CN117909717A - 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 - Google Patents
一种基于深度学习和数据挖掘的工程量辅助验收结算方法 Download PDFInfo
- Publication number
- CN117909717A CN117909717A CN202410091321.0A CN202410091321A CN117909717A CN 117909717 A CN117909717 A CN 117909717A CN 202410091321 A CN202410091321 A CN 202410091321A CN 117909717 A CN117909717 A CN 117909717A
- Authority
- CN
- China
- Prior art keywords
- fault
- acceptance
- training
- current
- determining
- 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 66
- 238000007418 data mining Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 223
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习和数据挖掘的工程量辅助验收结算方法。该方法包括:基于预先训练得到的工程量验收模型对工程量数据进行处理,得到至少一个验收结果;基于当前验收结果、预设的故障类别总数和故障特征,确定与当前验收结果相对应的故障属性;其中,故障特征为至少一个;基于各故障属性,确定故障结果,若故障结果与预设故障结果相一致,则生成故障提示信息并展示。解决了现有技术中基于人工进行工程量结算验收,导致验收效率低,准确性差的问题,实现减少工程量验收结算成本,在提高工程量验收结算准确性和效率的同时,达到提高对工程量异常监控的实时性和准确性的效果。
Description
技术领域
本发明涉及计算机处理技术领域,尤其涉及一种基于深度学习和数据挖掘的工程量辅助验收结算方法、装置、设备及介质。
背景技术
工程验收是指在工程竣工之后,根据相关行业标准,对工程建设质量和成果进行评定的过程,工程量辅助验收结算是在工程项目中进行工程量核对和结算的重要环节。
传统的工程量辅助验收结算主要采用人工进行数据核对以及预测,此方式不仅依赖于验收用户的工作经验,而且操作工作量大,验收过程中数据多,人工处理容易出现遗漏,存在验收结算准确率低、结算错误或者漏报等问题。
发明内容
本发明提供了一种基于深度学习和数据挖掘的工程量辅助验收结算方法、装置、设备及介质,以实现减少工程量验收结算成本,在提高工程量验收结算准确性和效率的同时,达到提高对工程量异常监控的实时性和准确性的技术效果。
根据本发明的一方面,提供了一种基于深度学习和数据挖掘的工程量辅助验收结算方法,该方法包括:
获取待验收的工程量数据;
基于预先训练得到的工程量验收模型对所述工程量数据进行处理,得到至少一个验收结果;
对于各所述验收结果,基于当前验收结果、预设的故障类别总数和故障特征,确定与所述当前验收结果相对应的故障属性;其中,所述故障特征为至少一个;
基于各所述故障属性,确定故障结果,若所述故障结果与预设故障结果相一致,则生成故障提示信息并展示。
根据本发明的另一方面,提供了一种基于深度学习和数据挖掘的工程量辅助验收结算装置,该装置包括:
数据获取模块,用于获取待验收的工程量数据;
验收结果确定模块,用于基于预先训练得到的工程量验收模型对所述工程量数据进行处理,得到至少一个验收结果;
故障属性确定模块,用于对于各所述验收结果,基于当前验收结果、预设的故障类别总数和故障特征,确定与所述当前验收结果相对应的故障属性;其中,所述故障特征为至少一个;
故障结果确定模块,用于基于各所述故障属性,确定故障结果,若所述故障结果与预设故障结果相一致,则生成故障提示信息并展示。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基于深度学习和数据挖掘的工程量辅助验收结算方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于深度学习和数据挖掘的工程量辅助验收结算方法。
本发明实施例的技术方案,通过基于预先训练得到的工程量验收模型对工程量数据进行处理,得到至少一个验收结果;基于当前验收结果、预设的故障类别总数和故障特征,确定与当前验收结果相对应的故障属性;其中,故障特征为至少一个;基于各故障属性,确定故障结果,若故障结果与预设故障结果相一致,则生成故障提示信息并展示,解决了现有技术中使用人工进行工程量结算验收,导致验收效率低,准确性差的问题,实现了通过预先训练得到的工程量验收模型对工程量数据进行处理,确定验收结果,减少工程量验收结算成本,提高工程量验收结算实时性、准确性和效率。同时,通过引入故障类别和故障特征,确定验收结果的故障属性,根据各故障属性确定故障结果,提高对工程量异常监控的实时性和准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种基于深度学习和数据挖掘的工程量辅助验收结算方法的流程图;
图2是根据本发明实施例二提供的一种基于深度学习和数据挖掘的工程量辅助验收结算方法的流程图;
图3是根据本发明实施例二提供的工程量辅助验收结算方法示意图;
图4是根据本发明实施例三提供的一种基于深度学习和数据挖掘的工程量辅助验收结算方法的流程图;
图5是根据本发明实施例四提供的一种基于深度学习和数据挖掘的工程量辅助验收结算装置的结构示意图;
图6是实现本发明实施例的基于深度学习和数据挖掘的工程量辅助验收结算方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种基于深度学习和数据挖掘的工程量辅助验收结算方法的流程图,本实施例可适用于进行工程量验收的情况,该方法可以由基于深度学习和数据挖掘的工程量辅助验收结算装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于计算设备中。如图1所示,该方法包括:
S110、获取待验收的工程量数据。
本实施例中,工程量数据中包括施工过程中需要计量和计算的各项工程量。例如,工程量数据包括工程结构件的数量、结构属性,施工周期,材料种类,工艺流程等等。工程量数据可以涉及土方工程量、混凝土工程量、钢筋工程量、砖瓦工程量等。
为了确保数据的质量和准确性,提高工程量验收结果的准确性,可以对工程量数据进行预处理,去除或修复工程量数据中的错误、异常、缺失或重复值等,得到待验收的工程量数据。可选的,可以使用插值基函数对工程量数据进行预处理,例如,对获取的原始工程量数据集表示为R={r1,r2,...,rn},n表示为数据集中的数据的总数,对采集到的工程量数据进行预处理,去除异常数据可表示为:
其中,lk(tk)表示为插值基函数,t表示为R中的全部的取值点,i表示为所有的取值点的个数,k表示为给定的取值点个数,tk表示为去除数据所对应的点,通过利用拉格朗日计算公式对去除数据所对应的点进行插值处理,可表示为:其中/>表示为对应点的对应取值。
S120、基于预先训练得到的工程量验收模型对工程量数据进行处理,得到至少一个验收结果。
其中,工程量验收模型用于预测工程量验收和结算的结果,该结果即为验收结果。例如,验收结果可以包括材料、劳务、设备等的成本,对技术规格、材料质量、工程质量、施工工艺、安全等各方面检查或评估的结果,工程施工面积、施工体积等计算结果。
在本实施例中,可以将工程量数据输入至预先训练得到的工程量验收模型中,对工程量数据进行验收结算,得到至少一个验收结果。以通过各个验收结果来反映工程建设质量的好坏以及建设成果的情况,反映工程是否符合设计要求和质量标准。
示例性的,可以将新的工程项目下的工程量数据作为待验收的工程量数据,使用训练好的工程量验收模型对新的工程项目进行工程量结算验收预测,得到验收结果,以根据预测的验收结果实时监测工程项目的实施情况,便于辅助用户进行验收工作。
在本实施例中,在基于预先训练得到的工程量验收模型对工程量数据进行处理,得到至少一个验收结果之后,还包括:通过异常值检测算法,检测和修正验收结果中的异常值,修复可能存在的错误和异常,减少异常值对最终验收结果的影响。还可以基于修正后的验收结果生成数据图,进行可视化展示,并生成详细的报告,使得验收结果便于可视化展示和理解,从而便于通过展示信息以及报告来进行工程量辅助验收结算的过程参考和决策,有助于确保工程项目质量的稳定性和可靠性,提高项目的成功率,提高验收的准确性和效率。
S130、对于各验收结果,基于当前验收结果、预设的故障类别总数和故障特征,确定与当前验收结果相对应的故障属性。
其中,故障类别和故障特征可以预定义的。故障类别可以表示故障状态,例如,故障类别包括成本验收异常、工程质量验收异常、施工周期验收异常等等。故障特征可以为具体的错误行为,故障特征为至少一个。例如,故障特征可以是超过合理范围、与业务逻辑不一致、不符合逻辑关系的特征数据。故障属性可以用于表征验收结果的异常程度。例如,故障属性值越高,表示异常程度越低,反之,故障属性值越低,表示异常程度越高。需要说明的是,确定每个验收结果的故障属性的方式均相同,可以以其中任一验收结果作为当前验收结果,以确定当前验收结果的故障属性为例进行介绍。
在本实施例中,可以通过引入预定义的故障类别和故障特征,采用线性时间序列法对各验收结果进行相应的故障辨识,评估验收结果的故障属性,以预测并识别出潜在的故障情况。具体来说,基于当前验收结果、预设的故障类别总数和故障特征,确定与当前验收结果相对应的故障属性,包括:基于各故障特征以及当前验收结果,确定第一中间值;对于各故障特征,基于当前故障特征、第一中间值、当前验收结果以及故障类别总数,确定与当前故障特征相对应的第二中间值;基于各第二中间值,确定与当前验收结果相对应的故障属性。
在实际应用中,可以对各故障特征进行求和处理,得到待处理特征,进而,对待处理特征和当前验收结果进行乘积处理,得到第一中间值。进一步的,可以确定每个故障特征所对应的第二中间值,以确定与当前故障特征相对应的第二中间值为例进行介绍。根据当前故障特征、第一中间值、当前验收结果以及故障类别总数,确定与当前故障特征相对应的第二中间值。对所有的第二中间值进行求和处理,得到与当前验收结果相对应的故障属性。
在本实施例中,基于当前故障特征、第一中间值、当前验收结果以及故障类别总数,确定与当前故障特征相对应的第二中间值,包括:基于当前故障特征以及第一中间值,确定第三中间值;基于当前验收结果以及故障类别总数,确定第四中间值;基于第三中间值以及第四中间值,确定与当前故障特征相对应的第二中间值。
具体的,对当前故障特征和第一中间值作商处理,得到的商值的对数作为第三中间值。对当前验收结果和故障类别总数作商处理,得到第四中间值。对第三中间值和第四中间值作乘积处理,得到与当前故障特征相对应的第二中间值;或者,对第三中间值和第四中间值作乘积处理,将得到的乘积值的负数作为与当前故障特征相对应的第二中间值。
示例性的,假设第j个验收结果为kj,kj的故障属性表示为g(kj):
其中:f表示为第一中间值;/>表示为第三中间值;/>表示为第四中间值,d为故障类别总数,mn表示为第n个故障特征。
S140、基于各故障属性,确定故障结果,若故障结果与预设故障结果相一致,则生成故障提示信息并展示。
其中,预设故障结果可以为异常。
在本实施例中,可以将各故障属性与预设阈值进行比对,如果故障属性未大于预设阈值,则认为该故障属性所对应的验收结果的故障结果为异常;如果故障属性大于或等于预设阈值,则认为该故障属性所对应的验收结果的故障结果为正常。或者,也可以将所有的故障属性进行平均处理,得到的均值与预设阈值进行比对,如果均值未大于预设阈值,则认为该故障属性所对应的验收结果的故障结果为异常。在存在故障结果与预设故障结果相一致的情况下,可以生成与该故障结果相对应的故障提示信息进行可视化展示。示例性的,当故障属性g(kj)≥1时,认为工程量验收结果没有问题,当故障属性g(kj)<1,认为工程量验收结果异常,将对应验收结果的故障反馈至可视化看板进行提示。
本实施例的技术方案,通过基于预先训练得到的工程量验收模型对工程量数据进行处理,得到至少一个验收结果;基于当前验收结果、预设的故障类别总数和故障特征,确定与当前验收结果相对应的故障属性;其中,故障特征为至少一个;基于各故障属性,确定故障结果,若故障结果与预设故障结果相一致,则生成故障提示信息并展示,解决了现有技术中使用人工进行工程量结算验收,导致验收效率低,准确性差的问题,实现了通过预先训练得到的工程量验收模型对工程量数据进行处理,确定验收结果,减少工程量验收结算成本,提高工程量验收结算实时性、准确性和效率。同时,通过引入故障类别和故障特征,确定验收结果的故障属性,根据各故障属性确定故障结果,提高对工程量异常监控的实时性和准确性。
实施例二
图2是根据本发明实施例二提供的一种基于深度学习和数据挖掘的工程量辅助验收结算方法的流程图,在前述实施例的基础上,还可以预先训练得到工程量验收模型。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示,该方法具体包括如下步骤:
S210、获取历史工程项目数据。
在本实施例中,可以采集工程项目相关的工程量验收结算数据作为历史工程项目数据。例如,历史工程项目数据包括工程量数据、工程图纸(如,包括建筑结构、设备配置、管线走向等)、施工记录信息(如,包括工程施工面积、施工周期、材料种类、工艺流程等)、验收报告(如,包括验收时间、验收标准、验收结果等)。
S220、对历史工程项目数据进行处理,得到多个历史工程量数据以及与各历史工程量数据相对应的工程验收结果。
其中,工程验收结果包括工程施工面积、施工体积和施工质量和施工数量等。
在本实施例中,可以对历史工程项目数据进行预处理,如清洗、整理和标准化处理,确保数据的准确性和一致性。例如,先对历史工程项目数据进行清洗处理,去除其中的异常数据,然后对清洗后的数据进行转换和标准化处理,将工程项目数据分类化,进而,从标准化后的工程项目数据中提取与工程量验收结算相关的特征作为历史工程量数据。通过对原始的历史工程项目数据进行清洗、特征选择、特征缩放等处理,可以减少数据的维度和噪声,从而提高模型的计算速度和效率。与历史工程量数据相对应的工程验收结果可以是人工标注的,也可以是从历史工程项目数据中提取的。每个历史工程量数据所对应的工程验收结果可以为多个。
在本实施例中,还可以将收集和预处理的工程项目数据导入Power BI(powerbusiness intelligence,软件服务、应用和连接器的集成软件)中,利用Power query完成数据源整理工作,然后通过数据建模功能将工程量数据与工程施工面积、施工体积和施工质量和施工数量等各种信息数据连通,形成工程量测算对应关系。还可以去除采集获取的工程项目数据中与工程量数据不相关信息的列,提升模型计算速度。还可以对工程验收结果进行计算单位检查,避免采集信息、模型计算信息以及输出结果信息的工程量计算单位信息不一致,提升数据的准确性。
S230、基于各历史工程量数据以及与其相对应的工程验收结果,得到多个训练样本。
在本实施例中,可以将一个历史工程量数据以及与其相对应的工程验收结果作为一个训练样本,相应的,可以得到多个训练样本。
S240、基于多个训练样本对待训练验收模型进行训练,得到工程量验收模型。
其中,待训练验收模型可以为深度学习模型。例如,深度学习模型可以为多层感知机(Multilayer Perceptron,MLP)、卷积神经网络(Convolutional Neural Network,CNN)、递归神经网络(Recurrent Neural Network,RNN)、长短期记忆网络(Long Short-TermMemory,LSTM)、生成对抗网络(Generative Adversarial Network,GAN)、Transformer、Capsule Network等等。
在本实施例中,可以构建用于处理工程量辅助验收结算任务的深度学习模型作为待训练验收模型。对待训练验收模型中的参数进行初始化,为这些参数赋予初始值。初始化的方式可以有很多种,例如随机初始化、零初始化、高斯初始化等,通过参数初始化,可以帮助模型更好地学习数据的特征,在训练过程中有助于避免出现梯度消失或爆炸等问题。进一步的,可以将当前训练样本作为待训练验收模型的输入,对待训练验收模型进行训练,通过训练结果,调整训练样本所对应的权重参数,以得到工程量验收模型,以使将待验收的工程量数据输入至工程量验收模型中,得到与工程量数据相对应的验收结果。
为了使本领域技术人员进一步清楚本发明实施例的技术方案,给出具体的应用场景实例。示例性的,参见图3,将所有采集到的工程项目数据首先进行预处理,统一采集、计算和输出工程量数据的计量单位。对新的工程项目进行工程量预测之前,从历史工程项目数据中获得一些相关的工程项目数据作为输入来训练待训练验收模型。这些输入数据可以包括与工程量相关的各种特征和属性,例如工程施工面积、施工周期、材料种类、工艺流程等。这些数据可以帮助模型学习和理解工程项目的特征,从而预测出未知工程项目的工程量。这些工程项目数据可以被编码为数值型或者文本型的特征表示,以便输入到待训练验收模型的神经网络中进行训练和预测。待训练验收模型可以自动学习输入特征和工程量之间的复杂非线性关系,训练完成后,得到工程量验收模型。使用工程量验收模型对新的工程项目进行工程量预测,输出对工程项目的工程量验收结果,可以对验收结果可视化,实现支持工程项目规划和决策的同时,达到提高验收准确性和效率的技术效果。
实施例三
图4是根据本发明实施例三提供的一种基于深度学习和数据挖掘的工程量辅助验收结算方法的流程图,在前述实施例的基础上,对S240作进一步的细化。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图4所示,该方法具体包括如下步骤:
S310、对于各训练样本,基于当前训练样本对待训练验收模型进行训练,确定与当前训练样本相对应的训练属性。
其中,训练属性包括训练精度和训练速度。训练精度决定了模型预测的准确程度。训练速度可以是指模型每秒处理的样本数,即训练样本总数除以训练所需的总时间。可选地,训练属性中还包括模型的泛化能力和稳定性等。
在本实施例中,可以在使用训练样本对待训练验收模型进行训练的过程中,实时计算训练速度,并记录模型对训练样本的预测结果,将模型的预测结果与训练样本中的真实工程验收结果进行比较,计算训练精度。
S320、基于训练属性和/或各训练样本之间的相似度,确定与当前训练样本相对应的样本属性。
在本实施例中,可以通过当前训练样本对应的训练属性确定当前训练样本的样本属性,通过样本属性调整待训练验收模型中的模型参数。例如,在待训练验收模型处理工程量数据时,权衡其训练精度和训练速度,调整模型参数,提高模型精度。如,如果该样本的训练精度较高,可能增大该样本在模型训练中的权重。或者,可以使用相似度计算方法根据各训练样本的样本特征,计算各训练样本之间的相似度,通过相似度确定与每个训练样本相对应的样本属性,通过样本属性调整待训练验收模型中的模型参数。可选的,相似度计算方法可以包括欧氏距离、余弦相似度、皮尔逊相关系数和杰卡德相似系数等,还可以是其他计算方式,对此不做限定。或者,根据训练属性和各训练样本之间的相似度,综合评估与当前训练样本相对应的样本属性。
在本实施例中,基于训练属性和/或各训练样本之间的相似度,确定与当前训练样本相对应的样本属性,包括:基于训练属性,确定与当前训练样本相对应的第一属性;基于各训练样本之间的相似度,确定与当前训练样本相对应的第二属性;基于第一属性和/或第二属性,确定与当前训练样本相对应的样本属性。
其中,第一属性可以用于表征训练样本的质量。第二属性可以用于表征训练样本的稳定性。
在实际应用中,可以通过训练属性,评估训练样本是否符合训练条件,得到与当前训练样本相对应的第一属性。通过各训练样本之间的相似度,评估训练样本的稳定性,得到与当前训练样本相对应的第二属性。进而,根据第一属性和/或第二属性,综合评估出与当前训练样本相对应的样本属性。本实施例所提供的技术方案,通过表征训练样本质量以及表征训练样本稳定性的样本属性,调整模型参数,提高模型训练质量,进而提高模型工程量结算验收的精度。
可选的,基于训练属性,确定与当前训练样本相对应的第一属性,包括:基于训练属性,确定至少一个理论参数;基于至少一个理论参数,确定分类最优解;基于分类最优解和预设阈值,确定与当前训练样本相对应的第一属性。
在本实施例中,可以预先定义限制条件,通过限制条件根据当前训练样本的训练属性,拟合出至少一个理论参数,可以分别对各理论参数进行处理,得到处理最大值,作为分类最优解。相应的,得到各训练样本的分类最优解。示例性的,可以根据公式(1)确定各训练样本的分类最优解,公式(1)可以为:
其中,β为训练样本的分类最优解;χ为统计学习理论参数;s.t.为限制条件;ui、vi分别为第i个训练样本的训练精度和训练速度;N为训练样本的总数量;U为训练样本集合。
在本实施例中,可以当训练样本的分类最优解大于预设阈值时,认为训练样本符合训练条件;训练样本的分类最优解未大于预设阈值时,认为训练样本不符合训练条件。根据分类最优解和预设阈值的比对结果,得到训练样本的第一属性。例如,分类最优解越大于预设阈值,训练样本的第一属性越高,分类最优解越不大于预设阈值,训练样本的第一属性越低。
示例性的,假设预设阈值为Y,当训练样本符合条件时,其分类最优解β>Y,认为训练样本合格,分类最优解β<Y时,则认为训练样本不合格。
可选的,基于各训练样本之间的相似度,确定与当前训练样本相对应的第二属性,包括:确定各训练样本之间的相似度;基于各相似度,确定至少一个聚类;基于各聚类内的至少一个训练样本的相似度,确定每个训练样本的第二属性。
在本实施例中,计算各训练样本之间的相似度,根据各训练样本之间的相似度,对训练样本进行聚类处理,得到至少一个聚类。每个聚类内包含相似度接近的训练样本。
示例性的,根据公式(2)计算各训练样本之间的相似度,公式(2)可以为:
其中,dij表示待训练样本i和j之间的相似度;Vik、Vjk分别表示训练样本i和j对应的第k个属性值。在本实施例中,聚类内相似度越高的训练样本,表示训练样本的稳定性越高。可以根据各聚类内的至少一个训练样本的相似度,确定每个训练样本的第二属性。例如,在同一聚类内,相似度越高的训练样本,其第二属性越高,相似度越低的训练样本,其第二属性越低。
S330、基于样本属性调整待训练验收模型中的与当前训练样本相对应的权重参数,并重新执行基于当前训练样本对待训练验收模型进行训练的操作,直至达到预设迭代停止条件时结束,以得到工程量验收模型。
在本实施例中,可以根据样本属性调整待训练验收模型中的与当前训练样本相对应的权重参数,更新模型参数,基于更新后的模型参数以及训练样本继续对待训练验收模型进行训练,可以在检测到达到预设迭代停止条件时结束,得到训练好的工程量验收模型。可选的,预设迭代停止条件可以为迭代次数达到预设阈值,或待训练验收模型中的损失函数收敛。
在本实施例中,还可以根据各训练样本的样本属性,进行样本筛选,筛选到样本属性低的训练样本,使用剩余的训练样本进行模型训练,提高训练样本质量,从而提高模型训练精度。示例性的,引入深度学习的非线性变换策略,得出非线性变换输出的数学表达公式用于模型训练,以训练出更精确的模型,提高预测和决策的准确性。
示例性的,数学表达公式可以为:其中,U表示输入训练样本集,h表示计算训练样本的权重,L表示偏置系数。
在本实施例中,还可以将历史工程量数据集划分为工程施工面积、施工体积、施工质量和施工数量等多列数据,进行每一列数据的小批量进行训练,通过反向传播算法计算梯度并更新模型参数,使用随机梯度下降的优化算法优化模型的性能。
本实施例的技术方案,通过基于当前训练样本对待训练验收模型进行训练,确定与当前训练样本相对应的训练属性。进而,根据训练属性和/或各训练样本之间的相似度,评估与当前训练样本相对应的样本属性,基于样本属性调整待训练验收模型中的与当前训练样本相对应的权重参数,达到提高模型训练效果,提高模型工程量结算验收的精度的技术效果。
实施例四
图5是根据本发明实施例四提供的一种基于深度学习和数据挖掘的工程量辅助验收结算装置的结构示意图。如图5所示,该装置包括:数据获取模块410、验收结果确定模块420、故障属性确定模块430和故障结果确定模块440。
其中,数据获取模块410,用于获取待验收的工程量数据;验收结果确定模块420,用于基于预先训练得到的工程量验收模型对所述工程量数据进行处理,得到至少一个验收结果;故障属性确定模块430,用于对于各所述验收结果,基于当前验收结果、预设的故障类别总数和故障特征,确定与所述当前验收结果相对应的故障属性;其中,所述故障特征为至少一个;故障结果确定模块440,用于基于各所述故障属性,确定故障结果,若所述故障结果与预设故障结果相一致,则生成故障提示信息并展示。
本实施例的技术方案,通过基于预先训练得到的工程量验收模型对工程量数据进行处理,得到至少一个验收结果;基于当前验收结果、预设的故障类别总数和故障特征,确定与当前验收结果相对应的故障属性;其中,故障特征为至少一个;基于各故障属性,确定故障结果,若故障结果与预设故障结果相一致,则生成故障提示信息并展示,解决了现有技术中使用人工进行工程量结算验收,导致验收效率低,准确性差的问题,实现了通过预先训练得到的工程量验收模型对工程量数据进行处理,确定验收结果,减少工程量验收结算成本,提高工程量验收结算实时性、准确性和效率。同时,通过引入故障类别和故障特征,确定验收结果的故障属性,根据各故障属性确定故障结果,提高对工程量异常监控的实时性和准确性。
在上述装置的基础上,可选的,所述故障属性确定模块430,包括第一中间值确定单元、第二中间值确定单元和故障属性确定单元。
第一中间值确定单元,用于基于各故障特征以及当前验收结果,确定第一中间值;
第二中间值确定单元,用于对于各所述故障特征,基于当前故障特征、所述第一中间值、当前验收结果以及故障类别总数,确定与所述当前故障特征相对应的第二中间值;
故障属性确定单元,用于基于各所述第二中间值,确定与所述当前验收结果相对应的故障属性。
在上述装置的基础上,可选的,所述第二中间值确定单元,包括第三中间值确定单元、第四中间值确定单元和第二中间值确定子单元。
第三中间值确定单元,用于基于当前故障特征以及所述第一中间值,确定第三中间值;
第四中间值确定单元,用于基于当前验收结果以及所述故障类别总数,确定第四中间值;
第二中间值确定子单元,用于基于所述第三中间值以及所述第四中间值,确定与所述当前故障特征相对应的第二中间值。
在上述装置的基础上,可选的,所述装置,还包括:工程量验收模型训练模块。所述工程量验收模型训练模块,包括:项目数据获取单元、工程验收结果确定单元、训练样本确定单元、模型训练单元。
项目数据获取单元,用于获取历史工程项目数据;
工程验收结果确定单元,用于对所述历史工程项目数据进行处理,得到多个历史工程量数据以及与各所述历史工程量数据相对应的工程验收结果;
训练样本确定单元,用于基于各所述历史工程量数据以及与其相对应的工程验收结果,得到多个训练样本;
模型训练单元,用于基于所述多个训练样本对待训练验收模型进行训练,得到工程量验收模型。
在上述装置的基础上,可选的,模型训练单元包括训练属性确定单元、样本属性确定单元和模型训练子单元。
训练属性确定单元,用于对于各训练样本,基于当前训练样本对待训练验收模型进行训练,确定与所述当前训练样本相对应的训练属性;其中,所述训练属性包括训练精度和训练速度;
样本属性确定单元,用于基于所述训练属性和/或各所述训练样本之间的相似度,确定与所述当前训练样本相对应的样本属性;
模型训练子单元,用于基于所述样本属性调整所述待训练验收模型中的与所述当前训练样本相对应的权重参数,并重新执行基于当前训练样本对待训练验收模型进行训练的操作,直至达到预设迭代停止条件时结束,以得到工程量验收模型。
在上述装置的基础上,可选的,样本属性确定单元包括第一属性确定单元、第二属性确定单元和样本属性确定子单元。
第一属性确定单元,用于基于所述训练属性,确定与所述当前训练样本相对应的第一属性;
第二属性确定单元,用于基于各所述训练样本之间的相似度,确定与所述当前训练样本相对应的第二属性;
样本属性确定子单元,用于基于所述第一属性和/或所述第二属性,确定与所述当前训练样本相对应的样本属性。
在上述装置的基础上,可选的,所述第一属性确定单元,包括:理论参数确定单元、分类最优解确定单元和第一属性确定子单元。
理论参数确定单元,用于基于所述训练属性,确定至少一个理论参数;
分类最优解确定单元,用于基于所述至少一个理论参数,确定分类最优解;
第一属性确定子单元,用于基于所述分类最优解和预设阈值,确定与所述当前训练样本相对应的第一属性。
在上述装置的基础上,可选的,所述第二属性确定单元,包括:相似度确定单元、聚类单元和第二属性确定子单元。
相似度确定单元,用于确定各所述训练样本之间的相似度;
聚类单元,用于基于各所述相似度,确定至少一个聚类;
第二属性确定单元,用于基于各所述聚类内的至少一个训练样本的相似度,确定每个所述训练样本的第二属性。
本发明实施例所提供的基于深度学习和数据挖掘的工程量辅助验收结算装置可执行本发明任意实施例所提供的基于深度学习和数据挖掘的工程量辅助验收结算方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6是实现本发明实施例的基于深度学习和数据挖掘的工程量辅助验收结算方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如基于深度学习和数据挖掘的工程量辅助验收结算方法。
在一些实施例中,基于深度学习和数据挖掘的工程量辅助验收结算方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于深度学习和数据挖掘的工程量辅助验收结算方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于深度学习和数据挖掘的工程量辅助验收结算方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程基于深度学习和数据挖掘的工程量辅助验收结算装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于深度学习和数据挖掘的工程量辅助验收结算方法,其特征在于,包括:
获取待验收的工程量数据;
基于预先训练得到的工程量验收模型对所述工程量数据进行处理,得到至少一个验收结果;
对于各所述验收结果,基于当前验收结果、预设的故障类别总数和故障特征,确定与所述当前验收结果相对应的故障属性;其中,所述故障特征为至少一个;
基于各所述故障属性,确定故障结果,若所述故障结果与预设故障结果相一致,则生成故障提示信息并展示。
2.根据权利要求1所述的方法,其特征在于,所述基于当前验收结果、预设的故障类别总数和故障特征,确定与所述当前验收结果相对应的故障属性,包括:
基于各故障特征以及当前验收结果,确定第一中间值;
对于各所述故障特征,基于当前故障特征、所述第一中间值、当前验收结果以及故障类别总数,确定与所述当前故障特征相对应的第二中间值;
基于各所述第二中间值,确定与所述当前验收结果相对应的故障属性。
3.根据权利要求2所述的方法,其特征在于,所述基于当前故障特征、所述第一中间值、当前验收结果以及故障类别总数,确定与所述当前故障特征相对应的第二中间值,包括:
基于当前故障特征以及所述第一中间值,确定第三中间值;
基于当前验收结果以及所述故障类别总数,确定第四中间值;
基于所述第三中间值以及所述第四中间值,确定与所述当前故障特征相对应的第二中间值。
4.根据权利要求1所述的方法,其特征在于,还包括:
训练得到工程量验收模型;其中,
所述训练得到工程量验收模型,包括:
获取历史工程项目数据;
对所述历史工程项目数据进行处理,得到多个历史工程量数据以及与各所述历史工程量数据相对应的工程验收结果;
基于各所述历史工程量数据以及与其相对应的工程验收结果,得到多个训练样本;
基于所述多个训练样本对待训练验收模型进行训练,得到工程量验收模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述多个训练样本对待训练验收模型进行训练,包括:
对于各训练样本,基于当前训练样本对待训练验收模型进行训练,确定与所述当前训练样本相对应的训练属性;其中,所述训练属性包括训练精度和训练速度;
基于所述训练属性和/或各所述训练样本之间的相似度,确定与所述当前训练样本相对应的样本属性;
基于所述样本属性调整所述待训练验收模型中的与所述当前训练样本相对应的权重参数,并重新执行基于当前训练样本对待训练验收模型进行训练的操作,直至达到预设迭代停止条件时结束,以得到工程量验收模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述训练属性和/或各所述训练样本之间的相似度,确定与所述当前训练样本相对应的样本属性,包括:
基于所述训练属性,确定与所述当前训练样本相对应的第一属性;
基于各所述训练样本之间的相似度,确定与所述当前训练样本相对应的第二属性;
基于所述第一属性和/或所述第二属性,确定与所述当前训练样本相对应的样本属性。
7.根据权利要求6所述的方法,其特征在于,所述基于所述训练属性,确定与所述当前训练样本相对应的第一属性,包括:
基于所述训练属性,确定至少一个理论参数;
基于所述至少一个理论参数,确定分类最优解;
基于所述分类最优解和预设阈值,确定与所述当前训练样本相对应的第一属性。
8.根据权利要求6所述的方法,其特征在于,所述基于各所述训练样本之间的相似度,确定与所述当前训练样本相对应的第二属性,包括:
确定各所述训练样本之间的相似度;
基于各所述相似度,确定至少一个聚类;
基于各所述聚类内的至少一个训练样本的相似度,确定每个所述训练样本的第二属性。
9.一种基于深度学习和数据挖掘的工程量辅助验收结算装置,其特征在于,包括:
数据获取模块,用于获取待验收的工程量数据;
验收结果确定模块,用于基于预先训练得到的工程量验收模型对所述工程量数据进行处理,得到至少一个验收结果;
故障属性确定模块,用于对于各所述验收结果,基于当前验收结果、预设的故障类别总数和故障特征,确定与所述当前验收结果相对应的故障属性;其中,所述故障特征为至少一个;
故障结果确定模块,用于基于各所述故障属性,确定故障结果,若所述故障结果与预设故障结果相一致,则生成故障提示信息并展示。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的基于深度学习和数据挖掘的工程量辅助验收结算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410091321.0A CN117909717A (zh) | 2024-01-22 | 2024-01-22 | 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410091321.0A CN117909717A (zh) | 2024-01-22 | 2024-01-22 | 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117909717A true CN117909717A (zh) | 2024-04-19 |
Family
ID=90689320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410091321.0A Pending CN117909717A (zh) | 2024-01-22 | 2024-01-22 | 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909717A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067101A (zh) * | 2016-08-02 | 2016-11-02 | 杭州凯达电力建设有限公司 | 一种配网电力工程验收方法及系统 |
CN109740965A (zh) * | 2019-01-22 | 2019-05-10 | 北京市天元网络技术股份有限公司 | 一种工程验证分析方法及装置 |
CN112627538A (zh) * | 2020-11-24 | 2021-04-09 | 武汉大学 | 基于计算机视觉的钢筋网扎丝绑扎质量智能验收方法 |
CN113888061A (zh) * | 2021-12-07 | 2022-01-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流变压器的运行状态评估方法及装置 |
WO2022094934A1 (zh) * | 2020-11-06 | 2022-05-12 | 深圳市深能环保东部有限公司 | 一种基于现场定位的工程质量验收管理系统及方法 |
CN115375039A (zh) * | 2022-09-16 | 2022-11-22 | 上海飞机制造有限公司 | 一种工业设备故障预测方法、装置、电子设备及存储介质 |
CN115470606A (zh) * | 2021-06-10 | 2022-12-13 | 大金工业株式会社 | 工程验收方法、装置及系统 |
WO2023029654A1 (zh) * | 2021-09-06 | 2023-03-09 | 中兴通讯股份有限公司 | 一种故障根因确定方法、装置、存储介质及电子装置 |
CN116091039A (zh) * | 2023-01-03 | 2023-05-09 | 广东电网有限责任公司惠州供电局 | 基于南网智瞰的输变电工程验收成果可视化方法及系统 |
CN117151543A (zh) * | 2023-09-25 | 2023-12-01 | 陕西交建云数据科技有限公司 | 一种基于机器学习的工程项目质量管理方法及相关装置 |
-
2024
- 2024-01-22 CN CN202410091321.0A patent/CN117909717A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067101A (zh) * | 2016-08-02 | 2016-11-02 | 杭州凯达电力建设有限公司 | 一种配网电力工程验收方法及系统 |
CN109740965A (zh) * | 2019-01-22 | 2019-05-10 | 北京市天元网络技术股份有限公司 | 一种工程验证分析方法及装置 |
WO2022094934A1 (zh) * | 2020-11-06 | 2022-05-12 | 深圳市深能环保东部有限公司 | 一种基于现场定位的工程质量验收管理系统及方法 |
CN112627538A (zh) * | 2020-11-24 | 2021-04-09 | 武汉大学 | 基于计算机视觉的钢筋网扎丝绑扎质量智能验收方法 |
CN115470606A (zh) * | 2021-06-10 | 2022-12-13 | 大金工业株式会社 | 工程验收方法、装置及系统 |
WO2023029654A1 (zh) * | 2021-09-06 | 2023-03-09 | 中兴通讯股份有限公司 | 一种故障根因确定方法、装置、存储介质及电子装置 |
CN113888061A (zh) * | 2021-12-07 | 2022-01-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流变压器的运行状态评估方法及装置 |
CN115375039A (zh) * | 2022-09-16 | 2022-11-22 | 上海飞机制造有限公司 | 一种工业设备故障预测方法、装置、电子设备及存储介质 |
CN116091039A (zh) * | 2023-01-03 | 2023-05-09 | 广东电网有限责任公司惠州供电局 | 基于南网智瞰的输变电工程验收成果可视化方法及系统 |
CN117151543A (zh) * | 2023-09-25 | 2023-12-01 | 陕西交建云数据科技有限公司 | 一种基于机器学习的工程项目质量管理方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
CHAKRABORTY, SUBIR KUMAR ET.AL: "Deep learning approaches and interventions for futuristic engineering in agriculture", 《 NEURAL COMPUTING & APPLICATIONS》, 31 December 2022 (2022-12-31), pages 20539 - 20573 * |
邹捷;许瑞庆;习雨同;: "深度学习在输电线路工程验收智能缺陷识别中的应用", 江西电力, no. 02, 25 February 2020 (2020-02-25), pages 7 - 11 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN116629620A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
CN117909717A (zh) | 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 | |
CN115392715A (zh) | 一种用电数据风险评估方法、装置、设备及存储介质 | |
CN114881112A (zh) | 一种系统异常检测方法、装置、设备及介质 | |
CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 | |
CN117235867B (zh) | 一种bim规划报建模型的审查方法、装置、设备及存储介质 | |
CN117705178A (zh) | 风电螺栓信息检测方法、装置、电子设备和存储介质 | |
CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 | |
CN118246938A (zh) | 基于因子的机器学习估值方法、装置、设备及介质 | |
CN117635300A (zh) | 一种企业融资结果的预测方法、装置及电子设备 | |
CN117077060A (zh) | 页岩气井的井漏预警方法、装置、电子设备和存储介质 | |
CN117707899A (zh) | 一种微服务异常检测方法、装置、设备及存储介质 | |
CN117195704A (zh) | 一种检测模型训练、设备故障检测方法及装置 | |
CN118074625A (zh) | 设备故障检测方法、装置、设备及存储介质 | |
CN117829611A (zh) | 一种基于人工智能的分包商管理风险评估预警方法 | |
CN115077906A (zh) | 发动机高发故障起因件确定方法、装置、电子设备及介质 | |
CN115905492A (zh) | 一种告警信息分析方法、装置、设备及介质 |
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 |