[發明專利]一種基于多項特征的建筑工程分析方法

在審

• 申請號: 202011389550.9
• 申請日: 2020-12-02
• 公開（公告）號: CN112381328A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 肖程耀;丁瑞豐;鄭勇;鞠明;李思哲;李皓月
• 申請（專利權）人: 四川省第六建筑有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q10/10;G06Q50/08;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 林菲菲

本發明公開了一種基于多項特征的建筑工程分析方法，先采集樣本，對樣本進行分析處理，確定特征向量，基于特征向量劃分訓練集，對RBF神經網絡結構進行初始化處理，設置初始化參數，將訓練集輸入該模型，對輸出結果進行分析，判斷該輸出結果與期望結果之間的誤差是否滿足要求，如果不滿足要求，從輸出層反向傳播該誤差，重新調整RBF神經網絡的閾值和權值，重復該過程，直至該誤差滿足要求，輸入測試集對該方法進行評估，確定該方法滿足建筑工程領域對分析結果的精度要求。本發明確定的9項特征與分析結果的關系更為密切，將分析誤差歸結為權值和閾值的“過錯”，只使用原始樣本就能得到理想的分析結果，最終得到一種高精度的分析方法。

技術領域

本發明涉及建筑工程分析領域，具體涉及一種基于多項特征的建筑工程分析方法。

背景技術

目前建筑工程成本預測方法主要為定性預測法和定量預測法兩大類。

定性預測方法是成本管理人員根據掌握的建設工程專業知識和豐富的實際經驗，利用已有的建設工程成本資料，對建設工程成本的發展趨勢及可能達到的水平所做的分析和推斷。如經驗評判法、專家會議法、市場調查法等。此種預測法主要問題為：對預測人員的專業知識和行業經驗要求很高，受預測人員的主觀因素影響較大。

定量預測方法是根據歷史資料以及成本與影響因素之間的數量關系，通過建立數學模型來預計推斷未來成本的各種預測方法的統稱。定量預測方法按照成本預測模型中成本與相應變量的性質不同又可分為趨勢預測方法和因果預測方法兩類。趨勢預測方法是按時間順序排列有關的歷史成本資料，運用一定的數學方法和模型進行加工計算并預測的各類方法，具體包括簡單平均法、加權平均法和指數平滑法等。這類方法承認事物發展規律的連續性，將未來視為歷史的自然延續，因此這類方法又稱為外推分析法。此類方法的主要問題為：無法分析系統內部特有的復雜模式，如數據的非線性及多樣性。

因果預測方法是根據成本與其相關因素之間的內在聯系，建立數學模型并進行分析預測的各種方法，具體包括本量利分析法、回歸分析法等。這類方法的實質是利用事物內部因素發展的因果關系來預測事物發展的趨勢。此種方法的主要問題：因果預測只是成本與其它相關因素內在聯系的一種推測，這影響了因子的多樣性和某些因子的不可測性，使得因果分析在某些情況下受到限制，并且無法分析建筑工程動態系統中不可重復的高度非線性變量，這些變量常常是不確定、高噪聲和模糊的。

發明內容

本發明提出一種基于多項特征的建筑工程分析方法，解決了現有定性預測方法受預測人員的主觀因素影響較大，現有定量預測方法無法分析系統內部特有的復雜模式以及在某些情況下受到限制，并且無法分析建筑工程動態系統中不可重復的高度非線性變量的問題。

本發明通過下述技術方案實現：

一種基于多項特征的建筑工程分析方法，包括以下步驟:

步驟1：采集工程樣本，并對樣本進行分析和處理，得到特征向量；

步驟2：基于特征向量，從采樣的工程樣本中獲取訓練集；

步驟3：對RBF神經網絡結構進行初始化處理，并對RBF神經網絡的參數進行初始設置，得到RBF神經網絡初始化模型；

步驟4：采用訓練集對RBF神經網絡初始化模型進行訓練，得到訓練好的RBF神經網絡模型；步驟5：利用訓練好的RBF神經網絡模型對待分析的建筑工程樣本進行分析，并輸出待分析的建筑工程樣本的相應性能特征。

如果要使建筑工程的成本預測結果達到預期的目標，首先大量收集已完工建筑工程的相關數據，因為這些數據的選擇好壞很大程度的影響到本分析方法結果的準確性；其次，分析并處理所收集到的工程數據，得到特征向量；基于特征向量獲取本分析方法的訓練集。