[发明专利]基于KPCA-LA-RBM的输变电工程造价预测方法

说明书

本发明公开了属于电数字数据处理技术领域的一种基于KPCA‑LA‑RBM的输变电工程造价预测方法。包括以下步骤：1对各样本数据进行数据选择与预处理，并获得关键影响因素集；2将若干组预处理后的样本数据组成训练集，并使用训练集训练KPCA‑LA‑RBM组合模型；3将剩余的数据作为测试集，根据训练好的组合模型，运用测试集对训练好的模型进行预测，得到最终的预测结果。本发明根据主成分累计方差贡献率选取前4个主成分作为组合模型的输入向量，在保证预测精度的情况下，提高了模型的计算效率。本发明提出的组合模型能够有效降低单一模型带来的误差，提高预测精度，使其提高泛化能力和鲁棒性，适用于输变电工程造价预测。

技术领域

本发明属于电数字数据处理技术领域，具体为一种基于KPCA-LA-RBM的输变电工程造价预测方法。

背景技术

电力建设属于基础建设，相对于其他的消费性需求，基础设施建设的好坏对人们的生活水平和质量有很大的影响，可以说在一定的程度上电力建设也是一个城市发达水平的标志。近年来，随着我国GDP的增长，电网行业发展迅速，输变电工程建设规模不断增大，电网投资也随着变得越来越大。为了在电力实际建设过程中合理控制成本、优化资源配置并有效调整计划安排，最终为企业决策提供依据，需要运用工程造价预测的方法对项目进行投资估计，为工程施工和项目评审提供参考依据和衡量尺度。因此，输变电工程造价预测对于加强电力行业的建设、优化电力工程投资具有重要的意义。

目前，输变电工程造价预测模型主要分为两类：一类是传统预测模型，另一类是人工智能预测模型。传统的预测方法特点是原理简单，但是周期较长、速度较慢、误差较大，主要有：专家会议法、德尔菲法、移动平均法、指数平滑法等。建立在传统预测方法的基础上提出的智能算法，主要包括协整理论、灰色分析理论法、粒子群算法理论、模糊分析法和BP(Back Propagation)神经网络法等，因其较为智能的算法与个性化，在电力建设工程方面有较为广泛的应用。但是针对小样本特征的工程造价预测问题方面，支持向量机(SVM)方法预测效果相对较好。

在人工智能预测模型这一类别中，BP神经网络和支持向量机是两种较为常见的算法。神经网络在模式识别和数据拟合方面具有很大的优势，也在相关变量的回归与分类问题、函数拟合问题上达到有效的成果。

但是BP神经网络算法收敛速度慢、容易陷入局部最优解，针对该算法存在的不足，许多学者使用因子分析、模糊算法等与神经网络进行结合形成新的组合算法，或者使用遗传算法、粒子群算法等对其进行改进。

虽然BP神经网络算法在预测性能方面得到了较大的改善，并能取得较为精确的预测结果，但是BP神经网络不适用于小样本数据的预测。因此，支持向量机因其鲁棒性强、预测精度较好，适用于小样本数据得到许多学者的青睐。

除了以上算法，还有的学者使用了随机森林等方法进行输变电工程造价预测。

以上这些算法属于浅层学习算法，针对复杂的函数问题处理能力有限，并且这些算法是以先验知识为基础的，不能完全反应信息的特征，受限玻尔兹曼机算法能够将底层特征组合抽象为高层特征，从而更好的反应数据特征。目前，受限玻尔兹曼机在各个领域得到了广泛的应用，尤其是预测领域。

输变电工程周期长、工程量大，针对这样的特点，如果能对输变电工程造价进行预测，一定能够提高输变电工程建设效率。因此目前急需一种用于预测输变电工程造价的方法针以对输变电工程造价在预测过程中存在的问题。

发明内容

针对背景技术中所提到的问题，本发明公开了一种基于KPCA-LA-RBM的输变电工程造价预测方法，其特征在于，包括：

步骤1、对各样本数据进行数据选择与预处理，并获得关键影响因素集；

步骤2、将若干组预处理后的样本数据组成训练集，并使用训练集训练KPCA-LA-RBM组合模型；

步骤3、输变电工程造价预测：