[發(fā)明專利]一種信息化工程造價的管理方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202111112821.0
• 申請日: 2021-09-18
• 公開（公告）號: CN113807596B
• 公開（公告）日: 2022-12-23
• 發(fā)明（設計）人: 胡健坤;陳志堅;吉小恒;王海吉;解文艷;孫浩;盧雪瑩
• 申請（專利權）人: 中國能源建設集團廣東省電力設計研究院有限公司
• 主分類號: G06F17/11
• 分類號: G06F17/11;G06Q10/04;G06Q10/06;G06Q30/02;G06Q50/08;G06N3/08;G06N3/04
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 郝傳鑫

1.一種信息化工程造價的管理方法，其特征在于，包括：

基于歷史工程的工程造價在歷史工程周期的真實數(shù)據(jù)，構建造價周期預測模型，并基于現(xiàn)有工程的工程造價在現(xiàn)有工程周期的真實數(shù)據(jù)，利用造價周期預測模型預測出所述現(xiàn)有工程的工程造價在未來工程周期的預測數(shù)據(jù)；

將所述工程造價在未來工程周期的預測數(shù)據(jù)與工程造價在未來工程周期的規(guī)劃數(shù)據(jù)進行差異比較，根據(jù)差異比較結果判定所述未來工程周期的規(guī)劃數(shù)據(jù)合理與否；

將不合理的所述未來工程周期的規(guī)劃數(shù)據(jù)進行調(diào)整，直至所述工程造價在未來工程周期的預測數(shù)據(jù)與所述未來工程周期的規(guī)劃數(shù)據(jù)的差異在閾值范圍內(nèi)；

將所述工程造價在未來工程周期的預測數(shù)據(jù)與工程造價在未來工程周期的規(guī)劃數(shù)據(jù)進行差異比較，根據(jù)差異比較結果判定所述未來工程周期的規(guī)劃數(shù)據(jù)合理與否，包括：

將所述現(xiàn)有工程的工程造價在現(xiàn)有工程周期[1，N]的真實數(shù)據(jù){x_k|k∈[1，N]}輸入至所述造價周期預測模型中，輸出所述工程造價在未來工程周期N+1的預測數(shù)據(jù)Out_N+1；

將所述工程造價在未來工程周期N+1的預測數(shù)據(jù)Out_N+1與所述工程造價在未來工程周期N+1的規(guī)劃數(shù)據(jù)y_N+1進行差異比較，其中，

若差異比較結果超過差異閾值范圍，則所述工程造價在未來工程周期N+1的規(guī)劃數(shù)據(jù)y_N+1不合理；

若差異比較結果未超過差異閾值范圍，則所述工程造價在未來工程周期N+1的規(guī)劃數(shù)據(jù)y_N+1合理；

所述差異比較結果的計算方法包括：

計算所述預測數(shù)據(jù)Out_N+1與所述規(guī)劃數(shù)據(jù)y_N+1的歐氏距離作為差異比較結果，所述差異比較結果計算公式：

其中，Δe為差異比較結果，T為轉置運算符，W^T＝{w_r|r∈[1，p]}，W^T為規(guī)劃數(shù)據(jù)y_N+1的各個數(shù)據(jù)類別的重要度權重向量，w_r為規(guī)劃數(shù)據(jù)y_N+1的數(shù)據(jù)類別r的重要度權重，p為規(guī)劃數(shù)據(jù)y_N+1的數(shù)據(jù)類別總數(shù)；

基于歷史工程的工程造價在歷史工程周期的真實數(shù)據(jù)，構建造價周期預測模型，包括：

將所述歷史工程周期中每個工程周期的真實數(shù)據(jù)均量化成向量形式作為一個訓練樣本，將工程周期的期數(shù)保留為對應訓練樣本的時序屬性，并將所有訓練樣本按時序屬性進行順序排列構成訓練時序樣本{x_t|t∈[1，n]}；其中，x_t為歷史工程周期中第t個工程周期的真實數(shù)據(jù)，且為第t個時序的訓練樣本，n為歷史工程周期中工程周期的總期數(shù)；

將所述訓練時序樣本運用至CNN-LSTM混合神經(jīng)網(wǎng)絡中進行模型訓練得到造價周期預測模型；

將所述訓練時序樣本運用至所述CNN-LSTM混合神經(jīng)網(wǎng)絡中進行模型訓練得到造價周期預測模型，包括：

將所述訓練時序樣本輸入CNN卷積神經(jīng)網(wǎng)絡進行特征提取，輸出特征序列；其中，所述CNN卷積神經(jīng)網(wǎng)絡的訓練參數(shù)設定包括：網(wǎng)絡filter設定為64個，激活函數(shù)設定為Relu函數(shù)，池化處理設定為max-poling模式，dropout概率設定為0.25；

將所述特征序列輸入值LSTM長短期記憶網(wǎng)絡中進行時序預測訓練，輸出未來工程周期的預測數(shù)據(jù)；

所述LSTM長短期記憶網(wǎng)絡的訓練參數(shù)設定包括：

網(wǎng)絡層time step設定為特征序列的特征類別m；

網(wǎng)絡Attention系數(shù)設定公式為α＝softmax(A^T*sigmoid(O))；

網(wǎng)絡的Attention Value設定公式為S＝Oα^T；

網(wǎng)絡輸出的預測值設定公式為out＝sigmoid(B^T*S)；

其中，A＝{a}，O＝{o_i|i∈[1，m]}，α＝{α_i|i∈[1，m]}，S＝{s_i|i∈[1，m]}，B＝，out＝{output_i|i∈[1，m]}；

s0ftmax為softmax運算函數(shù)體，sigmoid為sigmoid運算函數(shù)體，O為LSTM長短期記憶網(wǎng)絡未引入Attention機制時的輸出預測值，0_i為LSTM長短期記憶網(wǎng)絡未引入Attention機制時第i個網(wǎng)絡層time step的輸出值，a為O的預設權重，α為所有網(wǎng)絡層time step的Attention系數(shù)構成的Attention系數(shù)向量，α_i為第i層網(wǎng)絡的Attention系數(shù)，S為所有網(wǎng)絡層time step的Attention Value構成的Attention Value向量，s_i為第i個網(wǎng)絡層timestep的Attention Value，b為S的預設權重，out為LSTM長短期記憶網(wǎng)絡引入Attention機制時的輸出預測值，output_i為LSTM長短期記憶網(wǎng)絡引入Attention機制時第i個網(wǎng)絡層timestep的輸出值，T為轉置符；

所述LSTM長短期記憶網(wǎng)絡的訓練方式設置為seq2seq的反向傳遞方式；

所述LSTM長短期記憶網(wǎng)絡的誤差設定為其中，n為歷史工程周期中工程周期的總期數(shù)，x_t為工程造價在歷史工程周期中第t個工程周期的真實數(shù)據(jù)，out_t為LSTM長短期記憶網(wǎng)絡引入Attention機制時輸出的工程造價在歷史工程周期中第t個工程周期的預測數(shù)據(jù)；

將不合理的所述未來工程周期的規(guī)劃數(shù)據(jù)進行調(diào)整，直至所述工程造價在未來工程周期的預測數(shù)據(jù)與所述未來工程周期的規(guī)劃數(shù)據(jù)的差異在閾值范圍內(nèi)，包括：

將規(guī)劃數(shù)據(jù)y_N+1′中需要調(diào)整的數(shù)據(jù)類別進行工程造價的重新規(guī)劃得到新的規(guī)劃數(shù)據(jù)y_N+1″，直至所述預測數(shù)據(jù)out_N+1與所述規(guī)劃數(shù)據(jù)y_N+1″的差異在閾值范圍內(nèi)；

將不合理的所述未來工程周期的規(guī)劃數(shù)據(jù)進行調(diào)整，直至所述工程造價在未來工程周期的預測數(shù)據(jù)與所述未來工程周期的規(guī)劃數(shù)據(jù)的差異在閾值范圍內(nèi)，還包括：

將所述規(guī)劃數(shù)據(jù)y_N+1′與所述預測數(shù)據(jù)Out_N+1的每個數(shù)據(jù)類別依次進行數(shù)據(jù)權重差值運算，并將每個數(shù)據(jù)類別的數(shù)據(jù)權重差值運算結果{Δe_r|r∈[1，p]}與所述差異閾值范圍進行比較；其中，

若Δe_r超過所述差異閾值范圍內(nèi)，則所述規(guī)劃數(shù)據(jù)y_N+1′中數(shù)據(jù)類別r為需要調(diào)整的數(shù)據(jù)類別；

若Δe_r未超過所述差異閾值范圍內(nèi)，則所述規(guī)劃數(shù)據(jù)y_N+1′中數(shù)據(jù)類別r為無需調(diào)整的數(shù)據(jù)類別。