步骤具体是：在施工现场设置刷卡设备,要求施工人员刷卡打卡；刷卡设备记录每个施工人员的刷卡时间；将刷卡记录传输至数据库；计算每个施工人员的当天工作时长。
其中，所述计算出每个施工人员在不同技能下的失误率的步骤具体是：采用基于神经网络的预测模型实现。
其中，步骤S30通过下面的6个步骤来实现：
步骤1:定义施工人员特征向量和技能失误率矩阵作为模型输入输出；
步骤2:构建全连接神经网络模型,输入人员特征,输出失误率预测；
步骤3:采用MSE作为损失函数；
步骤4:准备训练数据,迭代优化模型参数；
步骤5:利用优化模型对新数据进行失误率预测；
步骤6:收集新数据进行增量训练。
步骤S30可以自动高效预测人员技能失误率,提供调度优化关键信息支持。
其中，步骤S40通过下面的6个步骤来实现：
步骤1:定义工程量序列和工种需求序列；
步骤2:构建编码器-解码器LSTM模型；
步骤3:采用均方误差作为loss函数；
步骤4:收集数据训练模型；
步骤5:利用优化模型预测新数据；
步骤6:增量训练提升效果。
步骤S40可以自动高效预测未来工种需求量,为人力调度提供关键依据。
其中，所述结合人力需求和每个施工人员的失误率信息,优化调度施工人员到不同工种,使总体失误率最小化的步骤，具体是：通过建立整数规划模型,目标函数为最小化总体失误率,采用算法求解所述整数规划模型。
其中，步骤S50通过下面的4个步骤来实现：
步骤1:定义决策变量及目标函数和约束条件；
步骤2:建立整数规划数学模型；
步骤3:采用算法求解得到优化调度方案；
步骤4:迭代优化改进调度结果。
步骤S50可以快速自动得到满足约束条件下的最小失误率调度方案,实现调度方案的科学合理优化。
其中，所述优化调度施工人员到不同工种,使总体失误率最小化的步骤，还包括：对调度结果进行模拟评估,如果总体失误率符合要求,则执行调度,否则返回第一步重新优化。
其中，所述给每个施工人员下达调度命令的步骤，具体是：将调度结果以短信或APP推送形式发送给每个施工人员。
进一步的，所述神经网络为多层全连接网络结构。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的建筑施工人力调度方法。
本发明的第三方面提供一种建筑施工人力调度系统，其中，包含上述的计算机可读存储介质。
与现有技术相比较，本发明提供的一种建筑施工人力调度方法、介质及系统的有益效果是：
本发明以最小化总体失误率为目标,考虑了每个人在不同工种的失误特点,进行整体优化,可以有效控制住失误的发生。这确保了施工质量,提高了工作效率,也减少了安全事故的概率，解决了现有技术对建筑施工人力调度过程中，采用人工经验进行主观调度，往往无法避免由于建筑施工员长时间工作后，失误率升高，影响建筑施工质量的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种建筑施工人力调度方法的流程图；
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1所示，是本发明第一方面提供一种建筑施工人力调度方法的流程图，本方法包括以下步骤:
S10、获取每个施工人员的技能信息；
S20、获取每个施工人员当天的工作时长信息；
S30、根据每个施工人员的技能信息和工作时长信息,计算出每个施工人员在不同技能下的失误率；
S40、根据项目的施工进度和工种需求,预测出未来一段时间内各工种的人力需求；
S50、结合人力需求和每个施工人员的失误率信息,优化调度施工人员到不同工种,使总体失误率最小化；
S60、根据优化结果,给每个施工人员下达调度命令。
下面对上述步骤的具体实施方式进行展开描述：
步骤S10中获取每个施工人员的技能信息具体可以采用以下技术方案实现:
(1)准备施工人员技能调查表,表中包含多项施工技能,如砌筑、木工、钢筋、粉刷等技能。每项技能可细分为初级、中级、高级三个级别。
(2)让每位施工人员填写调查表,要求如实填写自己掌握的施工技能及级别。对于不掌握的技能可以留空。
(3)收集所有施工人员填写后的调查表,整理入数据库。数据库中的表格包含施工人员的基本信息(如姓名、工号等)以及他掌握的所有施工技能信息。
(4)对数据库中的施工人员技能信息进行检查、处理,包括:
删除空白的技能记录；
将文字形式的技能级别转换为数值形式(如初级为1,中级为2,高级为3)；
对某些不规范的填写进行校正,如将“熟练”改为“高级”等；
将少数填写错误的技能信息标记出来,交回施工人员核实。
(5)经处理后,生成每个施工人员的技能信息表,其中完整、准确地记录了该人员掌握的各项施工技能及级别。该技能信息表储存在数据库中,可为后续计算每个人在不同技能下的失误率提供数据基础。
步骤S10的效果：通过调查表的形式获取施工人员的技能自评信息,并对信息进行必要的检查与处理,形成标准化的技能信息表,为后续计算失误率奠定基础。
步骤S20中获取每个施工人员当天的工作时长信息可采用以下技术方案实现:
(1)在施工现场设置刷卡打卡机,要求所有施工人员在每天上班和下班时刷卡打卡。
(2)刷卡机纪录每位施工人员的刷卡时间,并将刷卡记录实时传输至中央数据库。
(3)数据库具有识别每个施工人员的工号或身份信息功能,可以根据刷卡记录准确匹配到每个人。
(4)对于数据库收到的刷卡记录,利用软件程序计算每个施工人员的当天工作时长:
按工号刷卡记录,获取每个人的上下班刷卡时间；
上班时间减去下班时间,得到该人当天的工作时长。
(5)将每个施工人员当天的工作时长进行汇总,形成工作时长表,其中包含所有施工人员的基本信息和当天工作时长数据。
(6)工作时长表储存在数据库中,并且设置每天定时更新,以获取最新的工作时长信息。
步骤S20的效果：可以自动、准确地收集到每个施工人员每天的实际工作时长数据,并以表格形式储存在数据库中,为后续计算每个人在不同技能下的失误率提供据基础。
步骤S30中根据每个施工人员的技能信息和工作时长信息,计算出每个施工人员在不同技能下的失误率,可以采用以下基于神经网络的技术方案实现:
(1)构建多层全连接神经网络模型,输入为每个施工人员的技能信息和工作时长,输出为每个技能对应的失误率。
(2)网络模型包含多个隐藏层,可以学习输入信息与失误率之间的复杂非线性关系。
(3)准备大量带标签的历史数据,包括施工人员技能、工作时长信息以及实际发生的失误率。利用这些数据训练网络模型。
(4)训练好的模型可以输入新的施工人员信息,自动预测该人员在不同技能下的失误率。
(5)相比于传统的人工统计方法,该神经网络模型可以更准确地建模失误率与影响因素之间的关系,并进行预测。
(6)模型预测结果形成每个施工人员各项技能的失误率表,储存在数据库中,为下一步调度优化提供数据支持。
(7)可以通过持续收集新数据对模型进行增量训练,提升预测效果。
采用神经网络预测的方式,可以便捷、准确地获得每个施工人员的技能失误率信息,为优化调度提供关键技术支撑。该方案无需人工统计,并可以通过持续学习不断提升
步骤S30中的神经网络模型结构如下:
(1)输入层:包含两个输入特征,分别是技能信息和工作时长信息。
技能信息可采用one-hot编码表示,假设考虑n种技能,则用长度为n的向量表示施工人员掌握的技能。
工作时长信息用一个实数表示当天工作时间长度。
(2)隐藏层:包含2个全连接隐藏层,节点数分别为128和64。
(3)激活函数:隐藏层使用ReLU激活函数。
(4)输出层:包含m个输出节点,m为施工技能的种类数。每个节点输出一个[0,1]区间内的实数,表示该技能对应的失误率。
(5)损失函数:均方误差损失函数。
(6)优化器:Adam优化算法。
(7)正则化:在隐藏层使用L2正则化以防止过拟合。
(8)实现环境:TensorFlow。
通过上述多层全连接网络结构,可以建模输入信息与各项技能失误率之间的复杂非线性关系,并利用大量历史数据训练模型以准确预测失误率。
在步骤S30中,用于训练神经网络模型预测施工人员各技能失误率的大量带标签历史数据的获取可以通过以下方式实现:
收集施工项目工程日志,从中提取所有施工人员的日常工作记录,获取技能和工作时长信息。
设置施工质量监测机制,对每项施工工序的产出进行检查评分,记录存在的失误情况。这可以获取不同施工人员在实际工作中各技能的失误率。
对工程日志和质量监测记录进行关联分析,提取出每位施工人员在进行了若干小时特定技能工作后,该项技能的实际失误率。这构成带标签的历史数据。
重复收集多个施工项目的相关数据。并对数据进行清洗、校准,形成大规模的训练数据集。
利用该数据集训练神经网络模型,建立输入信息与失误率的映射关系模型。
针对步骤S30中根据每个施工人员的技能信息和工作时长信息,计算出每个施工人员在不同技能下的失误率,具体实施方式如下:
(1)定义变量和符号
设施工人员总数为N,考虑的施工技能总数为M。
定义第i个施工人员的特征为向量其中D表示特征维数，/>代指向量或矩阵，取决于/>的上角标。xi包含该人员的技能水平信息和工作时长信息。
定义第i个人员在第j项技能上的失误率为yij∈[0,1]。
则所有的N个人员在M项技能上的失误率可以表示为目标矩阵
(2)构建神经网络
构建全连接前馈神经网络f(x；θ),其中模型参数表示为θ。
网络输入为人员特征x,输出为对应的各项技能失误率预测值
隐层激活函数采用ReLU函数ReLU(z)＝max(0,z)。
网络最后一层不使用激活函数,直接输出预测结果。
(3)确定损失函数
采用均方误差(MSE)作为损失函数:
其中f(xi；θ)j表示网络基于第i个人员的特征,对第j项技能失误率的预测值。
(4)模型训练
准备大量带标签训练数据{(xi,yi)},表示人员特征以及对应的实际失误率。
使用Adam等优化算法，通过迭代最小化损失函数,获得优化后的模型参数θ*。
(5)预测新数据
对于新的施工人员特征x,利用优化的模型f(x；θ*)可以直接预测该人员的各项技能失误率
(6)模型迭代
收集新施工数据,增量扩充训练数据集,对模型进行增量训练,持续优化模型效果。
通过构建神经网络模型,训练预测施工人员技能失误率,可以实现不依赖人工统计的自动化预测。相比线性回归等传统方法,神经网络可以学习人员特征与失误率之间的非线性复杂关系,给出更准确的预测,为后续调度优化提供支持。
步骤S30的效果：可以自动高效预测人员技能失误率,提供调度优化关键信息支持。
步骤S40中根据项目的施工进度和工种需求,预测出未来一段时间内各工种的人力需求,可以采用以下基于序列神经网络的技术方案实现:
(1)收集该建筑项目的施工进度日报,提取关键信息,编码成时间序列数据。信息包括已完成工程量,剩余工程量等。
(2)收集该项目的人力需求历史数据,提取不同工种的人力数量信息,编码成时间序列数据。
(3)构建基于LSTM的编码器-解码器序列神经网络。其中编码器输入为施工进度时间序列,解码器输出为未来各工种人力需求预测序列。
(4)利用历史数据训练序列神经网络模型,学习施工进度序列到未来人力需求的映射关系。
(5)输入新的施工进度时间序列,模型可以输出未来一段时间内的各工种人力需求预测结果。
相比传统预测方法,序列模型可以更好学习时间相关性和历史趋势,给出更准确预测。
具体而言,步骤S40具体实施方式如下:
(1)定义符号表示
设施工项目总工期为T,已完成工程量序列为s＝{s1,s2,...,sN},si表示第i天已完成工程量。
考虑M类工种,第j类工种需求序列为
则全部工种需求可表示为矩阵
(2)构建编码器-解码器LSTM
编码器为一层LSTM,输入为s,输出为隐状态向量h。
解码器为另一层LSTM,初始隐状态为h,在每个时间步输入当前工种需求输出下一时间步的预测/>
重复此过程,可得到全部M类工种的需求预测序列。
(3)确定损失函数
对第j类工种需求序列,采用均方误差作为损失函数:
则全部工种的loss为:
(4)模型训练
收集历史施工进度和实际工种需求序列数据进行训练集生成。
使用Adam等优化算法对LSTM模型进行训练,最小化损失函数,获得优化参数θ*。
(5)预测新数据
对于新的施工进度序列,用优化模型进行向前预测,可得到未来一段时间内的工种需求量预测。
(6)模型迭代
利用新完工数据进行增量训练,不断提升模型预测能力。
步骤S40的效果：采用序列神经网络预测模型,可以实现对未来人力需求的可靠预估,为调度优化提供关键输入信息。
步骤S50中结合人力需求和每个施工人员的失误率信息,优化调度施工人员到不同工种,使总体失误率最小化,可以采用以下技术方案实现:
(1)将调度优化问题建模为混合整数规划模型:目标函数为最小化总体失误率；约束条件包括人力资源供应约束、工种需求约束等；变量表示人员分配情况。
(2)构建模型的系数矩阵包含:人员失误率信息、工种间转移时间成本、工种工作内容复杂度等因素。
(3)求解混合整数规划模型,获得满足最小失误率的优化人员调度方案。可以采用分支定界法、切平面法等算法。
(4)开发模块化求解程序,允许灵活调整模型约束条件和目标函数,以适应不同项目的具体需求。
(5)优化结果给出了人员调配计划,即派遣哪些人员进入哪些工种,进入顺序和时间安排。
该结果符合总体失误率最小化的优化目标。相比人工经验调度可实现更优方案。可以建立快速迭代优化模型,进行多轮模拟调度,选出综合效果最佳的计划结果。
具体的，步骤S50具体实施方式如下:
(1)定义问题符号
设施工人员数量为N,工种数量为M。
第i个人员在第j工种的失误率为eij。
第j工种的需求人数为dj。
如果分配第i人员到第j工种,则定义二进制决策变量:
(2)建立整数规划模型
目标函数:
约束条件:
xij∈{0,1}
(3)求解整数规划模型
可以使用分支定界法、切平面法等算法求解该整数规划问题。
求解过程中将根据约束条件和目标函数不断调整x{ij}的取值,最终获得使总体失误率最小的优化分配方案。
(4)迭代优化
收集新数据后重新建模求解,不断迭代优化分配方案。
步骤S50的效果：通过建模优化的方式可以智能、快速地得到满足约束条件的最小失误率调度方案,实现自动化调度。
具体的，本发明的技术原理主要包含以下三个部分:
(一)施工人员失误率的评估方法
失误率评估是本发明的核心,为后续优化调度提供基础数据支持。评估方法的科学性直接影响最终调度结果的合理性。
本发明采用神经网络算法对每个施工人员在不同技能上的失误率进行预测。相比简单的统计平均值,神经网络可以模拟人员特征与失误率之间的非线性关系。准确计量每个人在不同情况下的失误发生概率。
构建多层全连接网络,输入层表示人员技能等特征；输出层给出各技能的失误率。隐含层拟合输入和输出的复杂映射关系。利用大量历史数据训练网络模型。针对新人员,可直接预测其失误率。
相比线性回归等传统方法,神经网络可提取更多隐含特征,精确建模复杂关系,预测结果更加准确。
(二)工种人力需求的预测方法
本发明使用序列神经网络预测未来一段时间内各工种的人力需求。该方法基于工程进度等历史数据进行时间序列建模,考虑了时间相关性。
构建LSTM网络,其编码器-解码器结构适合处理时间序列。编码器提取输入序列特征,解码器用于时间步预测。损失函数采用均方误差。利用历史数据训练模型,用于未来预测。
相比传统计量预测方法,序列神经网络可学习时间动态变化规律,给出更准确的需求预测。
(三)基于整数规划的优化调度方法
本发明将调度优化建模为混合整数规划问题。目标是最小化总体失误率,约束包括人力供需平衡等。变量表示人员分配情况。
求解该规划模型,可以快速自动得到优化的人员调度方案。相比人工经验调度,结果更科学合理。
综上,本发明技术原理核心在于运用神经网络和优化算法实现对关键信息的准确评估与智能调度。其技术手段符合数理规律,结果更优于经验调度方案。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种建筑施工人力调度方法，其特征在于,包括以下步骤:
S10、获取每个施工人员的技能信息；
S20、获取每个施工人员当天的工作时长信息；
S30、根据每个施工人员的技能信息和工作时长信息,计算出每个施工人员在不同技能下的失误率；
S40、根据项目的施工进度和工种需求,预测出未来一段时间内各工种的人力需求；
S50、结合人力需求和每个施工人员的失误率信息,优化调度施工人员到不同工种,使总体失误率最小化；
S60、根据优化结果,给每个施工人员下达调度命令。
2.根据权利要求1所述的一种建筑施工人力调度方法，其特征在于，所述获取每个施工人员的技能信息的步骤，具体是：制定施工人员技能调查表,调查表包含多项施工技能,每项技能细分为多个级别；让施工人员填写调查表；收集填写后的调查表,整理入数据库；检查并处理数据库中的施工人员技能信息。
3.根据权利要求1所述的一种建筑施工人力调度方法，其特征在于，所述获取每个施工人员当天的工作时长信息的步骤具体是：在施工现场设置刷卡设备,要求施工人员刷卡打卡；刷卡设备记录每个施工人员的刷卡时间；将刷卡记录传输至数据库；计算每个施工人员的当天工作时长。
4.根据权利要求1所述的一种建筑施工人力调度方法，其特征在于，所述计算出每个施工人员在不同技能下的失误率的步骤具体是：采用基于神经网络的预测模型实现。
5.根据权利要求1所述的一种建筑施工人力调度方法，其特征在于，所述结合人力需求和每个施工人员的失误率信息,优化调度施工人员到不同工种,使总体失误率最小化的步骤，具体是：通过建立整数规划模型,目标函数为最小化总体失误率,采用算法求解所述整数规划模型。
6.根据权利要求1所述的一种建筑施工人力调度方法，其特征在于，所述优化调度施工人员到不同工种,使总体失误率最小化的步骤，还包括：对调度结果进行模拟评估,如果总体失误率符合要求,则执行调度,否则返回第一步重新优化。
7.根据权利要求1所述的一种建筑施工人力调度方法，其特征在于，所述给每个施工人员下达调度命令的步骤，具体是：将调度结果以短信或APP推送形式发送给每个施工人员。
8.根据权利要求4所述的一种建筑施工人力调度方法，其特征在于，所述神经网络为多层全连接网络结构。
9.一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中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的建筑施工人力调度方法。
10.一种建筑施工人力调度系统，其特征在于，包含权利要求9所述的计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311478911.0A CN117371752A (zh) | 2023-11-08 | 2023-11-08 | 一种建筑施工人力调度方法、介质及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311478911.0A CN117371752A (zh) | 2023-11-08 | 2023-11-08 | 一种建筑施工人力调度方法、介质及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117371752A true CN117371752A (zh) | 2024-01-09 |
Family
ID=89396529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311478911.0A Pending CN117371752A (zh) | 2023-11-08 | 2023-11-08 | 一种建筑施工人力调度方法、介质及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117371752A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117829561A (zh) * | 2024-03-06 | 2024-04-05 | 贵州黔聚龙科技有限公司 | 基于施工状态自分析高标准农田建设人员分配方法及系统 |
-
2023
- 2023-11-08 CN CN202311478911.0A patent/CN117371752A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117829561A (zh) * | 2024-03-06 | 2024-04-05 | 贵州黔聚龙科技有限公司 | 基于施工状态自分析高标准农田建设人员分配方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101408769B (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
| CN103955754B (zh) | 基于实时生产数据采集的模具车间调度方法 | |
| CN117371752A (zh) | 一种建筑施工人力调度方法、介质及系统 | |
| CN117350774B (zh) | 基于大数据的市区体育建材预算执行管控方法及系统 | |
| CN114035468B (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与系统 | |
| Azimi et al. | Applying basic control theory principles to project control: Case study of off-site construction shops | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
| CN116933945A (zh) | 一种基于多元线性回归的工程项目工期预测方法 | |
| CN114155072B (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
| Vahdani et al. | Time prediction using a neuro-fuzzy model for projects in the construction industry | |
| CN114154716A (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| Reyes et al. | The Factory Physics for the Scheduling: Application to Footwear Industry. | |
| Ståhl et al. | Dynamic manufacturing costs—Describing the dynamic behavior of downtimes from a cost perspective | |
| CN116644965A (zh) | 一种项目预算的可视化分析方法及系统 | |
| Tai et al. | Learn curve for precast component productivity in construction | |
| KR20120133362A (ko) | 로딩 시뮬레이션 기반 동적 피드백 스케줄링 알고리즘을 장착한 최적화된 생산 스케줄링 시스템 | |
| Al‐Tabtabai et al. | Expert judgment in forecasting construction project completion | |
| CN114997462A (zh) | 一种基于机器学习的电网线路工程造价预测方法 | |
| Al-Tabtabai et al. | Construction project control using artificial neural networks | |
| Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
| Si et al. | Self-Organizing Optimization of Construction Project Management Based on Building Information Modeling and Digital Technology | |
| Sagi et al. | A framework for intelligent design of manufacturing cells | |
| CN117494472B (zh) | 一种基于仿真验证的离散工艺优化方法及装置 |
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 |