[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

说明书

本发明公开了一种往期数据的基站设备安装项目工期预测方法。包括：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。解决了现有技术中未考虑项目所处区域的社会、经济、自然等因素，无法准确的预测项目工期的技术问题。达到了总和考虑项目所处区域的社会、经济、自然等因素对项目工期的影响，得到基站设备安装项目工期预测的技术效果。

技术领域

本发明关于一种基于往期数据的基站设备安装项目工期预测方法。

背景技术

电信运营商进行基站设备安装项目施工前，没有统一的度量来标定不同项目从准备到关闭的预测工期。导致项目管控失调，无法有效对相关项目进行跟踪把握。目前基站设备安装项目工期预测方法主要有：(1)基于设备安装工作量计算工时进行预测；(2)根据项目经理经验预估。方法(1)未考虑项目所处区域的社会、经济、自然等因素影响，而方法(2)受项目经理主观认知影响较大，均无法较为准确的预测项目工期。如何考虑项目所处区域的社会、经济、自然等因素对项目工期的影响，得出基站设备安装项目工期预测方法，成为运营商基站工程建设人员急需解决的问题。

发明内容

鉴于上述情况，有必要提供一种基于往期数据的基站设备安装项目工期预测方法，可以有效解决上述问题。

本发明提供一种基于往期数据的基站设备安装项目工期预测方法，包括以下步骤：

(1)分析基站设备安装项目工期影响因素，根据实际业务确定影响工期的因素：区域因素，项目规模因素、项目类型因素、管理因素等。

(2)在获取往期数据的基础上，对获取的数据进行相应的统计性描述，统计标准项目(未逾期)与逾期项目比例、项目区域分布、项目规模，并对异常值、缺失值进行相应的处理。

(3)利用处理后的数据，采用机器学习方法，构建标准工期划分机制，完成不同区域、不同规模、不同阶段的划分。其中，通过K-Means聚类方法用以划分区域，根据BP神经网络找到复杂规律，输出BP规模。

(4)根据上述划分，对不同区域、不同规模、不同阶段的工期数据都给出相应的稳健性估计，最终输出项目工期预测表。

附图说明

图1一种基于往期数据的基站设备安装项目工期预测方法的实施步骤图；

图2收集数据信息表；

图3数据预处理过程的流程图；

具体实施方式

请参照图1，本发明实施一种基于往期数据的基站设备安装项目工期预测方法，包括如下步骤：

S1，分析基站设备安装项目工期影响因素，根据实际业务确定影响工期的因素：区域因素，项目规模因素、项目类型因素、管理因素等；

S2，在获取往期数据的基础上，对获取的数据进行相应的统计性描述，统计标准项目(未逾期)与逾期项目比例、项目区域分布、项目规模，并对异常值、缺失值进行相应的处理；

S3，利用处理后的数据，采用机器学习方法，构建标准工期划分机制，完成不同区域、不同规模、不同阶段的划分。其中，通过K-Means聚类方法用以划分区域，根据BP神经网络找到复杂规律，输出BP规模；

S4，根据上述划分，对不同区域、不同规模、不同阶段的工期数据都给出相应的稳健性估计，最终输出项目工期预测表。

在步骤S1中，充分分析基站设备安装项目工期影响因素：