申请/专利权人：三峡高科信息技术有限责任公司

申请日：2023-09-22

公开（公告）日：2024-04-16

公开（公告）号：CN117035431B

主分类号：G06Q10/0635

分类号：G06Q10/0635;G06N3/08;G06N3/126;G06N20/00;G06Q10/0639;G06Q10/10;G06Q50/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2023.11.28#实质审查的生效;2023.11.10#公开

摘要：本发明公开了一种基于人工智能的机场工程项目建设风险评估方法，包括：获取机场工程项目的工程指标信息；对所述工程指标信息进行概算编码处理，得到编码数据；将编码数据与每个合同报价单项建立联结关系，确定合同完成情况的统计表；将统计表输入预先训练好的深度学习模型中，输出风险评估值。对工程指标信息进行有效的管理，便于用户把握项目情况及项目风险。工程指标管理与工程其他指标融合管理，基于综合指标，实现多维度参与工程建设过程中的风险预警分析，以更全面的视角评估合同执行情况，避免过于简化的分析，提高决策的准确性。工程指标与现代工程风险管理深度结合，更准确地评估项目的风险和优化方向。

主权项：1.一种基于人工智能的机场工程项目建设风险评估方法，其特征在于，包括：获取机场工程项目的工程指标信息；对所述工程指标信息进行概算编码处理，得到编码数据；将编码数据与每个合同报价单项建立联结关系，确定合同完成情况的统计表；将统计表输入预先训练好的深度学习模型中，输出风险评估值；对所述工程指标信息进行概算编码处理，得到编码数据，包括：对所述工程指标信息进行解析，确定项目名称、工程项目概算、工程量指标及工程的成本管理对象；根据项目名称、工程项目概算、工程量指标及工程的成本管理对象，基于分层次编码规则，实行四段式编码结构矩阵，生成编码数据；所述四段式编码结构矩阵，包括：第一段为工程类别与项目名称，第二段为概算层级码，第三段为工程指标码，第四段为切块执行概算；所述工程类别与项目名称，为一层编码，用一位字母表示项目名称；所述概算层级码，为五层编码，第一层表示工程项目门类，用一位字母表示；第二层表示工程项目大类，用二位阿拉伯数字表示；第三层表示工程概算一级项目，用二位阿拉伯数字表示；第四层表示工程概算二级项目，用二位阿拉伯数字表示；第五层表示顺序号，用两位阿拉伯数字表示；所述工程指标码，为四层编码，第一层用一位阿拉伯数字或一位字母表示分类工程指标；第二层用一位阿拉伯数字表示类别或性质；第三层及第四层表示工程指标详细分类；所述切块执行概算，为一层编码，用三位字符表示分块概算，三位字符包括数字字符及字母字符；得到预先训练好的深度学习模型的方法，包括：获取不同项目的历史数据；所述历史数据包括合同金额、支付金额、概算金额、工程量清单项、工程单价、工程质量、工程进度及风险控制；根据所述历史数据构建特征集合；所述特征集合包括工程量清单项的数量和类型、工程单价的分布和变化、工程质量评估、工程进度评估及风险控制评估；基于预设算法设置预测综合指标，并根据预测综合指标构建基于神经网络的算法模型；基于历史数据对算法模型进行训练，使用交叉验证来优化模型参数；引入优化算法，采用遗传算法来优化计算预测综合指标的参数权重，根据最小化预测结果与实际情况的误差进行调优，得到优化算法模型；获取测试项目数据，并根据测试项目数据对优化算法模型基于均方根误差指标进行评估，判断优化算法模型的性能，在性能合格时，得到训练好的深度学习模型；基于预设算法设置预测综合指标，包括：预测综合指标公式：H＝α*C-P+β*R*T*W_1*Q_i+W_2*S_i+W_3*TiP*A-C其中，α和β为用于平衡合同金额与支付金额差异以及合同金额与概算金额差异的权重系数；T为合同支付金额，是指统计表中工程量清单的所有项的工程量乘以单价的金额；E_i为统计表中工程量清单的第i项工程量；U_i为统计表中工程量清单的第i项工程单价；n为工程量清单中的总项数；R为支付金额与合同金额之差与合同金额与概算金额之差的比例；R＝C-PA-C；C为合同金额，是指签订合同约定的付款总额，合同包括工程量清单、质量及时间；P为支付金额，是指已完成的实际付款总额，和合同金额相比反映目前的合同执行情况；A为概算金额，是指根据项目特性和预期范围，预先估算的工程总造价；H为预测综合指标，是用于评价合同的执行情况的风险和优化方向的一个数值；Q_i为工程的第i项质量得分；S_i为工程的第i项进度得分；T_i为工程的第i项风险控制得分；W_1为工程质量权重，是指工程质量对超概算和支付的影响程度；W_2为工程进度权重，是指工程进度对超概算和支付的影响程度；W_3为风险控制权重，是指风险控制对超概算和支付的影响程度；根据预测综合指标构建基于神经网络的算法模型，包括：分析评估机场工程项目的建设风险的复杂性和数据特点，确定神经网络结构：设置输入层：输入层的神经元数量应与机场工程项目中选择的特征数量相匹配，每个神经元对应一个特征；设置隐藏层：使用多个隐藏层来捕捉数据中的复杂模式；每个隐藏层的神经元数量和激活函数基于数据特点来设定；设置输出层：输出层的神经元数量为3，用于预测项目合同执行；选择激活函数：所述激活函数为ReLU、Sigmoid、Tanh中的至少一种；初始化权重和偏置：设置预测综合指标，对神经网络的权重和偏置进行随机初始化，后期在训练过程中进行调整；选择优化算法：采用优化算法，用于更新权重和偏置，以最小化损失函数；设置损失函数：使用均方根误差作为损失函数，用于度量模型预测值与实际值之间的差距；模型编译：将神经网络结构、选择的优化算法和损失函数组合成一个完整的算法模型；所述基于人工智能的机场工程项目建设风险评估方法，还包括对基于神经网络的算法模型进行训练及优化处理，对基于神经网络的算法模型进行训练及优化处理，包括：模型训练：使用历史数据对模型进行训练；在训练过程中，输入特征、概算和合同金额作为输入和目标，使用优化算法来更新权重和偏置，逐步减小损失函数；交叉验证：使用交叉验证来评估模型的性能，防止过拟合，并进行超参数调优；模型评估：使用测试数据对训练好的模型进行评估，计算预测值与实际合同金额的RMSE等指标；权重优化：使用遗传算法等优化方法，调整工程质量、工程进度和风险控制的权重，以使模型更准确地预测综合指标H。

全文数据：

权利要求：

百度查询： 三峡高科信息技术有限责任公司 基于人工智能的机场工程项目建设风险评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD