CN109858706A - 一种工程项目造价数据管理***及方法 - Google Patents

Abstract

本发明属于工程项目造价数据管理技术领域，公开了一种工程项目造价数据管理***及方法，所述工程项目造价数据管理***包括：工程数据采集模块、主控模块、修正模块、周期预测模块、造价预算模块、结算模块、项目档案管理模块、数据存储模块、显示模块。本发明通过周期预测模块为工程建设的实施和管理提供了重要的支持；同时，通过项目档案管理模块将重大工程项目档案之间进行有效关联，并利用地图技术对实际的工程进行展示，使得用户可以快速的定位和找到某个工程对应的文档，从而达到了提高处理效率，降低用户操作复杂度，提升用户体验感的技术效果，进而解决了现有技术中工程项目档案的处理方法效率低，导致用户操作复杂，体验感差的技术问题。

Description

一种工程项目造价数据管理***及方法

技术领域

本发明属于工程项目造价数据管理技术领域，尤其涉及一种工程项目造价数据管理***及方法。

背景技术

工程造价就是指工程的建设价格，是指为完成一个工程的建设，预期或实际所需的全部费用总和。从业主(投资者)的角度来定义，工程造价是指工程的建设成本，即为建设一项工程预期支付或实际支付的全部固定资产投资费用。这些费用主要包括设备及工器具购置费、建筑工程及安装工程费、工程建设其他费用、预备费、建设期利息、固定资产投资方向调节税(这项费用目前暂停征收)。尽管这些费用在建设项目的竣工决算中，按照新的财务制度和企业会计准则核算新增资产价值时，并没有全部形成新增固定资产价值，但这些费用是完成固定资产建设所必需的。因此，从这个意义上讲，工程造价就是建设项目固定资产投资。从承发包角度来定义，工程造价是指工程价格，即为建成一项工程，预计或实际在土地、设备、技术劳务以及承包等市场上，通过招投标等交易方式所形成的建筑安装工程的价格和建设工程总价格。在这里，招投标的标的可以是一个建设项目，也可以是一个单项工程，还可以是整个建设工程中的某个阶段，如建设项目的可行性研究、建设项目的设计，以及建设项目的施工阶段等。然而，现有工程项目造价数据管理***靠人经验判断的工程建设周期，效率低、准确度低；同时，对档案处理效率低，查找困难。

综上所述，现有技术存在的问题是：

(1)现有工程项目造价数据管理***靠人经验判断的工程建设周期，效率低、准确度低；同时，对档案处理效率低，查找困难。

(2)现有技术中通过数据采集设备采集工程原料、设备、规划图等数据之后，采用传统的算法对各类数据进行聚类处理，降低了聚类准确度和收敛性能。

(3)现有技术中通过采用现有的算法对建设项目发生的全部费用进行预测和估算的过程中，不能有效地提高工程造价的预测精度,，使预测结果不具有一定的实际应用价值。

(4)现有技术中存储器采用传统算法存储采集的工程数据、修正数据、预算数据、结算数据的过程中，不能有效地降低***平均响应时间，降低了***吞吐量，使分布式存储***负载变得不均衡。

发明内容

针对现有技术存在的问题，本发明提供了一种工程项目造价数据管理***及方法。

本发明是这样实现的，一种工程项目造价数据管理方法，所述工程项目造价数据管理方法包括：

第一步，采集工程原料、设备、规划图等数据信息，对采集的数据信息进行修改、变动；

第二步，预测工程完工周期，初步对建设项目发生的全部费用进行预测和估算，作相应调整；

第三步，对己完成的工程价款进行结算，记录存档，并利用存储器存储采集的工程数据、修正数据、预算数据、结算数据等信息；

第四步，通过显示器显示工程项目造价数据管理***界面及采集的工程数据、修正数据、预算数据、结算数据等信息。

进一步，通过数据采集设备采集工程原料、设备、规划图数据之后对各类数据进行聚类处理，采用改进的聚类算法，具体过程如下：

在D维大数据云存储聚类特征空间中，有m个粒子组成一个种群，当扰动序列加入种群中，影响了聚类精度云存储中大数据聚类的数学描述如下：

minF(x)＝[f₁(x)，f₂(x)，…，f_n(x)]；

s.t.g_i(x)≤0(或≥0)i＝1，2，…n；

h_j(x)＝0_j＝1，2，…，m；

其中f_i(x)(i＝1，2，…，n)为目标函数，g_i(x)***有两个不稳定的1周期点x＝0和x＝1-1/μ，h_j(x)为等式约束；

引入混沌粒子群扰动概念，得到决策变量x^*支配的聚类中心的特征解为：

对于每个大数据信息特征矢量X_i进行存档，为

l_i(k)＝(1-ρ)l_i(k-1)+γf(x_i(k))；

其中f_i是Pareto最优解，P_ij(k)表示k时刻第i个决策变量，不等式f_i(X^*)≤f_i(X)成立，其中i＝1，2，…，n，设置聚类的阈值N_th，当N_eff＜N_th时，搜索区域的O_α和O_β两个区间的聚类正确的概率为：

采用粒子群跳数改进机制进行存储库中的粒子更新；

更新粒子群中每个粒子的空间位置：

其中x_k为搜索该区域内的惯性权重，a为聚类中心的非劣解，d_e为极值点到非劣解的距离，在评估解集分布的均匀程度时，计算按最优聚类中心矢量函数根据模因组中的更新迭代顺序，得到：

∑_τ＝diag(max)σ_i-τ，0)；

由此得到云存储中大数据聚类的粒子适应度函数为：

其中{α，β}为分集聚敛目标函数，通过优化PSO聚类方法实现对云存储中大数据聚类。

进一步，通过预算程序对建设项目发生的全部费用进行预测和估算，采用改进的预测算法，具体包括以下步骤：

步骤一，将采集的数据信息构建工程造价样本；

步骤二，对样本进行预处理，进行初始化粒子群，计算适应度值；

步骤三，选择当前最优位置，更新粒子位置和速度，判断是否满足结束条件，“是”进入到下一步；“否”更新粒子群，返回步骤一；

步骤四，确定最优解，输出最优解，将最优解进行SVMi训练，判断是否达到预测精度要求，“是”输出结果；“否”对最优解进行重复SVMi训练。

本发明的另一目的在于提供一种实现所述工程项目造价数据管理方法的工程项目造价数据管理***，所述工程项目造价数据管理***包括：

工程数据采集模块、主控模块、修正模块、周期预测模块、造价预算模块、结算模块、项目档案管理模块、数据存储模块、显示模块；

工程数据采集模块，与主控模块连接，用于通过数据采集设备采集工程原料、设备、规划图等数据；

主控模块，与工程数据采集模块、修正模块、周期预测模块、造价预算模块、结算模块、项目档案管理模块、数据存储模块、显示模块连接，用于通过中央处理器控制各个模块正常工作；

修正模块，与主控模块连接，用于通过数据修正程序对建设规模、结构性质、设备类型等方面进行修改、变动，初步设计概算也作相应调整；

周期预测模块，与主控模块连接，用于预测工程完工周期；

造价预算模块，与主控模块连接，用于通过预算程序对建设项目发生的全部费用进行预测和估算；

结算模块，与主控模块连接，用于通过结算程序对己完工程价款进行结算；

项目档案管理模块，与主控模块连接，用于通过档案管理程序管理工程项目档案；

数据存储模块，与主控模块连接，用于通过存储器存储采集的工程数据、修正数据、预算数据、结算数据；

显示模块，与主控模块连接，用于通过显示器显示工程项目造价数据管理***界面及采集的工程数据、修正数据、预算数据、结算数据。

本发明的另一目的在于提供一种应用所述工程项目造价数据管理方法的工程项目造价数据管理平台。

本发明的优点及积极效果为：本发明通过周期预测模块根据工程建设的历史数据进行筛选，分析，生成对应的支持向量模型，从而对未完成的在建项目或未来的工程项目的建设周期进行预测，为工程建设的实施和管理提供了重要的支持；同时，通过项目档案管理模块将重大工程项目档案之间进行有效关联，并利用地图技术对实际的工程进行展示，使得用户可以快速的定位和找到某个工程对应的文档，从而达到了提高处理效率，降低用户操作复杂度，提升用户体验感的技术效果，进而解决了现有技术中工程项目档案的处理方法效率低，导致用户操作复杂，体验感差的技术问题。

本发明中工程数据采集模块，用于通过数据采集设备采集工程原料、设备、规划图等数据之后需要对各类数据进行聚类处理，为了提高聚类准确度，提高收敛性能，能在较短的迭代步数下计算得到最优解，采用一种改进的聚类算法。

本发明中造价预算模块通过预算程序对建设项目发生的全部费用进行预测和估算的过程中，为了有效提高工程造价的预测精度,使预测结果具有一定的实际应用价值，采用一种改进的预测算法。

本发明中数据存储模块通过存储器存储采集的工程数据、修正数据、预算数据、结算数据的过程中，为了有效地降低***平均响应时间，提高***吞吐量，使分布式存储***负载更为均衡，采用一种改进的分布式算法。

附图说明

图1是本发明实施例提供的工程项目造价数据管理方法流程图。

图2是本发明实施例提供的工程项目造价数据管理***结构示意图；

图中：1、工程数据采集模块；2、主控模块；3、修正模块；4、周期预测模块；5、造价预算模块；6、结算模块；7、项目档案管理模块；8、数据存储模块；9、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的工程项目造价数据管理***管理方法，包括以下步骤：

S101：首先，采集工程原料、设备、规划图等数据信息，对采集的数据信息进行修改、变动；

S102：预测工程完工周期，初步对建设项目发生的全部费用进行预测和估算，作相应调整；

S103：对己完成的工程价款进行结算，记录存档，并利用存储器存储采集的工程数据、修正数据、预算数据、结算数据等信息；

S104：通过显示器显示工程项目造价数据管理***界面及采集的工程数据、修正数据、预算数据、结算数据等信息。

如图2所示，本发明提供的工程项目造价数据管理***包括：工程数据采集模块1、主控模块2、修正模块3、周期预测模块4、造价预算模块5、结算模块6、项目档案管理模块7、数据存储模块8、显示模块9。

工程数据采集模块1，与主控模块2连接，用于通过数据采集设备采集工程原料、设备、规划图等数据；

主控模块2，与工程数据采集模块1、修正模块3、周期预测模块4、造价预算模块5、结算模块6、项目档案管理模块7、数据存储模块8、显示模块9连接，用于通过中央处理器控制各个模块正常工作；

修正模块3，与主控模块2连接，用于通过数据修正程序对建设规模、结构性质、设备类型等方面进行修改、变动，初步设计概算也作相应调整；

周期预测模块4，与主控模块2连接，用于预测工程完工周期；

造价预算模块5，与主控模块2连接，用于通过预算程序对建设项目发生的全部费用进行预测和估算；

结算模块6，与主控模块2连接，用于通过结算程序对己完工程价款进行结算；

项目档案管理模块7，与主控模块2连接，用于通过档案管理程序管理工程项目档案；

数据存储模块8，与主控模块2连接，用于通过存储器存储采集的工程数据、修正数据、预算数据、结算数据；

显示模块9，与主控模块2连接，用于通过显示器显示工程项目造价数据管理***界面及采集的工程数据、修正数据、预算数据、结算数据。

所述工程数据采集模块1，与主控模块2连接，用于通过数据采集设备采集工程原料、设备、规划图等数据之后需要对各类数据进行聚类处理，为了提高聚类准确度，提高收敛性能，能在较短的迭代步数下计算得到最优解，采用一种改进的聚类算法，具体过程如下：

假设在D维大数据云存储聚类特征空间中，有m个粒子组成一个种群，当扰动序列加入种群中，影响了聚类精度云存储中大数据聚类的数学描述如下：

minF(x)＝[f₁(x)，f₂(x)，…，f_n(x)]；

s.t.g_i(x)≤0(或≥0)i＝1，2，…n；

h_j(x)＝0j＝1，2，…，m；

其中f_i(x)(i＝1，2，…，n)为目标函数，g_i(x)***有两个不稳定的1周期点x＝0和x＝1+1/μ，h_j(x)为等式约束；

引入混沌粒子群扰动概念，得到决策变量x^*支配的聚类中心的特征解为：

为了避免粒子陷入局部最优，对于每个大数据信息特征矢量X_i进行存档，为

l_i(k)＝(1-ρ)l_i(k-1)γf(x_i(k))；

其中f_i是Pareto最优解，P_ij(k)表示k时刻第i个决策变量，不等式f_i(X*）≤f_i(X)成立，其中i＝1，2，…，n，设置聚类的阈值N_th，当N_eff＜N_th时，搜索区域的O_α和O_β两个区间的聚类正确的概率为：

采用粒子群跳数改进机制进行存储库中的粒子更新；

更新粒子群中每个粒子的空间位置：

其中x_k为搜索该区域内的惯性权重，a为聚类中心的非劣解，d_e为极值点到非劣解的距离，在评估解集分布的均匀程度时，计算按最优聚类中心矢量函数根据模因组中的更新迭代顺序，得到：

∑_τ＝diag(max(σ_t-τ，0)；

由此得到云存储中大数据聚类的粒子适应度函数为：

其中{α，β}为分集聚敛目标函数，通过优化PSO聚类方法实现对云存储中大数据聚类。

所述造价预算模块5通过预算程序对建设项目发生的全部费用进行预测和估算的过程中，为了有效提高工程造价的预测精度,使预测结果具有一定的实际应用价值，采用一种改进的预测算法，具体包括以下步骤：

步骤一，将采集的数据信息构建工程造价样本；

步骤二，对样本进行预处理，进行初始化粒子群，计算适应度值；

步骤三，选择当前最优位置，更新粒子位置和速度，判断是否满足结束条件，“是”进入到下一步；“否”更新粒子群，返回步骤一；

步骤四，确定最优解，输出最优解，将最优解进行SVMi训练，判断是否达到预测精度要求，“是”输出结果；“否”对最优解进行重复SVMi训练。

所述数据存储模块8通过存储器存储采集的工程数据、修正数据、预算数据、结算数据的过程中，为了有效地降低***平均响应时间，提高***吞吐量，使分布式存储***负载更为均衡，采用一种改进的分布式算法，具体步骤以下步骤：

步骤一，首先求出每个存储节点的哈希值，并将其配置到一个0～2³²-1的圆环区间上；

步骤二，使用同样的方法求出所需要存储的键的哈希，也将其配置到这个圆环上；

步骤三，从数据映射到的位置开始顺时针查找，将数据映射到找到的第一个存储节点上；如果超过2³²仍然找不到存储节点，就会映射到第一个存储节点上。

本发明提供的周期预测模块4方法如下：

(1)获取工程项目历史数据；

(2)对多个工程项目的历史数据中的项目信息进行数据清洗，获取所述多个工程项目的持续时间数据集；

(3)对所述持续时间数据集进行支持向量回归训练，生成支持向量回归模型，所述支持向量回归模型对工程项目建设周期实际值与所述持续时间数据集之间的函数关系进行拟合；

(4)根据所述支持向量回归模型和待预测的工程项目已有的项目信息，对所述待预测的工程项目的建设周期进行预测。

本发明提供的每个工程项目的项目信息包括项目阶段时间信息和/或影响建设周期预测结果的多个影响因素；

所述生成支持向量回归模型的步骤还包括：

通过秩和检验对所述多个影响因素进行显著性分析，筛选出具有显著性的影响因素；

对包含所述具有显著性的影响因素的持续时间数据集进行支持向量回归训练，生成所述支持向量回归模型。

本发明提供的秩和检验为克鲁斯卡尔-沃利斯检验，所述通过秩和检验对所述多个影响因素进行显著性分析，筛选出具有显著性的影响因素的步骤包括：

对每个影响因素分别在每个工程项目中的秩求和，得到所述每个影响因素的秩和；

根据所述每个影响因素的秩和、包含所述每个影响因素的工程项目的数量，计算所述每个影响因素的平均秩；

基于所述每个影响因素的平均秩、所述工程项目的数量，计算所述多个影响因素的总平均秩；

根据所述平均秩、所述总平均秩、以及所述工程项目的数量，计算通过所述克鲁斯卡尔-沃利斯检验构造的所述多个影响因素的检验统计量；

基于计算得到的检验统计量对所述每个影响因素进行显著性分析，确定所述每个影响因素是否符合预设的显著性条件，将符合所述显著性条件的影响因素设置为具有显著性的影响因素。

本发明提供的生成支持向量回归模型的步骤还包括：

将所述持续时间数据集中已经获知其工程项目建设周期实际值的至少一部分工程项目的项目信息作为训练样本；

通过预设的核函数，将所述训练样本中的项目信息作为输入量映射到高维特征空间，并在所述高维特征空间中构造最优超平面，使得所述训练样本中的所有样本点到所述最优超平面的距离不大于预定精度；

引入惩罚系数和非负松弛变量，将所述构造最优超平面转化为求解凸二次优化问题，并通过拉格朗日乘子法将所述求解凸二次优化问题转化成对偶形式，利用预设的优化算法对所述对偶形式进行求解得到的最优超平面作为回归函数；

基于所述回归函数，引入核函数点，从而在所述高维特征空间中构造出基于支持向量的回归函数，作为所述支持向量回归模型。

本发明提供的项目档案管理模块7方法如下：

1)获取工程项目档案；

2)建立所述工程项目档案之间的关联关系；

3)根据所述工程项目档案之间的关联关系，得到所述工程项目档案对应的线路和工程设备信息；

4)利用地理信息***展示所述线路和工程设备信息。

本发明提供的建立所述工程项目档案之间的关联关系，包括：

对所述工程项目档案进行数据挖掘，得到所述工程项目档案之间的关联关系；

根据所述工程项目档案之间的关联关系，得到所述工程项目档案中的工程数据之间的关联关系。

本发明提供的根据所述工程项目档案之间的关联关系，得到所述工程项目档案对应的线路和工程设备信息，包括：

根据所述工程数据之间的关联关系，对所述工程数据进行数据融合，得到所述线路和工程设备信息。

本发明提供的根据所述在根据所述工程项目档案之间的关联关系，得到所述工程项目档案中的工程数据之间的关联关系之后，所述方法还包括：

获取编研请求；

获取所述编研请求对应的工程数据；

对所述编研请求对应的工程数据进行处理，得到所述工程项目档案对应的编研信息；

展示所述编研信息。

本发明工作时，首先，通过工程数据采集模块1利用数据采集设备采集工程原料、设备、规划图等数据；其次，主控模块2通过修正模块3利用数据修正程序对建设规模、结构性质、设备类型等方面进行修改、变动，初步设计概算也作相应调整；通过周期预测模块预测工程完工周期；通过造价预算模块5利用预算程序对建设项目发生的全部费用进行预测和估算；通过结算模块6利用结算程序对己完工程价款进行结算；通过项目档案管理模块7利用档案管理程序管理工程项目档案；然后，通过数据存储模块8利用存储器存储采集的工程数据、修正数据、预算数据、结算数据；最后，通过显示模块9利用显示器显示工程项目造价数据管理***界面及采集的工程数据、修正数据、预算数据、结算数据。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (5)

1.一种工程项目造价数据管理方法，其特征在于，所述工程项目造价数据管理方法包括：

第一步，采集工程原料、设备、规划图等数据信息，对采集的数据信息进行修改、变动；

第二步，预测工程完工周期，初步对建设项目发生的全部费用进行预测和估算，作相应调整；

第三步，对己完成的工程价款进行结算，记录存档，并利用存储器存储采集的工程数据、修正数据、预算数据、结算数据等信息；

第四步，通过显示器显示工程项目造价数据管理***界面及采集的工程数据、修正数据、预算数据、结算数据等信息。

2.如权利要求1所述的工程项目造价数据管理方法，其特征在于，通过数据采集设备采集工程原料、设备、规划图数据之后对各类数据进行聚类处理，采用改进的聚类算法，具体过程如下：

在D维大数据云存储聚类特征空间中，有m个粒子组成一个种群，当扰动序列加入种群中，影响了聚类精度云存储中大数据聚类的数学描述如下：

minF(x)＝[f₁(x)，f₂(x)，…，f_n(x)]；

s.t.g_i(x)≤0(或≥0)i＝1，2，…n；

h_j(x)＝0 j＝1，2，…，m；

其中f_i(x)(i＝1，2，…，n)为目标函数，g_i(x)***有两个不稳定的1周期点x＝0和x＝1-1/μ，h_j(x)为等式约束；

引入混沌粒子群扰动概念，得到决策变量x^*支配的聚类中心的特征解为：

对于每个大数据信息特征矢量X_i进行存档，为

l_i(k)＝(1-ρ)l_i(k-1)+γf(x_i(k))；

其中f_i是Pareto最优解，P_ij(k)表示k时刻第i个决策变量，不等式f_i(X^*)≤f_i(X)成立，其中i＝1，2，…，n，设置聚类的阈值N_th，当N_eff＜N_th时，搜索区域的O_α和O_β两个区间的聚类正确的概率为：

采用粒子群跳数改进机制进行存储库中的粒子更新；

更新粒子群中每个粒子的空间位置：

其中x_k为搜索该区域内的惯性权重，a为聚类中心的非劣解，d_e为极值点到非劣解的距离，在评估解集分布的均匀程度时，计算按最优聚类中心矢量函数根据模因组中的更新迭代顺序，得到：

∑_τ＝diag(max(σ_i-τ，0)；

由此得到云存储中大数据聚类的粒子适应度函数为：

其中{α，β}为分集聚敛目标函数，通过优化PSO聚类方法实现对云存储中大数据聚类。

3.如权利要求1所述的工程项目造价数据管理方法，其特征在于，通过预算程序对建设项目发生的全部费用进行预测和估算，采用改进的预测算法，具体包括以下步骤：

步骤一，将采集的数据信息构建工程造价样本；

步骤二，对样本进行预处理，进行初始化粒子群，计算适应度值；

步骤三，选择当前最优位置，更新粒子位置和速度，判断是否满足结束条件，“是”进入到下一步；“否”更新粒子群，返回步骤一；

步骤四，确定最优解，输出最优解，将最优解进行SVMi训练，判断是否达到预测精度要求，“是”输出结果；“否”对最优解进行重复SVMi训练。

4.一种实现权利要求1所述工程项目造价数据管理方法的工程项目造价数据管理***，其特征在于，所述工程项目造价数据管理***包括：

工程数据采集模块、主控模块、修正模块、周期预测模块、造价预算模块、结算模块、项目档案管理模块、数据存储模块、显示模块；

工程数据采集模块，与主控模块连接，用于通过数据采集设备采集工程原料、设备、规划图等数据；

主控模块，与工程数据采集模块、修正模块、周期预测模块、造价预算模块、结算模块、项目档案管理模块、数据存储模块、显示模块连接，用于通过中央处理器控制各个模块正常工作；

修正模块，与主控模块连接，用于通过数据修正程序对建设规模、结构性质、设备类型等方面进行修改、变动，初步设计概算也作相应调整；

周期预测模块，与主控模块连接，用于预测工程完工周期；

造价预算模块，与主控模块连接，用于通过预算程序对建设项目发生的全部费用进行预测和估算；

结算模块，与主控模块连接，用于通过结算程序对己完工程价款进行结算；

项目档案管理模块，与主控模块连接，用于通过档案管理程序管理工程项目档案；

数据存储模块，与主控模块连接，用于通过存储器存储采集的工程数据、修正数据、预算数据、结算数据；

显示模块，与主控模块连接，用于通过显示器显示工程项目造价数据管理***界面及采集的工程数据、修正数据、预算数据、结算数据。

5.一种应用权利要求1～3任意一项所述工程项目造价数据管理方法的工程项目造价数据管理平台。