[发明专利]一种基于因子分析和SOM网络的项目进度风险预测方法

说明书

本发明公开了一种基于因子分析和SOM网络的项目进度风险预测方法，用因子分析结合聚类分析，将其结果输给SOM，而非直接将观测数据赋给人工神经网络训练，相当于用统计学的工具大大降低了神经网络的负担，提高SOM的运算效率，避免了神经网络因海量运算导致不收敛或陷入局部极小值的困境；运用模式识别能力较强的SOM网络来进行样本预测，训练次数少、分类精确，对生产现实中的人为因素适应性强。特别是当项目特别多、数据量特别大、数据维度较高的时候，该预测系统充分运用了MINITAB的大数据统计分析特长和MATLAB的智能计算优势。

技术领域

本发明涉及一种风险预测方法，具体涉及一种基于因子分析和SOM网络的项目进度风险预测方法。

背景技术

进度管控是项目管理的重要部分，而由于工程涉及多个环节，任一环出现滞后都可能延误整个项目进度。目前的项目进度管理，主要是通过制定里程碑计划并监督执行，以及通过开展定期、不定期的项目推进会、协调会等形式，仍缺乏高效量化判断、事前精准预警的手段，难以突破“事后管理”瓶颈，达不到事前预判、未雨绸缪的成效。

现在市面上已经存在利用SOM网络进行项目进度风险预测的方法，但是，SOM网络对数据量较大的数据进行处理时海量运算容易导致不收敛或陷入局部极小值的困境。

发明内容

本发明所要解决的技术问题是现在市面上已经存在利用SOM网络进行项目进度风险预测的方法，但是，SOM网络对数据量较大的数据进行处理时海量运算容易导致不收敛或陷入局部极小值的困境，目的在于提供一种基于因子分析和SOM网络的项目进度风险预测方法，解决现在市面上已经存在利用SOM网络进行项目进度风险预测的方法，但是，SOM网络对数据量较大的数据进行处理时海量运算容易导致不收敛或陷入局部极小值的困境的问题。

本发明通过下述技术方案实现：

一种基于因子分析和SOM网络的项目进度风险预测方法，包括ERP系统，还包括依次进行的以下步骤：

A、通过ERP系统获取物资需求提报率x1、非物资需求提报率x2、合同签订率x3、招标采购率x4、物资领用率x5、合同履约率x6、累计支出入账率x7的分析数据，通过ERP系统对上述数据进行验证和修正；

B、将x1-x7导入MINITAB软件进行因子分析，得到影响进度的潜在因子Y1：线下施工进度、Y2：物资采购进度、Y3：工程服务采购进度；

C、对Y1、Y2、Y3进行聚类分析，整理成项目进度风险矩阵T；

D、将项目进度风险矩阵T导入MATLAB软件，在MATLAB软件中编程建立SOM网络，对项目进度风险矩阵T的数据进行训练，对训练后稳定的SOM网络进行验证，分析测试效果；

E、利用ACCESS软件将历史数据的训练结果、SOM网络和当前数据的预测结果封装成数据库，形成高效便捷的项目进度风险预测查询系统。

本发明提供了一种基于因子分析和SOM网络的项目进度风险预测方法，可通过ERT系统每月的项目实施节点大数据，同时对大量项目进行精确的进度风险预测。同时借助因子分析分析、聚类分析，自动判断历史数据的进度风险类别，通过人工神经网络进行模式识别，用故障树梳理进度风险点具体原因和预控策略，建立起高效的工程进度风险预测系统，可以精确、快捷地预测当前项目未来可能面临的进度问题，有效解决项目进度“事后管理”的瓶颈问题，实现项目进度管理提升。用因子分析结合聚类分析，将其结果输给SOM，而非直接将观测数据赋给人工神经网络训练，相当于用统计学的工具大大降低了神经网络的负担，提高SOM的运算效率，避免了神经网络因海量运算导致不收敛或陷入局部极小值的困境；运用模式识别能力较强的SOM网络来进行样本预测，训练次数少、分类精确，对生产现实中的人为因素适应性强。特别是当项目特别多、数据量特别大、数据维度较高的时候，该预测系统充分运用了MINITAB的大数据统计分析特长和MATLAB的智能计算优势。