[发明专利]一种信息化工程造价的管理方法及系统

权利要求书

1.一种信息化工程造价的管理方法，其特征在于，包括：

基于历史工程的工程造价在历史工程周期的真实数据，构建造价周期预测模型，并基于现有工程的工程造价在现有工程周期的真实数据，利用造价周期预测模型预测出所述现有工程的工程造价在未来工程周期的预测数据；

将所述工程造价在未来工程周期的预测数据与工程造价在未来工程周期的规划数据进行差异比较，根据差异比较结果判定所述未来工程周期的规划数据合理与否；

将不合理的所述未来工程周期的规划数据进行调整，直至所述工程造价在未来工程周期的预测数据与所述未来工程周期的规划数据的差异在阈值范围内；

将所述工程造价在未来工程周期的预测数据与工程造价在未来工程周期的规划数据进行差异比较，根据差异比较结果判定所述未来工程周期的规划数据合理与否，包括：

将所述现有工程的工程造价在现有工程周期[1，N]的真实数据{x_k|k∈[1，N]}输入至所述造价周期预测模型中，输出所述工程造价在未来工程周期N+1的预测数据Out_N+1；

将所述工程造价在未来工程周期N+1的预测数据Out_N+1与所述工程造价在未来工程周期N+1的规划数据y_N+1进行差异比较，其中，

若差异比较结果超过差异阈值范围，则所述工程造价在未来工程周期N+1的规划数据y_N+1不合理；

若差异比较结果未超过差异阈值范围，则所述工程造价在未来工程周期N+1的规划数据y_N+1合理；

所述差异比较结果的计算方法包括：

计算所述预测数据Out_N+1与所述规划数据y_N+1的欧氏距离作为差异比较结果，所述差异比较结果计算公式：

其中，Δe为差异比较结果，T为转置运算符，W^T＝{w_r|r∈[1，p]}，W^T为规划数据y_N+1的各个数据类别的重要度权重向量，w_r为规划数据y_N+1的数据类别r的重要度权重，p为规划数据y_N+1的数据类别总数；

基于历史工程的工程造价在历史工程周期的真实数据，构建造价周期预测模型，包括：

将所述历史工程周期中每个工程周期的真实数据均量化成向量形式作为一个训练样本，将工程周期的期数保留为对应训练样本的时序属性，并将所有训练样本按时序属性进行顺序排列构成训练时序样本{x_t|t∈[1，n]}；其中，x_t为历史工程周期中第t个工程周期的真实数据，且为第t个时序的训练样本，n为历史工程周期中工程周期的总期数；

将所述训练时序样本运用至CNN-LSTM混合神经网络中进行模型训练得到造价周期预测模型；

将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练得到造价周期预测模型，包括：

将所述训练时序样本输入CNN卷积神经网络进行特征提取，输出特征序列；其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为64个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.25；

将所述特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出未来工程周期的预测数据；

所述LSTM长短期记忆网络的训练参数设定包括：

网络层time step设定为特征序列的特征类别m；

网络Attention系数设定公式为α＝softmax(A^T*sigmoid(O))；

网络的Attention Value设定公式为S＝Oα^T；

网络输出的预测值设定公式为out＝sigmoid(B^T*S)；

其中，A＝{a}，O＝{o_i|i∈[1，m]}，α＝{α_i|i∈[1，m]}，S＝{s_i|i∈[1，m]}，B＝{b}，out＝{output_i|i∈[1，m]}；

s0ftmax为softmax运算函数体，sigmoid为sigmoid运算函数体，O为LSTM长短期记忆网络未引入Attention机制时的输出预测值，0_i为LSTM长短期记忆网络未引入Attention机制时第i个网络层time step的输出值，a为O的预设权重，α为所有网络层time step的Attention系数构成的Attention系数向量，α_i为第i层网络的Attention系数，S为所有网络层time step的Attention Value构成的Attention Value向量，s_i为第i个网络层timestep的Attention Value，b为S的预设权重，out为LSTM长短期记忆网络引入Attention机制时的输出预测值，output_i为LSTM长短期记忆网络引入Attention机制时第i个网络层timestep的输出值，T为转置符；

所述LSTM长短期记忆网络的训练方式设置为seq2seq的反向传递方式；

所述LSTM长短期记忆网络的误差设定为其中，n为历史工程周期中工程周期的总期数，x_t为工程造价在历史工程周期中第t个工程周期的真实数据，out_t为LSTM长短期记忆网络引入Attention机制时输出的工程造价在历史工程周期中第t个工程周期的预测数据；

将不合理的所述未来工程周期的规划数据进行调整，直至所述工程造价在未来工程周期的预测数据与所述未来工程周期的规划数据的差异在阈值范围内，包括：

将规划数据y_N+1′中需要调整的数据类别进行工程造价的重新规划得到新的规划数据y_N+1″，直至所述预测数据out_N+1与所述规划数据y_N+1″的差异在阈值范围内；

将不合理的所述未来工程周期的规划数据进行调整，直至所述工程造价在未来工程周期的预测数据与所述未来工程周期的规划数据的差异在阈值范围内，还包括：

将所述规划数据y_N+1′与所述预测数据Out_N+1的每个数据类别依次进行数据权重差值运算，并将每个数据类别的数据权重差值运算结果{Δe_r|r∈[1，p]}与所述差异阈值范围进行比较；其中，

若Δe_r超过所述差异阈值范围内，则所述规划数据y_N+1′中数据类别r为需要调整的数据类别；

若Δe_r未超过所述差异阈值范围内，则所述规划数据y_N+1′中数据类别r为无需调整的数据类别。