[发明专利]一种基于往期数据的基站设备安装项目工期预测方法

权利要求书

1.一种基于往期数据的基站设备安装项目工期预测方法，其特征在于：

主要采用K-Means聚类、BP神经网络等机器学习方法，构建工期划分机制，完成区域、规模两大属性划分。同时，结合项目阶段属性基于往期相关项目数据信息给出不同区域、不同规模、不同阶段基站设备安装项目的稳健估计值。利用各阶段稳健估计值，最终输出基站设备安装项目工期预测结果。

2.如权利要求1所述的设计方法，其特征在于，利用K-Means聚类方法完成项目所实施区域划分：

项目处于不同区域，所在区域的社会、经济、自然因素差异，基站设备安装项目所需工期也相应存在差异，比如：人口密集、经济发达地区站址谈判难度大，施工难度大；高海拔地区施工难度大；立项习惯导致不同区域项目规模不一，对项目工期产生影响。利用K-Means聚类方法，采用以下指标完成区域划分：

城市面积、平均海拔高度、10年风压、最新人口数量、人均GDP、新建宏站数、共址宏站数、新建室分数、共址室分数、扩容数、微站数。其中城市面积、平均海拔高度、10年风压可反映自然因素差异；最新人口数量、人均GDP可反映社会及经济因素差异；而新建宏站数、共址宏站数、新建室分数、共址室分数、扩容数、微站数反映了区域立项习惯差异。

注：宏站、室分、扩容、微站为不同基站设备类型；新建表示该基站设备在新址进行安装，共址表示该基站设备安装位置为在已安装有其他电信设备地址安装无需在新建机房/机柜安装。

3.如权利要求1所述的设计方法，其特征在于，在权利要求2完成区域划分的基础上，针对某类区域基站设备安装项目利用BP神经网络算法根据项目中基站设备不同类型确定出项目“BP规模”，要求项目“BP规模”与往期数据中项目工期成明显正相关关系。

基站设备安装项目规模数据中，根据设备类型不同可分为：(1)项目新建宏站数；(2)项目共址宏站数；(3)项目新建室分数；(4)项目共址室分数；(5)项目扩容站点数；(6)项目微站数。由于站点数量和工期存在复杂的关系，对于工期而言，要得到与其正相关的项目规模数值采用简单的加总和依据经验的加权求和均是不可靠的。本发明利用BP神经网络找到工期与项目规模之间潜在的复杂关系，通过该网络模型可将输入的项目规模数据(即：项目中不同设备类型基站数)，转变为项目的“BP规模”。网络模型训练流程描述如下：

网络模型输入：项目新建宏站数、项目共址宏站数、项目新建室分数、项目共址室分数、项目扩容站点数、项目微站数

网络模型输出：项目工期(天)

与普通BP神经网络一致，神经网络模型包含了输入层、隐藏层、输出层，其中隐藏层的神经元数与内部层数不固定，由实施者自行确定。

4.如权利要求1所述的设计方法，其特征在于，结合项目阶段属性基于往期相关项目数据信息给出不同区域、不同规模、不同阶段基站设备安装项目工期的稳健估计值：

本发明采用中位数这个统计量作为稳健估计的估计方法，它不仅能准确探测粗差的位置，而且能剔除粗差，消除粗差对平差结果的影响，某新项目工期预测流程如下：

(1)利用K-Means聚类方法根据往期相关数据完成项目所述区域类别划分；

(2)针对不同区域类别，利用BP神经网络方法及往期项目数据训练出项目的相应“BP规模”模型；根据“BP规模”工期的正相关关系，确定出大规模项目、中规模项目、小规模项目分界(可更细)；

(3)针对不同区域、不同规模，结合项目的阶段信息，分别利用往期项目工期数据确定出相应区域、相应规模、相应阶段工期的中位数，以此作为其工期稳健估计值，并形成项目工期预测表；

(4)根据新项目所属区域，利用相应神经网络“BP规模”模型，计算出新项目“BP模型”数值，根据大、中、小规模分界，确定新项目分别属于哪种规模；

(5)根据新项目相关属性及得出的“BP规模”数值，查询项目工期预测表，加总各阶段的预测工期确定新项目总体预测工期。