CN117710156A - 一种基于大数据的公路施工优化方法及系统 - Google Patents
一种基于大数据的公路施工优化方法及系统 Download PDFInfo
- Publication number
- CN117710156A CN117710156A CN202410161246.0A CN202410161246A CN117710156A CN 117710156 A CN117710156 A CN 117710156A CN 202410161246 A CN202410161246 A CN 202410161246A CN 117710156 A CN117710156 A CN 117710156A
- Authority
- CN
- China
- Prior art keywords
- construction
- model
- optimization
- risk
- analysis
- 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.)
- Withdrawn
Links
- 238000010276 construction Methods 0.000 title claims abstract description 399
- 238000000034 method Methods 0.000 title claims abstract description 212
- 238000005457 optimization Methods 0.000 title claims abstract description 201
- 238000004458 analytical method Methods 0.000 claims abstract description 168
- 238000013468 resource allocation Methods 0.000 claims abstract description 151
- 238000007726 management method Methods 0.000 claims abstract description 90
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 99
- 238000004422 calculation algorithm Methods 0.000 claims description 87
- 238000012544 monitoring process Methods 0.000 claims description 56
- 238000005516 engineering process Methods 0.000 claims description 55
- 230000007547 defect Effects 0.000 claims description 41
- 238000012502 risk assessment Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 18
- 230000007704 transition Effects 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000005065 mining Methods 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 12
- 238000009430 construction management Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013439 planning Methods 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000008303 genetic mechanism Effects 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000003631 expected effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000009472 formulation Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004451 qualitative analysis Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及建筑项目数据分析技术领域,具体为一种基于大数据的公路施工优化方法及系统,方法包括:基于历史施工数据,采用博弈论分析方法,通过构建利益关联者的偏好和策略模型,使用Nash均衡分析定量评估最优策略,结合实时施工条件和出现的风险,分析参与方在差异化情境下的最优响应策略,并分析潜在的合作与竞争关系,生成利益关联者策略。本发明中,通过博弈论和Nash均衡,评估利益关联者行为,利用马尔可夫链和条件随机场建模风险,相较于传统方法更准确预测施工风险,模糊逻辑处理不确定性信息,提供灵活风险评估,熵理论优化资源配置和流程管理,提高施工效率,贝叶斯优化与集成学习高效资源调度,整体优化项目管理框架,提升成功率。
Description
技术领域
本发明涉及建筑项目数据分析技术领域,尤其涉及一种基于大数据的公路施工优化方法及系统。
背景技术
建筑项目数据分析技术领域专注于应用大数据技术来分析和优化建筑项目,特别是公路施工项目,收集和分析大量与建筑项目关联的数据,如施工进度、资源使用、成本支出、环境影响和劳动力管理,这些数据来自多种源,包括传感器、项目管理软件、工地监控系统和工人反馈。通过分析这些数据,项目管理者能够获得关于项目状态的深入洞见,从而进行更精确的决策支持,数据分析在预测项目风险、优化资源分配、提高施工效率以及降低成本方面起着关键作用。
其中,基于大数据的公路施工优化方法是一个应用大数据技术来改善公路建设项目施工效率和质量的方法。该方法的主要目的是通过对大量施工数据的分析,优化施工过程中的决策制定。这包括工期短缩、成本降低、质量控制提升和资源利用最大化。通过实时分析施工现场的数据,此方法能够及时发现潜在问题,并进行调整,以减少延误和额外成本,同时确保项目的顺利进行和质量标准。
传统基于大数据的公路施工优化方法在分析利益关联者行为时,传统方法多依赖于定性分析或简单的定量模型,难以准确反映复杂的利益博弈和策略选择,导致策略评估缺乏精准度和适应性。在风险管理方面,传统线性模型无法充分捕捉风险因素的动态变化和相互作用,导致风险预测不够精确,增加了项目执行的不确定性,传统方法在处理不确定性信息时常缺乏灵活性和准确性,导致风险评估和决策支持不够有效。在质量监控方面,传统的手动检测和分析方法效率低下,易出现漏检,影响工程质量,资源配置和流程管理方面,由于缺乏高效的分析工具和优化方法,常导致资源浪费和施工效率低下。
发明内容
本申请通过提供了一种基于大数据的公路施工优化方法及系统,解决了传统基于大数据的公路施工优化方法在分析利益关联者行为时,传统方法多依赖于定性分析或简单的定量模型,难以准确反映复杂的利益博弈和策略选择,导致策略评估缺乏精准度和适应性。在风险管理方面,传统线性模型无法充分捕捉风险因素的动态变化和相互作用,导致风险预测不够精确,增加了项目执行的不确定性,传统方法在处理不确定性信息时常缺乏灵活性和准确性,导致风险评估和决策支持不够有效。在质量监控方面,传统的手动检测和分析方法效率低下,易出现漏检,影响工程质量,资源配置和流程管理方面,由于缺乏高效的分析工具和优化方法,常导致资源浪费和施工效率低下的问题。
鉴于上述问题,本申请提供了一种基于大数据的公路施工优化方法及系统。
本申请提供了一种基于大数据的公路施工优化方法,其中,所述方法包括:
S1:基于历史施工数据,采用博弈论分析方法,通过构建利益关联者的偏好和策略模型,使用Nash均衡分析定量评估最优策略,结合实时施工条件和出现的风险,分析参与方在差异化情境下的最优响应策略,并分析潜在的合作与竞争关系,生成利益关联者策略;
S2:基于所述利益关联者策略,采用马尔可夫链模型,通过分析历史施工数据中的状态转换频率和条件概率,使用条件随机场对风险因素进行建模,预测未来施工过程中的风险事件和影响,生成风险预测与分析模型;
S3:基于所述风险预测与分析模型,采用模糊逻辑方法,通过构造模糊规则和隶属函数处理不确定性信息,使用模糊推理对风险因素进行评估和分类,辅助决策者在有限信息条件进行风险决策管理,生成风险评估决策支持模型;
S4:基于所述风险评估决策支持模型,采用深度学习算法,通过设计适用于施工现场图像特征的卷积神经网络架构,识别差异化类型的质量缺陷,并进行施工现场的视频和图像数据分析,自动检测和识别施工质量问题,生成质量监控分析模型;
S5:基于所述质量监控分析模型,采用熵理论方法,通过计算施工过程中的熵值评价施工过程的有序性和效率,使用熵值计算分析对资源配置和流程管理的有效性进行量化分析,辅助优化施工流程和资源分配策略,生成施工效率与资源评估结果;
S6:基于所述施工效率与资源评估结果,采用贝叶斯优化策略,通过构建施工资源调度的概率模型,使用高斯过程回归分析资源配置与施工效率间的关系,基于预测模型和不确定性的考量,指导资源分配决策,优化人力和物料的使用,生成资源调度优化方案;
S7:基于所述资源调度优化方案,采用集成学习技术,通过分析模型的输出结果,使用多层次决策框架将分析模型和优化方案集成为统一的管理框架,并进行公路施工项目的优化,生成综合优化管理框架。
优选的,所述利益关联者策略包括策略选择、反应模式和在差异化施工阶段采取的行为模式,所述风险预测与分析模型包括潜在风险的识别、风险发生的条件概率和对施工进度和质量产生的影响评估,所述风险评估决策支持模型包括风险等级的分类、风险因素的权重分配和基于不确定性信息的决策方案,所述质量监控分析模型包括识别的质量缺陷类型、缺陷发生的频率和质量问题的空间分布情况,所述施工效率与资源评估结果包括施工过程的有序性评分、资源使用的优化程度和潜在的效率提升点,所述资源调度优化方案包括人力资源和物料资源的最优分配方案、调度策略的调整方案、预期的效率提升效果,所述综合优化管理框架包括策略制定、风险管理、质量控制和资源调度的综合优化措施、针对公路施工项目优化的实施路径和预期成效。
优选的,基于历史施工数据,采用博弈论分析方法,通过构建利益关联者的偏好和策略模型,使用Nash均衡分析定量评估最优策略,结合实时施工条件和出现的风险,分析参与方在差异化情境下的最优响应策略,并分析潜在的合作与竞争关系,生成利益关联者策略的步骤,还包括:
S101:基于历史施工数据,采用主成分分析算法,通过计算数据集的协方差矩阵,提取关键主成分降低数据维度,保留数据集中的变异信息,进行数据处理和降维,生成历史施工数据集;
S102:基于所述历史施工数据集,采用多属性决策分析方法,通过综合评估利益关联者的偏好指标,运用加权和排序技术,对偏好进行量化评价,构建偏好模型,生成利益关联者偏好量化模型;
S103:基于所述利益关联者偏好量化模型,采用非合作博弈理论,通过建立策略集合和支付函数,运用数学优化和模拟搜索技术,分析参与者在差异化策略下的收益,捕捉纳什均衡点,识别策略组合,生成策略组合分析数据;
S104:基于所述策略组合分析数据,采用多场景模拟,通过构建差异化的施工和风险情境,运用概率统计和随机过程模拟技术,评估策略在多种环境下的表现,识别适应性策略,生成利益关联者策略。
优选的,基于所述利益关联者策略,采用马尔可夫链模型,通过分析历史施工数据中的状态转换频率和条件概率,使用条件随机场对风险因素进行建模,预测未来施工过程中的风险事件和影响,生成风险预测与分析模型的步骤,还包括:
S201:基于所述利益关联者策略,采用聚类分析方法,通过计算数据点间的匹配度,将数据点分组为差异化的状态类别,识别施工过程中的关键状态,构建状态空间,生成施工状态空间模型;
S202:基于所述施工状态空间模型,采用似然估计方法,通过统计状态转换出现频率和基于条件的概率,运用概率论原理和数学建模技术,构建状态转换概率矩阵,生成初步马尔可夫链模型;
S203:基于所述初步马尔可夫链模型,采用条件随机场技术,通过建立状态与观测序列间的条件依赖关系,运用图模型和信息熵优化原理,对风险因素进行建模和分析,生成风险因素条件模型;
S204:基于所述风险因素条件模型,采用时间序列分析方法,通过分析历史数据中的时间依赖性和周期性模式,运用自回归和滑动平均模型技术,预测未来施工过程中的风险事件和潜在影响,生成风险预测与分析模型。
优选的,基于所述风险预测与分析模型,采用模糊逻辑方法,通过构造模糊规则和隶属函数处理不确定性信息,使用模糊推理对风险因素进行评估和分类,辅助决策者在有限信息条件进行风险决策管理,生成风险评估决策支持模型的步骤,还包括:
S301:基于所述风险预测与分析模型,采用模糊集合理论,对风险因素进行模糊化表示,使用模糊C均值算法对风险因素进行分类,通过计算风险因素与类中心间的距离,确定其隶属度,并进行迭代优化直到满足终止条件,生成风险因素模糊分类模型;
S302:基于所述风险因素模糊分类模型,采用模糊逻辑推理,对风险因素间的逻辑关系进行分析,使用Mamdani方法构建模糊规则基,通过模糊推理机制对风险因素进行合成和推断,评估其潜在影响,生成风险逻辑关系模型;
S303:基于所述风险逻辑关系模型,采用决策树算法,对风险因素进行影响程度评估,使用C4.5算法构建决策树,通过计算信息增益比选择最优属性分割数据集,递归构建树结构直至满足停止条件,生成风险影响评估模型;
S304:基于所述风险影响评估模型,采用案例推理技术,结合专家知识和模糊逻辑,构建基于规则的推理机制,通过案例推理技术对历史案例进行匹配和推理,为决策提供支持,生成风险评估决策支持模型。
优选的,基于所述风险评估决策支持模型,采用深度学习算法,通过设计适用于施工现场图像特征的卷积神经网络架构,识别差异化类型的质量缺陷,并进行施工现场的视频和图像数据分析,自动检测和识别施工质量问题,生成质量监控分析模型的步骤,还包括:
S401:基于所述风险评估决策支持模型,采用图像处理算法,对施工现场的视频和图像数据进行特征提取,使用高斯滤波算法去除噪声并提升图像质量,通过边缘检测算法提取图像中施工质量关联的关键特征,生成图像特征数据集;
S402:基于所述图像特征数据集,采用卷积神经网络,设计适用于施工现场特征的网络架构,通过LeNet-5结构对图像进行特征学习,利用AlexNet和ResNet架构优化特征提取和分类能力,进行深度学习训练,生成卷积神经网络质量监控模型;
S403:基于所述卷积神经网络质量监控模型,采用图像识别算法,自动检测和识别施工现场的质量缺陷,通过基于特征的匹配算法定位缺陷位置,结合深度学习图像分类技术对缺陷类型进行分类和识别,生成质量缺陷自动识别模型;
S404:基于所述质量缺陷自动识别模型,采用数据聚类和分析方法,综合分析施工质量问题,使用K均值聚类算法对缺陷数据进行分类,应用主成分分析技术提取关键缺陷特征,并为质量改进提供依据,生成质量监控分析模型。
优选的,基于所述质量监控分析模型,采用熵理论方法,通过计算施工过程中的熵值评价施工过程的有序性和效率,使用熵值计算分析对资源配置和流程管理的有效性进行量化分析,辅助优化施工流程和资源分配策略,生成施工效率与资源评估结果的步骤,还包括:
S501:基于所述质量监控分析模型,采用香农熵理论,通过计算施工过程中环节的信息熵,评估信息的不确定性和混乱程度,对施工流程中的信息流进行量化,揭示施工过程的有序性和效率,生成施工过程熵值分析结果;
S502:基于所述施工过程熵值分析结果,采用灰色关联分析法,通过构建施工环节与资源配置间的灰色关联度模型,计算环节熵值与资源配置的关联度,评估资源配置对施工过程的影响,生成资源配置关联度分析结果;
S503:基于所述资源配置关联度分析结果,采用动态反馈模型,构建施工流程和资源配置的动态模拟模型,通过模拟差异化资源配置方案对施工进度的影响,评估资源配置的动态效果,生成资源配置动态影响模拟框架;
S504:基于所述资源配置动态影响模拟框架,采用多目标遗传算法,对施工流程和资源分配进行优化搜索,通过模拟自然选择和遗传机制,捕捉资源配置组合和流程安排,生成施工效率与资源评估结果。
优选的,基于所述施工效率与资源评估结果,采用贝叶斯优化策略,通过构建施工资源调度的概率模型,使用高斯过程回归分析资源配置与施工效率间的关系,基于预测模型和不确定性的考量,指导资源分配决策,优化人力和物料的使用,生成资源调度优化方案的步骤,还包括:
S601:基于所述施工效率与资源评估结果,采用贝叶斯网络,构建施工资源调度的概率模型,通过分析资源配置与施工效率的概率关系,预测差异化资源配置方案的效率,生成资源调度概率模型;
S602:基于所述资源调度概率模型,采用高斯过程回归,对资源配置与施工效率的关系进行分析,通过构建高斯过程模型,预测差异化资源配置对施工效率的影响,生成资源配置效率关系分析结果;
S603:基于所述资源配置效率关系分析结果,采用线性规划,进行资源分配决策的优化计算,通过设置目标函数和约束条件,寻求在给定资源限制下施工效率的最优解,生成资源分配决策优化;
S604:基于所述资源分配决策优化,采用贝叶斯优化算法,迭代优化人力和物料的配置,通过迭代搜索全局资源配置组合,提升施工效率和降低成本,生成资源调度优化方案。
优选的,基于所述资源调度优化方案,采用集成学习技术,通过分析模型的输出结果,使用多层次决策框架将分析模型和优化方案集成为统一的管理框架,并进行公路施工项目的优化,生成综合优化管理框架的步骤,还包括:
S701:基于所述资源调度优化方案,采用关联规则挖掘,分析模型的输出结果,通过挖掘施工数据中的关联规则,提取对施工管理决策有价值的信息,生成关键信息挖掘结果;
S702:基于所述关键信息挖掘结果,采用人工神经网络,对施工项目的多层次数据进行分析,通过模拟人脑神经网络的处理方式,综合评价施工项目的关键指标,生成项目性能综合评估结果;
S703:基于所述项目性能综合评估结果,采用非线性规划,对施工流程和资源配置进行再次优化,通过解决非线性的优化问题,调整资源分配和流程安排,提升施工效率和质量,生成资源配置优化方案;
S704:基于所述资源配置优化方案,采用集成学习算法,将差异化的分析模型和优化方案集成到统一的管理框架中,通过结合多种学习算法的优势,优化公路施工项目的整体管理,生成综合优化管理框架。
一种基于大数据的公路施工优化系统,所述系统包括利益关联者策略分析模块、风险预测建模模块、风险评估决策支持模块、质量监控分析模块、施工效率评估模块、资源调度优化模块、综合优化管理模块、资源分配与流程优化模块;
所述利益关联者策略分析模块基于历史施工数据,采用决策分析树对数据进行层级化分析,识别关键决策点,应用多标准决策分析方法对利益关联者的偏好进行量化评分,综合参照多个评价指标,进行策略优先级排序,生成利益关联者策略决策分析结果;
所述风险预测建模模块基于利益关联者策略决策分析结果,采用动态贝叶斯网络分析历史数据中的变量关联性,构建变量间的概率关系模型,通过时间序列分析预测风险事件的发生概率和趋势,生成风险事件预测模型;
所述风险评估决策支持模块基于风险事件预测模型,采用代理模型方法模拟风险因素与工程进度的交互影响,通过场景模拟评估差异化风险因素对工程的影响,为风险管理提供决策支持,生成风险评估决策框架;
所述质量监控分析模块基于风险评估决策框架,采用图像处理技术提取施工现场图像的关键特征,运用模式识别技术识别质量缺陷模式,通过比对历史数据和实时监控数据,进行质量问题的自动检测和诊断,生成质量监控诊断结果;
所述施工效率评估模块基于质量监控诊断结果,采用线性规划对施工流程中的资源分配和时间安排进行优化,运用网络分析法识别并优化施工流程中的关键路径和瓶颈环节,通过模型优化进行施工流程的效率提升,生成施工流程效率评估结果;
所述资源调度优化模块基于施工流程效率评估结果,采用线性编程对资源配置进行量化优化,运用模拟退火算法对优化结果进行迭代寻优,捕捉成本最优的资源配置方案,通过算法优化进行资源的合理分配和调度,生成资源优化配置方案;
所述综合优化管理模块基于资源优化配置方案,采用决策支持整合环节数据,运用知识管理工具挖掘数据中的管理洞察,通过数据整合和知识提炼进行施工项目的管理和优化,生成综合施工管理策略;
所述资源分配与流程优化模块基于综合施工管理策略,采用动态规划优化资源分配方案,采用优化算法细化流程管理措施,通过算法驱动的流程和资源优化进行施工项目的执行,生成最终施工优化执行计划。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过博弈论和Nash均衡的应用,在分析利益关联者行为模式时提供了更加精确和可靠的策略评估,有效预测和解析施工过程中的利益博弈,使用马尔可夫链和条件随机场对风险因素建模,相较于传统的线性分析方法,能更加准确地预测和分析施工风险,降低不确定性带来的影响,模糊逻辑方法的运用在处理施工中的不确定性信息时,提供了更加灵活和精确的风险评估,辅助决策者更好地管理风险。深度学习算法在质量监控方面的应用,通过高效的图像和视频数据分析,实现了自动化和高精度的质量问题检测,提升了监控效率。熵理论在评估施工过程的有序性和效率方面提供了新的视角,优化了资源配置和流程管理,贝叶斯优化和集成学习技术的融合,使得资源调度更加高效,整体优化了项目管理框架,提升了施工效率和项目成功率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本发明提出一种基于大数据的公路施工优化方法的整体流程示意图;
图2为本发明提出一种基于大数据的公路施工优化方法的S1具体流程示意图;
图3为本发明提出一种基于大数据的公路施工优化方法的S2具体流程示意图;
图4为本发明提出一种基于大数据的公路施工优化方法的S3具体流程示意图;
图5为本发明提出一种基于大数据的公路施工优化方法的S4具体流程示意图;
图6为本发明提出一种基于大数据的公路施工优化方法的S5具体流程示意图;
图7为本发明提出一种基于大数据的公路施工优化方法的S6具体流程示意图;
图8为本发明提出一种基于大数据的公路施工优化方法的S7具体流程示意图;
图9为本发明提出一种基于大数据的公路施工优化系统的模块图。
具体实施方式
本申请通过提供了一种基于大数据的公路施工优化方法及系统,解决了传统基于大数据的公路施工优化方法在分析利益关联者行为时,传统方法多依赖于定性分析或简单的定量模型,难以准确反映复杂的利益博弈和策略选择,导致策略评估缺乏精准度和适应性。在风险管理方面,传统线性模型无法充分捕捉风险因素的动态变化和相互作用,导致风险预测不够精确,增加了项目执行的不确定性,传统方法在处理不确定性信息时常缺乏灵活性和准确性,导致风险评估和决策支持不够有效。在质量监控方面,传统的手动检测和分析方法效率低下,易出现漏检,影响工程质量,资源配置和流程管理方面,由于缺乏高效的分析工具和优化方法,常导致资源浪费和施工效率低下的问题。
申请概述:现有技术中存在传统基于大数据的公路施工优化方法在分析利益关联者行为时,传统方法多依赖于定性分析或简单的定量模型,难以准确反映复杂的利益博弈和策略选择,导致策略评估缺乏精准度和适应性。在风险管理方面,传统线性模型无法充分捕捉风险因素的动态变化和相互作用,导致风险预测不够精确,增加了项目执行的不确定性,传统方法在处理不确定性信息时常缺乏灵活性和准确性,导致风险评估和决策支持不够有效。在质量监控方面,传统的手动检测和分析方法效率低下,易出现漏检,影响工程质量,资源配置和流程管理方面,由于缺乏高效的分析工具和优化方法,常导致资源浪费和施工效率低下。
针对上述技术问题,本申请提供的技术方案总体思路如下:
如图1所示,本申请提供了一种基于大数据的公路施工优化方法,其中,方法包括:
S1:基于历史施工数据,采用博弈论分析方法,通过构建利益关联者的偏好和策略模型,使用Nash均衡分析定量评估最优策略,结合实时施工条件和出现的风险,分析参与方在差异化情境下的最优响应策略,并分析潜在的合作与竞争关系,生成利益关联者策略;
S2:基于利益关联者策略,采用马尔可夫链模型,通过分析历史施工数据中的状态转换频率和条件概率,使用条件随机场对风险因素进行建模,预测未来施工过程中的风险事件和影响,生成风险预测与分析模型;
S3:基于风险预测与分析模型,采用模糊逻辑方法,通过构造模糊规则和隶属函数处理不确定性信息,使用模糊推理对风险因素进行评估和分类,辅助决策者在有限信息条件进行风险决策管理,生成风险评估决策支持模型;
S4:基于风险评估决策支持模型,采用深度学习算法,通过设计适用于施工现场图像特征的卷积神经网络架构,识别差异化类型的质量缺陷,并进行施工现场的视频和图像数据分析,自动检测和识别施工质量问题,生成质量监控分析模型;
S5:基于质量监控分析模型,采用熵理论方法,通过计算施工过程中的熵值评价施工过程的有序性和效率,使用熵值计算分析对资源配置和流程管理的有效性进行量化分析,辅助优化施工流程和资源分配策略,生成施工效率与资源评估结果;
S6:基于施工效率与资源评估结果,采用贝叶斯优化策略,通过构建施工资源调度的概率模型,使用高斯过程回归分析资源配置与施工效率间的关系,基于预测模型和不确定性的考量,指导资源分配决策,优化人力和物料的使用,生成资源调度优化方案;
S7:基于资源调度优化方案,采用集成学习技术,通过分析模型的输出结果,使用多层次决策框架将分析模型和优化方案集成为统一的管理框架,并进行公路施工项目的优化,生成综合优化管理框架。
利益关联者策略包括策略选择、反应模式和在差异化施工阶段采取的行为模式,风险预测与分析模型包括潜在风险的识别、风险发生的条件概率和对施工进度和质量产生的影响评估,风险评估决策支持模型包括风险等级的分类、风险因素的权重分配和基于不确定性信息的决策方案,质量监控分析模型包括识别的质量缺陷类型、缺陷发生的频率和质量问题的空间分布情况,施工效率与资源评估结果包括施工过程的有序性评分、资源使用的优化程度和潜在的效率提升点,资源调度优化方案包括人力资源和物料资源的最优分配方案、调度策略的调整方案、预期的效率提升效果,综合优化管理框架包括策略制定、风险管理、质量控制和资源调度的综合优化措施、针对公路施工项目优化的实施路径和预期成效。
在S1步骤中,通过博弈论分析方法,系统首先对历史施工数据进行整合和归纳,形成利益关联者的偏好和策略模型,数据以结构化格式(如表格)存储,包括施工时间、成本、资源分配的关键参数。接下来,使用Nash均衡理论对各利益方的策略进行量化评估,此过程涉及构建多方博弈模型,通过算法迭代搜索每方在给定条件下的最优策略。算法运行过程中,采用数值优化技术对每个参与方的收益函数进行求解,确保捕捉均衡点。运用该模型,结合实时施工条件和潜在风险,对参与方在不同施工环境下的策略作出预测,包括合作与竞争关系的分析。此过程生成一系列策略结果,以数据文件形式存储,供后续步骤使用。这些结果不仅揭示了不同情境下最优的行动策略,还为管理层提供了决策依据,使得施工过程更加高效和可控。
在S2步骤中,基于S1生成的利益关联者策略,采用马尔可夫链模型分析历史施工数据中的状态转换,数据格式为时间序列,记录了施工过程中的各种状态和事件。马尔可夫链模型通过计算不同状态之间的转换频率和条件概率,来预测未来的状态变化。利用条件随机场算法,该系统对各种风险因素进行建模,通过历史数据中风险发生的频率和条件,预测未来施工中出现的风险事件及其影响,生成风险预测与分析模型,该模型以算法参数、状态转换矩阵及预测结果的形式存储,通过此模型,施工管理者能够提前识别和评估潜在风险,从而采取预防措施,减少意外发生的性,保证施工安全和进度。
在S3步骤中,系统通过模糊逻辑方法处理风险预测与分析模型中的不确定性信息,此步骤涉及构建模糊规则和隶属函数,以处理风险因素的模糊性和不确定性。数据格式包括风险因素的描述性数据及其性评分,利用模糊推理,系统对风险因素进行细致的评估和分类,生成风险等级。这个过程不仅包括算法对风险因素的量化评分,还包括对风险因素的分类和排序,生成的风险评估决策支持模型,为决策者提供了一种在有限信息条件下进行风险管理的工具,这有助于制定更加有效的风险应对策略,确保施工安全。
在S4步骤中,系统采用深度学习算法,特别是卷积神经网络(CNN),来分析施工现场的视频和图像数据,数据以视频流和图像集的形式呈现,涵盖施工现场的各种情况。设计的CNN架构特别针对施工场景的特点,能够自动识别和分类不同类型的质量缺陷。通过深度学习算法训练模型,使其能够在处理新的数据时自动检测和识别施工质量问题。生成的质量监控分析模型,能够实时监控施工质量,及时发现问题,以供进一步的改进和调整,这不仅提高了施工质量,也降低了返工和维修的成本。
在S5步骤中,通过熵理论方法计算施工过程中的熵值以评价施工流程的有序性和效率,该过程采用的数据格式为施工过程中各资源使用量、时间日志和工作完成状态的数值数据集,涵盖了人力、物料、设备资源的动态分配与消耗信息。熵值的计算基于信息熵公式,对施工过程中资源状态的分布进行量化分析,从而评估施工过程的随机性和无序度。具体执行过程涉及收集施工现场数据,包括作业进度、资源消耗,然后根据熵理论,利用信息熵公式计算每个阶段或环节的熵值。该公式考虑了资源分配的多样性和作业过程的复杂度,通过计算各环节资源配置的信息熵值,分析其分布的均匀度与有序性。此方法能够量化施工过程的效率和流程管理的有效性,进而辅助优化施工流程和资源分配策略,效果体现在通过熵值分析得出的施工效率与资源评估结果,这些结果为资源配置和流程管理提供了量化的评估基准,辅助决策者优化施工流程,实现资源的高效利用,生成的文件包括施工过程熵值分析报告和资源配置优化建议。
在S6步骤中,基于施工效率与资源评估结果,采用贝叶斯优化策略对施工资源调度进行概率建模和优化,数据格式转化为施工资源配置与效率相关的参数和结果数据,包括人力分配、物料消耗、施工时间与施工效率直接相关的指标。通过构建贝叶斯优化框架,使用高斯过程回归分析资源配置与施工效率间的关系,高斯过程作为一种非参数化的机器学习方法,能够模拟出资源配置与施工效率之间的复杂非线性关系。具体实现过程包括定义一个先验分布,以表达对资源配置与施工效率关系的初步假设;然后通过实际施工数据更新该分布,获得反映真实世界情况的后验分布。该优化策略不仅考虑了预测模型的准确性,还考虑了预测的不确定性,为资源分配决策提供了基于概率的优化路径。效果为生成资源调度优化方案,该方案优化了人力和物料的使用,提高了施工效率,文件包括资源调度的贝叶斯优化模型和优化后的资源分配方案。
在S7步骤中,使用集成学习技术优化公路施工项目管理,结合资源调度方案和施工效率分析结果,数据包括施工效率评估、资源调度方案以及工期、成本和质量数据。通过选取适合的集成算法,如随机森林或梯度提升机,整合不同模型结果,创建多方面考虑的管理决策框架,该框架全面优化资源、效率和成本控制,生成详细的综合管理框架描述和指南,为项目提供全面优化方案。
具体而言,如图2所示,基于历史施工数据,采用博弈论分析方法,通过构建利益关联者的偏好和策略模型,使用Nash均衡分析定量评估最优策略,结合实时施工条件和出现的风险,分析参与方在差异化情境下的最优响应策略,并分析潜在的合作与竞争关系,生成利益关联者策略的步骤,还包括:
S101:基于历史施工数据,采用主成分分析算法,通过计算数据集的协方差矩阵,提取关键主成分降低数据维度,保留数据集中的变异信息,进行数据处理和降维,生成历史施工数据集;
S102:基于历史施工数据集,采用多属性决策分析方法,通过综合评估利益关联者的偏好指标,运用加权和排序技术,对偏好进行量化评价,构建偏好模型,生成利益关联者偏好量化模型;
S103:基于利益关联者偏好量化模型,采用非合作博弈理论,通过建立策略集合和支付函数,运用数学优化和模拟搜索技术,分析参与者在差异化策略下的收益,捕捉纳什均衡点,识别策略组合,生成策略组合分析数据;
S104:基于策略组合分析数据,采用多场景模拟,通过构建差异化的施工和风险情境,运用概率统计和随机过程模拟技术,评估策略在多种环境下的表现,识别适应性策略,生成利益关联者策略。
在S101子步骤中,使用主成分分析(PCA)处理历史施工数据,如施工时间、成本、工程量,PCA通过计算协方差矩阵和特征值分解提取主要成分,降低数据维度同时保留关键信息。结果是降维后的数据集,减少数据处理复杂性,加快后续步骤处理速度,提高模型分析准确性。
在S102子步骤中,基于降维数据,采用多属性决策分析方法对利益关联者偏好进行量化评价,通过加权和排序技术,结合不同偏好指标如成本效益、时间效率,形成包含多个评分的偏好量化模型,为策略分析提供量化决策基础。
在S103子步骤中,运用非合作博弈理论分析偏好量化模型,构建策略集合和支付函数,运用数学优化分析不同策略组合下的潜在收益,寻找纳什均衡点,结果揭示各参与方的最优策略,理解行为动机和潜在冲突,为合作策略制定提供数据支持。
在S104子步骤中,基于策略分析数据,采用多场景模拟技术评估策略在不同环境下的表现,利用概率统计和随机过程模拟各场景下策略效果,生成的策略提供灵活的决策支持,帮助管理者适应不确定性环境。
具体而言,如图3所示,基于利益关联者策略,采用马尔可夫链模型,通过分析历史施工数据中的状态转换频率和条件概率,使用条件随机场对风险因素进行建模,预测未来施工过程中的风险事件和影响,生成风险预测与分析模型的步骤,还包括:
S201:基于利益关联者策略,采用聚类分析方法,通过计算数据点间的匹配度,将数据点分组为差异化的状态类别,识别施工过程中的关键状态,构建状态空间,生成施工状态空间模型;
S202:基于施工状态空间模型,采用似然估计方法,通过统计状态转换出现频率和基于条件的概率,运用概率论原理和数学建模技术,构建状态转换概率矩阵,生成初步马尔可夫链模型;
S203:基于初步马尔可夫链模型,采用条件随机场技术,通过建立状态与观测序列间的条件依赖关系,运用图模型和信息熵优化原理,对风险因素进行建模和分析,生成风险因素条件模型;
S204:基于风险因素条件模型,采用时间序列分析方法,通过分析历史数据中的时间依赖性和周期性模式,运用自回归和滑动平均模型技术,预测未来施工过程中的风险事件和潜在影响,生成风险预测与分析模型。
在S201子步骤中,通过聚类分析方法对施工状态数据进行处理,将数据点根据匹配度分组,识别关键状态并构建施工状态空间模型。使用的数据包括施工进度、资源消耗等多维度信息。运用K-means或层次聚类算法,通过迭代优化聚类中心,有效归纳和分类施工状态,如资源短缺、安全隐患等,生成模型以图形或表格形式展示施工状态及其转换关系。
在S202子步骤中,利用似然估计方法和施工状态空间模型构建状态转换概率矩阵,并生成初步马尔可夫链模型。此模型通过分析历史数据中状态转换频率和条件概率,创建概率模型描述状态间转换,生成的马尔可夫链模型预测未来施工状态,辅助资源调配和风险管理。
在S203子步骤中,通过条件随机场技术对风险因素进行建模和分析,生成风险因素条件模型。这种图模型建立状态与观测序列间的条件依赖关系,运用最大熵原理估计模型参数,准确预测状态转换和风险发生条件,为施工风险管理提供动态分析工具。
在S204子步骤中,运用时间序列分析方法,基于风险因素条件模型预测未来风险事件和潜在影响,生成风险预测与分析模型。利用自回归(AR)和滑动平均(MA)模型分析时间序列数据特性,预测未来风险,为施工计划和风险预防策略制定提供科学依据。
具体而言,如图4所示,基于风险预测与分析模型,采用模糊逻辑方法,通过构造模糊规则和隶属函数处理不确定性信息,使用模糊推理对风险因素进行评估和分类,辅助决策者在有限信息条件进行风险决策管理,生成风险评估决策支持模型的步骤,还包括:
S301:基于风险预测与分析模型,采用模糊集合理论,对风险因素进行模糊化表示,使用模糊C均值算法对风险因素进行分类,通过计算风险因素与类中心间的距离,确定其隶属度,并进行迭代优化直到满足终止条件,生成风险因素模糊分类模型;
S302:基于风险因素模糊分类模型,采用模糊逻辑推理,对风险因素间的逻辑关系进行分析,使用Mamdani方法构建模糊规则基,通过模糊推理机制对风险因素进行合成和推断,评估其潜在影响,生成风险逻辑关系模型;
S303:基于风险逻辑关系模型,采用决策树算法,对风险因素进行影响程度评估,使用C4.5算法构建决策树,通过计算信息增益比选择最优属性分割数据集,递归构建树结构直至满足停止条件,生成风险影响评估模型;
S304:基于风险影响评估模型,采用案例推理技术,结合专家知识和模糊逻辑,构建基于规则的推理机制,通过案例推理技术对历史案例进行匹配和推理,为决策提供支持,生成风险评估决策支持模型。
在S301子步骤中,使用模糊集合理论和模糊C均值算法对风险因素进行模糊分类,通过初始化类中心,计算风险因素与类中心的距离并确定隶属度,然后迭代优化类中心位置,直到满足终止条件,如类中心变化量低于阈值,结果是风险因素模糊分类模型,将风险因素划分为不同类别,提供细分的风险理解和管理方法。
在S302子步骤中,基于模糊分类模型,采用模糊逻辑推理和Mamdani方法分析风险因素间逻辑关系,构建基于专家知识和历史数据的模糊规则基,应用模糊推理机制评估风险因素及其相互作用,生成风险逻辑关系模型,提供操作性强的风险关系框架。
在S303子步骤中,基于逻辑关系模型,使用决策树算法和C4.5算法对风险因素影响进行评估,通过计算信息增益比选择最优属性,递归构建树结构直至满足停止条件。结果是风险影响评估模型,以树形展示风险因素层次结构,快速识别关键风险因素。
在S304子步骤中,基于影响评估模型,结合案例推理技术、专家知识和模糊逻辑构建决策支持模型,通过匹配历史案例和应用模糊逻辑推理机制,为决策提供基于历史经验和系统分析的支持,助力有效风险管理和应对策略制定。
具体而言,如图5所示,基于风险评估决策支持模型,采用深度学习算法,通过设计适用于施工现场图像特征的卷积神经网络架构,识别差异化类型的质量缺陷,并进行施工现场的视频和图像数据分析,自动检测和识别施工质量问题,生成质量监控分析模型的步骤,还包括:
S401:基于风险评估决策支持模型,采用图像处理算法,对施工现场的视频和图像数据进行特征提取,使用高斯滤波算法去除噪声并提升图像质量,通过边缘检测算法提取图像中施工质量关联的关键特征,生成图像特征数据集;
S402:基于图像特征数据集,采用卷积神经网络,设计适用于施工现场特征的网络架构,通过LeNet-5结构对图像进行特征学习,利用AlexNet和ResNet架构优化特征提取和分类能力,进行深度学习训练,生成卷积神经网络质量监控模型;
S403:基于卷积神经网络质量监控模型,采用图像识别算法,自动检测和识别施工现场的质量缺陷,通过基于特征的匹配算法定位缺陷位置,结合深度学习图像分类技术对缺陷类型进行分类和识别,生成质量缺陷自动识别模型;
S404:基于质量缺陷自动识别模型,采用数据聚类和分析方法,综合分析施工质量问题,使用K均值聚类算法对缺陷数据进行分类,应用主成分分析技术提取关键缺陷特征,并为质量改进提供依据,生成质量监控分析模型。
在S401子步骤中,使用图像处理算法对施工现场的JPEG、PNG图像和MP4、AVI视频进行特征提取,应用高斯滤波算法预处理图像,消除噪声,提高图像质量,采用Canny边缘检测算法提取图像特征,突出施工现场的关键信息,如结构边缘和材料轮廓,为施工质量自动监控提供了基础数据。
在S402子步骤中,设计适用于施工现场的卷积神经网络(CNN)架构,以图像特征数据集为输入进行深度学习训练,结合LeNet-5、AlexNet和ResNet等架构,提取图像基本特征并优化特征识别能力,形成专门针对施工现场的CNN网络,生成能高效识别施工质量问题的监控模型。
在S403子步骤中,基于CNN质量监控模型,利用图像识别算法自动检测和识别施工现场的质量缺陷,利用最近邻匹配算法定位缺陷,并结合深度学习图像分类技术进行精确识别,生成的模型能够自动检测并识别施工现场的各种质量问题。
在S404子步骤中,基于自动识别模型,应用K均值聚类算法和主成分分析(PCA)对施工质量问题进行综合分析,K均值聚类归纳相似质量问题,PCA降维处理提取关键特征。这些方法生成的分析模型为质量改进提供了科学依据。
具体而言,如图6所示,基于质量监控分析模型,采用熵理论方法,通过计算施工过程中的熵值评价施工过程的有序性和效率,使用熵值计算分析对资源配置和流程管理的有效性进行量化分析,辅助优化施工流程和资源分配策略,生成施工效率与资源评估结果的步骤,还包括:
S501:基于质量监控分析模型,采用香农熵理论,通过计算施工过程中环节的信息熵,评估信息的不确定性和混乱程度,对施工流程中的信息流进行量化,揭示施工过程的有序性和效率,生成施工过程熵值分析结果;
S502:基于施工过程熵值分析结果,采用灰色关联分析法,通过构建施工环节与资源配置间的灰色关联度模型,计算环节熵值与资源配置的关联度,评估资源配置对施工过程的影响,生成资源配置关联度分析结果;
S503:基于资源配置关联度分析结果,采用动态反馈模型,构建施工流程和资源配置的动态模拟模型,通过模拟差异化资源配置方案对施工进度的影响,评估资源配置的动态效果,生成资源配置动态影响模拟框架;
S504:基于资源配置动态影响模拟框架,采用多目标遗传算法,对施工流程和资源分配进行优化搜索,通过模拟自然选择和遗传机制,捕捉资源配置组合和流程安排,生成施工效率与资源评估结果。
在S501子步骤中,使用香农熵理论评估施工过程中信息的不确定性和混乱程度,收集施工过程中的时间序列和分类数据,如材料使用、人力资源分配、工作进度,计算各环节的信息熵以量化信息流的不确定性。分析信息熵揭示施工过程的有序性和效率,识别过程中的瓶颈和低效环节。
在S502子步骤中,基于熵值分析,采用灰色关联分析法评估资源配置对施工过程的影响,构建资源配置与施工环节间的关联度模型,计算熵值与资源配置之间的关联度,揭示资源配置对施工效率的具体影响,有助于优化资源配置。
在S503子步骤中,基于关联度分析结果,使用动态反馈模型模拟资源配置对施工进度的影响,构建施工流程和资源配置的动态模拟模型,评估不同资源配置方案的效果,提供一种评估和优化资源配置的工具。
在S504子步骤中,基于动态影响模拟结果,运用多目标遗传算法优化施工流程和资源分配。定义适应度函数,评估资源配置组合的效率,通过遗传操作不断迭代优化,实现施工流程的系统化优化和资源的最佳分配。
具体而言,如图7所示,基于施工效率与资源评估结果,采用贝叶斯优化策略,通过构建施工资源调度的概率模型,使用高斯过程回归分析资源配置与施工效率间的关系,基于预测模型和不确定性的考量,指导资源分配决策,优化人力和物料的使用,生成资源调度优化方案的步骤,还包括:
S601:基于施工效率与资源评估结果,采用贝叶斯网络,构建施工资源调度的概率模型,通过分析资源配置与施工效率的概率关系,预测差异化资源配置方案的效率,生成资源调度概率模型;
S602:基于资源调度概率模型,采用高斯过程回归,对资源配置与施工效率的关系进行分析,通过构建高斯过程模型,预测差异化资源配置对施工效率的影响,生成资源配置效率关系分析结果;
S603:基于资源配置效率关系分析结果,采用线性规划,进行资源分配决策的优化计算,通过设置目标函数和约束条件,寻求在给定资源限制下施工效率的最优解,生成资源分配决策优化;
S604:基于资源分配决策优化,采用贝叶斯优化算法,迭代优化人力和物料的配置,通过迭代搜索全局资源配置组合,提升施工效率和降低成本,生成资源调度优化方案。
在S601子步骤中,构建基于贝叶斯网络的施工资源调度概率模型,目的是分析并预测资源配置与施工效率之间的概率关系,此模型使用结构化数据,如资源类型、数量和施工任务详情,贝叶斯网络通过节点表示资源和效率,边表示依赖关系。网络结构确定后,利用历史数据计算每个节点的条件概率表,从而预测施工效率,该模型为决策者提供不同资源配置效率的预测。
在S602子步骤中,利用高斯过程回归(GPR)分析资源配置与施工效率的关系,GPR作为非参数化机器学习方法,适合处理复杂数据。模型以资源配置为输入,施工效率为输出,通过核函数和训练数据学习模型参数,提供预测值及其不确定性。该步骤生成的分析结果详细说明资源配置对效率的影响及置信度。
在S603子步骤中,基于前述分析结果,采用线性规划优化资源分配决策,线性规划在给定约束条件下,追求施工效率最大化或成本最小化。模型计算出最优资源分配方案,提供具体的资源配置建议。
在S604子步骤中,基于线性规划结果,使用贝叶斯优化算法进行人力和物料配置的迭代优化。贝叶斯优化通过概率模型和获取函数,迭代搜索最优资源配置组合,平衡探索与利用。每次迭代更新模型,逐步接近最优解,优化方案为施工项目提供最佳资源配置,实现效率最大化和成本最小化。
具体而言,如图8所示,基于资源调度优化方案,采用集成学习技术,通过分析模型的输出结果,使用多层次决策框架将分析模型和优化方案集成为统一的管理框架,并进行公路施工项目的优化,生成综合优化管理框架的步骤,还包括:
S701:基于资源调度优化方案,采用关联规则挖掘,分析模型的输出结果,通过挖掘施工数据中的关联规则,提取对施工管理决策有价值的信息,生成关键信息挖掘结果;
S702:基于关键信息挖掘结果,采用人工神经网络,对施工项目的多层次数据进行分析,通过模拟人脑神经网络的处理方式,综合评价施工项目的关键指标,生成项目性能综合评估结果;
S703:基于项目性能综合评估结果,采用非线性规划,对施工流程和资源配置进行再次优化,通过解决非线性的优化问题,调整资源分配和流程安排,提升施工效率和质量,生成资源配置优化方案;
S704:基于资源配置优化方案,采用集成学习算法,将差异化的分析模型和优化方案集成到统一的管理框架中,通过结合多种学习算法的优势,优化公路施工项目的整体管理,生成综合优化管理框架。
在S701子步骤中,通过关联规则挖掘技术分析施工管理数据,如进度、资源使用、成本控制,使用Apriori算法从数据库中的事务记录中挖掘数据项间的关联性,计算支持度和置信度以发现强关联规则,提取对管理决策有价值的信息,如资源配置与施工效率的关系,为施工管理提供数据驱动的洞察。
在S702子步骤中,基于挖掘结果,利用人工神经网络对施工项目的多层次数据进行综合评价,设计一个多层网络,输入层接收关键数据,通过隐藏层处理,输出层生成项目性能的综合评估,过程综合考虑了项目的各项指标及其相互作用,为项目管理提供全面评估。
在S703子步骤中,基于性能评估结果,运用非线性规划方法优化施工流程和资源配置。通过定义非线性目标函数和使用优化算法(如梯度下降法),寻找最优资源分配和流程安排,提升施工效率和质量。
在S704子步骤中,基于优化方案,使用集成学习算法将不同模型和方案集成到统一的管理框架中,结合多种学习算法如随机森林、梯度提升机,生成综合优化管理框架,为公路施工项目的整体管理提供全面、灵活的工具。
具体而言,如图9所示,一种基于大数据的公路施工优化系统,系统包括利益关联者策略分析模块、风险预测建模模块、风险评估决策支持模块、质量监控分析模块、施工效率评估模块、资源调度优化模块、综合优化管理模块、资源分配与流程优化模块;
利益关联者策略分析模块基于历史施工数据,采用决策分析树对数据进行层级化分析,识别关键决策点,应用多标准决策分析方法对利益关联者的偏好进行量化评分,综合参照多个评价指标,进行策略优先级排序,生成利益关联者策略决策分析结果;
风险预测建模模块基于利益关联者策略决策分析结果,采用动态贝叶斯网络分析历史数据中的变量关联性,构建变量间的概率关系模型,通过时间序列分析预测风险事件的发生概率和趋势,生成风险事件预测模型;
风险评估决策支持模块基于风险事件预测模型,采用代理模型方法模拟风险因素与工程进度的交互影响,通过场景模拟评估差异化风险因素对工程的影响,为风险管理提供决策支持,生成风险评估决策框架;
质量监控分析模块基于风险评估决策框架,采用图像处理技术提取施工现场图像的关键特征,运用模式识别技术识别质量缺陷模式,通过比对历史数据和实时监控数据,进行质量问题的自动检测和诊断,生成质量监控诊断结果;
施工效率评估模块基于质量监控诊断结果,采用线性规划对施工流程中的资源分配和时间安排进行优化,运用网络分析法识别并优化施工流程中的关键路径和瓶颈环节,通过模型优化进行施工流程的效率提升,生成施工流程效率评估结果;
资源调度优化模块基于施工流程效率评估结果,采用线性编程对资源配置进行量化优化,运用模拟退火算法对优化结果进行迭代寻优,捕捉成本最优的资源配置方案,通过算法优化进行资源的合理分配和调度,生成资源优化配置方案;
综合优化管理模块基于资源优化配置方案,采用决策支持整合环节数据,运用知识管理工具挖掘数据中的管理洞察,通过数据整合和知识提炼进行施工项目的管理和优化,生成综合施工管理策略;
资源分配与流程优化模块基于综合施工管理策略,采用动态规划优化资源分配方案,采用优化算法细化流程管理措施,通过算法驱动的流程和资源优化进行施工项目的执行,生成最终施工优化执行计划。
在利益关联者策略分析模块中,利用决策分析树对施工数据进行层级化分析,识别关键决策点,数据包括成本、时间线、资源分配等,使用多标准决策分析(MCDA)方法,如层次分析法(AHP)和技术评价标准(TEC),量化评估利益关联者偏好,结果是一份详细报告,列出策略优先级和推荐执行方案,为项目管理提供量化决策支持。
在风险预测建模模块中,基于决策分析结果,使用动态贝叶斯网络分析历史数据中的风险因素关联性,数据包括风险事件记录、影响因素和时间戳,模型预测风险事件的概率和趋势,生成风险事件预测报告,为风险管理提供预警信息。
在风险评估决策支持模块中,基于风险预测模型,使用代理模型模拟风险因素与工程进度的影响,数据包括风险预测输出和工程进度计划,模拟不同风险场景对工程的影响,生成风险评估决策框架,包括评估报告和决策支持工具,帮助评估风险管理策略。
在质量监控分析模块中,基于风险评估框架,使用图像处理技术分析施工现场图像,数据包括实时监控图像和历史质量缺陷记录,技术如边缘检测、特征匹配识别质量缺陷,生成质量监控诊断报告,实时指出质量问题。
在施工效率评估模块中,使用线性规划方法优化施工流程和资源分配,数据包括工作量、资源可用性、时间限制,模型旨在最大化施工效率,识别关键路径和瓶颈,生成效率评估结果,提供优化建议。
在资源调度优化模块中,基于效率评估结果,使用线性编程对资源配置进行量化优化,定义成本、时间和资源使用的线性目标函数,采用模拟退火算法迭代优化,生成资源配置方案,实现成本效益最大化。
在综合优化管理模块中,基于资源配置方案,利用决策支持系统整合项目数据,使用数据仓库和数据挖掘技术,提炼管理洞察,生成综合施工管理策略,考虑资源配置、风险和机会,提高项目管理效果。
在资源分配与流程优化模块中,基于综合管理策略,运用动态规划方法优化资源分配,定义多阶段决策问题,算法考虑前一阶段决策,优化当前资源分配,生成详细的施工执行计划,确保项目顺利完成。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种基于大数据的公路施工优化方法,其特征在于,所述方法包括:
基于历史施工数据,采用博弈论分析方法,通过构建利益关联者的偏好和策略模型,使用Nash均衡分析定量评估最优策略,结合实时施工条件和出现的风险,分析参与方在差异化情境下的最优响应策略,并分析潜在的合作与竞争关系,生成利益关联者策略;
基于所述利益关联者策略,采用马尔可夫链模型,通过分析历史施工数据中的状态转换频率和条件概率,使用条件随机场对风险因素进行建模,预测未来施工过程中的风险事件和影响,生成风险预测与分析模型;
基于所述风险预测与分析模型,采用模糊逻辑方法,通过构造模糊规则和隶属函数处理不确定性信息,使用模糊推理对风险因素进行评估和分类,辅助决策者在有限信息条件进行风险决策管理,生成风险评估决策支持模型;
基于所述风险评估决策支持模型,采用深度学习算法,通过设计适用于施工现场图像特征的卷积神经网络架构,识别差异化类型的质量缺陷,并进行施工现场的视频和图像数据分析,自动检测和识别施工质量问题,生成质量监控分析模型;
基于所述质量监控分析模型,采用熵理论方法,通过计算施工过程中的熵值评价施工过程的有序性和效率,使用熵值计算分析对资源配置和流程管理的有效性进行量化分析,辅助优化施工流程和资源分配策略,生成施工效率与资源评估结果;
基于所述施工效率与资源评估结果,采用贝叶斯优化策略,通过构建施工资源调度的概率模型,使用高斯过程回归分析资源配置与施工效率间的关系,基于预测模型和不确定性的考量,指导资源分配决策,优化人力和物料的使用,生成资源调度优化方案;
基于所述资源调度优化方案,采用集成学习技术,通过分析模型的输出结果,使用多层次决策框架将分析模型和优化方案集成为统一的管理框架,并进行公路施工项目的优化,生成综合优化管理框架。
2.根据权利要求1所述的基于大数据的公路施工优化方法,其特征在于,所述利益关联者策略包括策略选择、反应模式和在差异化施工阶段采取的行为模式,所述风险预测与分析模型包括潜在风险的识别、风险发生的条件概率和对施工进度和质量产生的影响评估,所述风险评估决策支持模型包括风险等级的分类、风险因素的权重分配和基于不确定性信息的决策方案,所述质量监控分析模型包括识别的质量缺陷类型、缺陷发生的频率和质量问题的空间分布情况,所述施工效率与资源评估结果包括施工过程的有序性评分、资源使用的优化程度和潜在的效率提升点,所述资源调度优化方案包括人力资源和物料资源的最优分配方案、调度策略的调整方案、预期的效率提升效果,所述综合优化管理框架包括策略制定、风险管理、质量控制和资源调度的综合优化措施、针对公路施工项目优化的实施路径和预期成效。
3.根据权利要求1所述的基于大数据的公路施工优化方法,其特征在于,基于历史施工数据,采用博弈论分析方法,通过构建利益关联者的偏好和策略模型,使用Nash均衡分析定量评估最优策略,结合实时施工条件和出现的风险,分析参与方在差异化情境下的最优响应策略,并分析潜在的合作与竞争关系,生成利益关联者策略的步骤,还包括:
基于历史施工数据,采用主成分分析算法,通过计算数据集的协方差矩阵,提取关键主成分降低数据维度,保留数据集中的变异信息,进行数据处理和降维,生成历史施工数据集;
基于所述历史施工数据集,采用多属性决策分析方法,通过综合评估利益关联者的偏好指标,运用加权和排序技术,对偏好进行量化评价,构建偏好模型,生成利益关联者偏好量化模型;
基于所述利益关联者偏好量化模型,采用非合作博弈理论,通过建立策略集合和支付函数,运用数学优化和模拟搜索技术,分析参与者在差异化策略下的收益,捕捉纳什均衡点,识别策略组合,生成策略组合分析数据;
基于所述策略组合分析数据,采用多场景模拟,通过构建差异化的施工和风险情境,运用概率统计和随机过程模拟技术,评估策略在多种环境下的表现,识别适应性策略,生成利益关联者策略。
4.根据权利要求1所述的基于大数据的公路施工优化方法,其特征在于,基于所述利益关联者策略,采用马尔可夫链模型,通过分析历史施工数据中的状态转换频率和条件概率,使用条件随机场对风险因素进行建模,预测未来施工过程中的风险事件和影响,生成风险预测与分析模型的步骤,还包括:
基于所述利益关联者策略,采用聚类分析方法,通过计算数据点间的匹配度,将数据点分组为差异化的状态类别,识别施工过程中的关键状态,构建状态空间,生成施工状态空间模型;
基于所述施工状态空间模型,采用似然估计方法,通过统计状态转换出现频率和基于条件的概率,运用概率论原理和数学建模技术,构建状态转换概率矩阵,生成初步马尔可夫链模型;
基于所述初步马尔可夫链模型,采用条件随机场技术,通过建立状态与观测序列间的条件依赖关系,运用图模型和信息熵优化原理,对风险因素进行建模和分析,生成风险因素条件模型;
基于所述风险因素条件模型,采用时间序列分析方法,通过分析历史数据中的时间依赖性和周期性模式,运用自回归和滑动平均模型技术,预测未来施工过程中的风险事件和潜在影响,生成风险预测与分析模型。
5.根据权利要求1所述的基于大数据的公路施工优化方法,其特征在于,基于所述风险预测与分析模型,采用模糊逻辑方法,通过构造模糊规则和隶属函数处理不确定性信息,使用模糊推理对风险因素进行评估和分类,辅助决策者在有限信息条件进行风险决策管理,生成风险评估决策支持模型的步骤,还包括:
基于所述风险预测与分析模型,采用模糊集合理论,对风险因素进行模糊化表示,使用模糊C均值算法对风险因素进行分类,通过计算风险因素与类中心间的距离,确定其隶属度,并进行迭代优化直到满足终止条件,生成风险因素模糊分类模型;
基于所述风险因素模糊分类模型,采用模糊逻辑推理,对风险因素间的逻辑关系进行分析,使用Mamdani方法构建模糊规则基,通过模糊推理机制对风险因素进行合成和推断,评估其潜在影响,生成风险逻辑关系模型;
基于所述风险逻辑关系模型,采用决策树算法,对风险因素进行影响程度评估,使用C4.5算法构建决策树,通过计算信息增益比选择最优属性分割数据集,递归构建树结构直至满足停止条件,生成风险影响评估模型;
基于所述风险影响评估模型,采用案例推理技术,结合专家知识和模糊逻辑,构建基于规则的推理机制,通过案例推理技术对历史案例进行匹配和推理,为决策提供支持,生成风险评估决策支持模型。
6.根据权利要求1所述的基于大数据的公路施工优化方法,其特征在于,基于所述风险评估决策支持模型,采用深度学习算法,通过设计适用于施工现场图像特征的卷积神经网络架构,识别差异化类型的质量缺陷,并进行施工现场的视频和图像数据分析,自动检测和识别施工质量问题,生成质量监控分析模型的步骤,还包括:
基于所述风险评估决策支持模型,采用图像处理算法,对施工现场的视频和图像数据进行特征提取,使用高斯滤波算法去除噪声并提升图像质量,通过边缘检测算法提取图像中施工质量关联的关键特征,生成图像特征数据集;
基于所述图像特征数据集,采用卷积神经网络,设计适用于施工现场特征的网络架构,通过LeNet-5结构对图像进行特征学习,利用AlexNet和ResNet架构优化特征提取和分类能力,进行深度学习训练,生成卷积神经网络质量监控模型;
基于所述卷积神经网络质量监控模型,采用图像识别算法,自动检测和识别施工现场的质量缺陷,通过基于特征的匹配算法定位缺陷位置,结合深度学习图像分类技术对缺陷类型进行分类和识别,生成质量缺陷自动识别模型;
基于所述质量缺陷自动识别模型,采用数据聚类和分析方法,综合分析施工质量问题,使用K均值聚类算法对缺陷数据进行分类,应用主成分分析技术提取关键缺陷特征,并为质量改进提供依据,生成质量监控分析模型。
7.根据权利要求1所述的基于大数据的公路施工优化方法,其特征在于,基于所述质量监控分析模型,采用熵理论方法,通过计算施工过程中的熵值评价施工过程的有序性和效率,使用熵值计算分析对资源配置和流程管理的有效性进行量化分析,辅助优化施工流程和资源分配策略,生成施工效率与资源评估结果的步骤,还包括:
基于所述质量监控分析模型,采用香农熵理论,通过计算施工过程中环节的信息熵,评估信息的不确定性和混乱程度,对施工流程中的信息流进行量化,揭示施工过程的有序性和效率,生成施工过程熵值分析结果;
基于所述施工过程熵值分析结果,采用灰色关联分析法,通过构建施工环节与资源配置间的灰色关联度模型,计算环节熵值与资源配置的关联度,评估资源配置对施工过程的影响,生成资源配置关联度分析结果;
基于所述资源配置关联度分析结果,采用动态反馈模型,构建施工流程和资源配置的动态模拟模型,通过模拟差异化资源配置方案对施工进度的影响,评估资源配置的动态效果,生成资源配置动态影响模拟框架;
基于所述资源配置动态影响模拟框架,采用多目标遗传算法,对施工流程和资源分配进行优化搜索,通过模拟自然选择和遗传机制,捕捉资源配置组合和流程安排,生成施工效率与资源评估结果。
8.根据权利要求1所述的基于大数据的公路施工优化方法,其特征在于,基于所述施工效率与资源评估结果,采用贝叶斯优化策略,通过构建施工资源调度的概率模型,使用高斯过程回归分析资源配置与施工效率间的关系,基于预测模型和不确定性的考量,指导资源分配决策,优化人力和物料的使用,生成资源调度优化方案的步骤,还包括:
基于所述施工效率与资源评估结果,采用贝叶斯网络,构建施工资源调度的概率模型,通过分析资源配置与施工效率的概率关系,预测差异化资源配置方案的效率,生成资源调度概率模型;
基于所述资源调度概率模型,采用高斯过程回归,对资源配置与施工效率的关系进行分析,通过构建高斯过程模型,预测差异化资源配置对施工效率的影响,生成资源配置效率关系分析结果;
基于所述资源配置效率关系分析结果,采用线性规划,进行资源分配决策的优化计算,通过设置目标函数和约束条件,寻求在给定资源限制下施工效率的最优解,生成资源分配决策优化;
基于所述资源分配决策优化,采用贝叶斯优化算法,迭代优化人力和物料的配置,通过迭代搜索全局资源配置组合,提升施工效率和降低成本,生成资源调度优化方案。
9.根据权利要求1所述的基于大数据的公路施工优化方法,其特征在于,基于所述资源调度优化方案,采用集成学习技术,通过分析模型的输出结果,使用多层次决策框架将分析模型和优化方案集成为统一的管理框架,并进行公路施工项目的优化,生成综合优化管理框架的步骤,还包括:
基于所述资源调度优化方案,采用关联规则挖掘,分析模型的输出结果,通过挖掘施工数据中的关联规则,提取对施工管理决策有价值的信息,生成关键信息挖掘结果;
基于所述关键信息挖掘结果,采用人工神经网络,对施工项目的多层次数据进行分析,通过模拟人脑神经网络的处理方式,综合评价施工项目的关键指标,生成项目性能综合评估结果;
基于所述项目性能综合评估结果,采用非线性规划,对施工流程和资源配置进行再次优化,通过解决非线性的优化问题,调整资源分配和流程安排,提升施工效率和质量,生成资源配置优化方案;
基于所述资源配置优化方案,采用集成学习算法,将差异化的分析模型和优化方案集成到统一的管理框架中,通过结合多种学习算法的优势,优化公路施工项目的整体管理,生成综合优化管理框架。
10.一种基于大数据的公路施工优化系统,其特征在于,根据权利要求1-9任一项所述的一种基于大数据的公路施工优化方法执行,所述系统包括利益关联者策略分析模块、风险预测建模模块、风险评估决策支持模块、质量监控分析模块、施工效率评估模块、资源调度优化模块、综合优化管理模块、资源分配与流程优化模块;
所述利益关联者策略分析模块基于历史施工数据,采用决策分析树对数据进行层级化分析,识别关键决策点,应用多标准决策分析方法对利益关联者的偏好进行量化评分,综合参照多个评价指标,进行策略优先级排序,生成利益关联者策略决策分析结果;
所述风险预测建模模块基于利益关联者策略决策分析结果,采用动态贝叶斯网络分析历史数据中的变量关联性,构建变量间的概率关系模型,通过时间序列分析预测风险事件的发生概率和趋势,生成风险事件预测模型;
所述风险评估决策支持模块基于风险事件预测模型,采用代理模型方法模拟风险因素与工程进度的交互影响,通过场景模拟评估差异化风险因素对工程的影响,为风险管理提供决策支持,生成风险评估决策框架;
所述质量监控分析模块基于风险评估决策框架,采用图像处理技术提取施工现场图像的关键特征,运用模式识别技术识别质量缺陷模式,通过比对历史数据和实时监控数据,进行质量问题的自动检测和诊断,生成质量监控诊断结果;
所述施工效率评估模块基于质量监控诊断结果,采用线性规划对施工流程中的资源分配和时间安排进行优化,运用网络分析法识别并优化施工流程中的关键路径和瓶颈环节,通过模型优化进行施工流程的效率提升,生成施工流程效率评估结果;
所述资源调度优化模块基于施工流程效率评估结果,采用线性编程对资源配置进行量化优化,运用模拟退火算法对优化结果进行迭代寻优,捕捉成本最优的资源配置方案,通过算法优化进行资源的合理分配和调度,生成资源优化配置方案;
所述综合优化管理模块基于资源优化配置方案,采用决策支持整合环节数据,运用知识管理工具挖掘数据中的管理洞察,通过数据整合和知识提炼进行施工项目的管理和优化,生成综合施工管理策略;
所述资源分配与流程优化模块基于综合施工管理策略,采用动态规划优化资源分配方案,采用优化算法细化流程管理措施,通过算法驱动的流程和资源优化进行施工项目的执行,生成最终施工优化执行计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161246.0A CN117710156A (zh) | 2024-02-05 | 2024-02-05 | 一种基于大数据的公路施工优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161246.0A CN117710156A (zh) | 2024-02-05 | 2024-02-05 | 一种基于大数据的公路施工优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117710156A true CN117710156A (zh) | 2024-03-15 |
Family
ID=90155656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410161246.0A Withdrawn CN117710156A (zh) | 2024-02-05 | 2024-02-05 | 一种基于大数据的公路施工优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710156A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117995371A (zh) * | 2024-04-02 | 2024-05-07 | 南通市第一老年病医院(上海大学附属南通医院、南通市第六人民医院、南通市肺科医院) | 一种基于物联网的医院药物资源管理方法及系统 |
CN118037014A (zh) * | 2024-04-12 | 2024-05-14 | 深圳市中航环海建设工程有限公司 | 基于物联网的道路施工监测系统 |
-
2024
- 2024-02-05 CN CN202410161246.0A patent/CN117710156A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117995371A (zh) * | 2024-04-02 | 2024-05-07 | 南通市第一老年病医院(上海大学附属南通医院、南通市第六人民医院、南通市肺科医院) | 一种基于物联网的医院药物资源管理方法及系统 |
CN118037014A (zh) * | 2024-04-12 | 2024-05-14 | 深圳市中航环海建设工程有限公司 | 基于物联网的道路施工监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369016B (zh) | 一种基于图像识别的现场运维方法及系统 | |
US7644053B2 (en) | System, method, and computer program product for combination of cognitive causal models with reasoning and text processing for knowledge driven decision support | |
Zhang et al. | A quantitative approach to design alternative evaluation based on data-driven performance prediction | |
EP1750221A1 (en) | System, method, and computer program to predict the likelihood, the extent, and the time of an event or change occurrence using a combination of cognitive causal models with reasoning and text processing for knowledge driven decision support | |
CN117710156A (zh) | 一种基于大数据的公路施工优化方法及系统 | |
CN117494292B (zh) | 一种基于bim和ai大模型的工程进度管理方法及系统 | |
CN115238197B (zh) | 一种基于专家思维模型的领域业务辅助分析方法 | |
Santhosh et al. | Generalized fuzzy logic based performance prediction in data mining | |
Martínez-Plumed et al. | CASP-DM: context aware standard process for data mining | |
CN117390499A (zh) | 一种应用于食品农药残留检测的多样品检测系统 | |
Pande et al. | Crime detection using data mining | |
CN114902239A (zh) | 深度学习模型的偏差检测和可解释性 | |
CN117407571B (zh) | 一种基于相关性分析的信息技术咨询服务方法及系统 | |
CN117669895A (zh) | 公路工程环境影响评估系统 | |
Mete et al. | Predicting semantic building information (BIM) with Recurrent Neural Networks | |
Prasidis et al. | Handling uncertainty in predictive business process monitoring with Bayesian networks | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN113835739B (zh) | 一种软件缺陷修复时间的智能化预测方法 | |
Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
Chang | Software risk modeling by clustering project metrics | |
CN111047011B (zh) | 一种基于机器学习模型的场景变量自动化深度挖掘引擎系统 | |
Kotsias et al. | Predictive and prescriptive business process monitoring with reinforcement learning | |
Pan et al. | Sequential design command prediction using BIM event logs | |
Tariq et al. | Time efficient end-state prediction through hybrid trace decomposition using process mining | |
Hinz et al. | Framework for customized, machine learning driven condition monitoring system for manufacturing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240315 |
|
WW01 | Invention patent application withdrawn after publication |