CN116303687B - 一种工程造价数据智能管理方法及*** - Google Patents
一种工程造价数据智能管理方法及*** Download PDFInfo
- Publication number
- CN116303687B CN116303687B CN202310532422.2A CN202310532422A CN116303687B CN 116303687 B CN116303687 B CN 116303687B CN 202310532422 A CN202310532422 A CN 202310532422A CN 116303687 B CN116303687 B CN 116303687B
- Authority
- CN
- China
- Prior art keywords
- cost data
- representing
- source data
- data set
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims 1
- 238000013075 data extraction Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种工程造价数据智能管理方法及***,其中一种工程造价数据智能管理方法包括以下步骤:包括以下步骤:步骤101,将工程造价数据划分生成多个源数据集;步骤102,对源数据集中的工程造价数据进行随机排序,基于排序的结果为工程造价数据生成定位特征;步骤103,基于定位特征生成异构特征;步骤104,基于工程造价数据进行向量化之后生成本体特征;步骤105,将异构特征输入映射计算模型获得工程造价数据与工程造价表中的元素的联系;本发明采用结合注意力机制和多层图模型的方法来对工程造价数据进行综合性的挖掘,结合现有的数据提取方式能够提高工程造价数据的利用率。
Description
技术领域
本发明涉及数据处理技术领域,更具体地说,它涉及一种工程造价数据智能管理方法及***。
背景技术
工程造价数据种类繁多,5类数据模板中的数据繁多、来源多样、信息分散,且存在大量的多源异构非结构化数据,如图形数据、文本图像数据、图纸数据、审批流程数据、表格数据集、甚至包括语音数据等。现有技术通过OCR文字识别的方式从非文本数据中提取文本信息进行统一化,然后基于文本化的信息来进行数据的提取,然后进行对提取的数据进行格式化之后进行分析,在这个过程中会丢失大量的数据信息,数据的利用率低。
发明内容
本发明提供一种工程造价数据智能管理方法,解决相关技术中对工程造价数据预处理过程中丢失大量数据信息,数据的利用率低的技术问题。
本发明提供了一种工程造价数据智能管理方法,包括以下步骤:步骤101,将工程造价数据划分生成多个源数据集;步骤102,对源数据集中的工程造价数据进行随机排序,基于排序的结果为工程造价数据生成定位特征;步骤103,基于定位特征生成异构特征;生成异构特征的方法是将定位特征输入前馈神经网络,前馈神经网络输出维数为N的异构特征;步骤104,基于工程造价数据进行向量化之后生成本体特征;步骤105,将异构特征输入映射计算模型获得工程造价数据与工程造价表中的元素的联系,映射计算模型包括关注层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层、第一多层感知机、第二多层感知机、第三多层感知机、第六隐藏层和映射分类器,关注层包括第一关注单元、第二关注单元、第三关注单元,第一关注单元、第二关注单元和第三关注单元分别输入异构特征,第一关注单元、第二关注单元和第三关注单元分别输出第一关注向量、第二关注向量和第三关注向量,其中第一关注向量、第二关注向量和第三关注向量输入第二隐藏层,第二隐藏层输出第一特征;将第一特征和本体特征输入第三隐藏层获得第二特征;将第二特征输入第四隐藏层获得关联特征;将第一特征和本体特征输入第五隐藏层获得全局特征;将全局特征输入第一多层感知机获得新全局特征,将关联特征输入第二多层感知机获得新关联特征,将本体特征输入第三多层感知机获得新本体特征;将新全局特征、新关联特征和新本体特征输入第六隐藏层获得第三特征,第三特征输入映射分类器,映射分类器的分类标签的集合表示为,其中/>表示第y个源数据集中的第i个工程造价数据与工程造价表中的第h个元素关联。
进一步地,定位特征的维度与其所在的源数据集的工程造价数据的总数量相同。
进一步地,前馈神经网络包括一个输入层和一个第一隐藏层,输入层输入定位特征,输入层的输出连接第一隐藏层。
进一步地,前馈神经网络在训练时第一隐藏层的输出连接第一全连接层,第一全连接层的输出映射到分类空间,其映射的分类空间的分类标签表示数据结构。
进一步地,第y个源数据集中的第i个工程造价数据的第一关注向量的计算,,其中/>表示第y个源数据集中的第i个工程造价数据的异构特征,/>表示第一权重参数,/>表示第一偏置参数,/>表示激活函数。
第y个源数据集中的第i个工程造价数据的第二关注向量的计算,,其中/>表示第y个源数据集中的第i个工程造价数据的异构特征,/>表示第二权重参数,/>表示第二偏置参数,/>表示激活函数。
第y个源数据集中的第i个工程造价数据的第三关注向量的计算,,其中/>表示第y个源数据集中的第i个工程造价数据的异构特征,/>表示第三权重参数,/>表示第三偏置参数,/>表示激活函数。
第y个源数据集中的第i个工程造价数据的第一特征的计算,,M为第y个源数据集中的工程造价数据的数量,/>表示第y个源数据集中的第j个工程造价数据的第三关注向量,/>表示第y个源数据集中的第i个工程造价数据的第一关注向量,/>和/>分别表示第y个源数据集中的第q个和第j个工程造价数据的第二关注向量。
进一步地,第y个源数据集中的第i个工程造价数据的第二特征的计算,,其中/>、/>表示第四、第五权重参数,/>表示第四偏置参数,/>表示第y个源数据集中的第i个工程造价数据的本体特征,表示第y个源数据集中的第i个工程造价数据的第一特征。
进一步地,第y个源数据集中的第i个工程造价数据与第p个工程造价数据的关联特征的计算,/>,其中/>和/>分别表示第y个源数据集中的第i个工程造价数据与第p个工程造价数据的第二特征,/>和/>表示第六和第七权重参数。
进一步地,全局特征U的计算,,其中M为第y个源数据集中的工程造价数据的数量,W为源数据集的数量,/>表示第y个源数据集中的第i个工程造价数据的本体特征,/>表示第y个源数据集中的第i个工程造价数据的第一特征。
进一步地,第y个源数据集中的第i个工程造价数据的第三特征的计算,,其中/>表示权重参数,表示第y个源数据集中的第i个工程造价数据与第p个工程造价数据的新关联特征,/>表示第y个源数据集中的第i个工程造价数据的新本体特征,M为第y个源数据集中的工程造价数据的数量,/>表示新全局特征。
本发明提供一种工程造价数据智能管理***,其用于执行上述的一种工程造价数据智能管理方法,一种工程造价数据智能管理***包括:第一模块,其用于将工程造价数据划分生成多个源数据集。
第二模块,其用于对源数据集中的工程造价数据进行随机排序,基于排序的结果为工程造价数据生成定位特征。
第三模块,其基于定位特征生成异构特征;生成异构特征的方法是将定位特征输入前馈神经网络,前馈神经网络输出维数为N的异构特征。
第四模块,基于工程造价数据进行向量化之后生成本体特征。
第五模块,将异构特征输入映射计算模型获得工程造价数据与工程造价表中的元素的联系。
本发明的有益效果在于:本发明采用结合注意力机制和多层图模型的方法来对工程造价数据进行综合性的挖掘,建立工程造价数据与工程造价表中的元素的联系,能够作为校正预生成的工程造价表的依据,也能够作为生成工程造价表的元素值的依据,结合现有的数据提取方式能够提高工程造价数据的利用率。
附图说明
图1是本发明的一种工程造价数据智能管理方法的流程图。
图2是本发明的一种工程造价数据智能管理***的模块示意图。
图中:第一模块101,第二模块102,第三模块103,第四模块104,第五模块105。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,一种工程造价数据智能管理方法,包括以下步骤:步骤101,将工程造价数据划分(以工程造价数据为单元进行划分)生成多个源数据集。
源数据集中的工程造价数据的数量是相同的。如果无法均等划分,则在缺失工程造价数据的源数据集中插补空数据作为缺失的工程造价数据。
步骤102,对源数据集中的工程造价数据进行随机排序,基于排序的结果为工程造价数据生成定位特征。
定位特征的维度与其所在的源数据集的工程造价数据的总数量相同,例如一个定位特征为00001…00,表示该工程造假数据排序后位于第5位。
步骤103,基于定位特征生成异构特征;生成异构特征的方法是将定位特征输入前馈神经网络,前馈神经网络输出维数为N的异构特征。
前馈神经网络包括一个输入层和一个第一隐藏层,输入层输入定位特征,输入层的输出连接第一隐藏层;前馈神经网络在训练时第一隐藏层的输出连接第一全连接层,第一全连接层的输出映射到分类空间,其映射的分类空间的分类标签表示工程造价数据结构,例如纯文本、图片、XML、HTML、音频。
在本发明的一个实施例中,前馈神经网络在训练时第一隐藏层还连接第二全连接层,第二全连接层的输出映射到分类空间,其映射的分类空间的分类标签表示工程造价数据的来源。一般来说,工程造价数据的数据源有16种,分别为可研批复、初设批复、初设概算、初设报告、工图预算、施工招标文件、中标通知书、施工中标文件、结算审价、大结算报告、财务竣工决算报告、现场签证、设计变更单、工程合同、施工组织设计和开竣工报告。
步骤104,基于工程造价数据进行向量化之后生成本体特征。
步骤105,将异构特征输入映射计算模型获得工程造价数据与工程造价表中的元素的联系,映射计算模型包括关注层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层、第一多层感知机、第二多层感知机、第三多层感知机、第六隐藏层和映射分类器,关注层包括第一关注单元、第二关注单元、第三关注单元,第一关注单元、第二关注单元和第三关注单元分别输入异构特征,第一关注单元、第二关注单元和第三关注单元分别输出第一关注向量、第二关注向量和第三关注向量,其中第一关注向量、第二关注向量和第三关注向量输入第二隐藏层,第二隐藏层输出第一特征。
第y个源数据集中的第i个工程造价数据的第一关注向量的计算,,其中/>表示第y个源数据集中的第i个工程造价数据的异构特征,/>表示第一权重参数,/>表示第一偏置参数,/>表示激活函数。
第y个源数据集中的第i个工程造价数据的第二关注向量的计算,,其中/>表示第y个源数据集中的第i个工程造价数据的异构特征,/>表示第二权重参数,/>表示第二偏置参数,/>表示激活函数。
第y个源数据集中的第i个工程造价数据的第三关注向量的计算,,其中/>表示第y个源数据集中的第i个工程造价数据的异构特征,/>表示第三权重参数,/>表示第三偏置参数,/>表示激活函数。
第y个源数据集中的第i个工程造价数据的第一特征的计算,,M为第y个源数据集中的工程造价数据的数量,/>表示第y个源数据集中的第j个工程造价数据的第三关注向量,/>表示第y个源数据集中的第i个工程造价数据的第一关注向量,/>和/>分别表示第y个源数据集中的第q个和第j个工程造价数据的第二关注向量。
将第一特征和本体特征输入第三隐藏层获得第二特征。
第y个源数据集中的第i个工程造价数据的第二特征的计算,,其中/>、/>表示第四、第五权重参数,/>表示第四偏置参数,/>表示第y个源数据集中的第i个工程造价数据的本体特征,表示第y个源数据集中的第i个工程造价数据的第一特征。
将第二特征输入第四隐藏层获得关联特征。
第y个源数据集中的第i个工程造价数据与第p个工程造价数据的关联特征的计算,/>,其中/>和/>分别表示第y个源数据集中的第i个工程造价数据与第p个工程造价数据的第二特征,/>和/>表示第六和第七权重参数。
将第一特征和本体特征输入第五隐藏层获得全局特征。
全局特征U的计算,,其中M为第y个源数据集中的工程造价数据的数量,W为源数据集的数量,/>表示第y个源数据集中的第i个工程造价数据的本体特征,/>表示第y个源数据集中的第i个工程造价数据的第一特征。
将全局特征输入第一多层感知机获得新全局特征,将关联特征输入第二多层感知机获得新关联特征,将本体特征输入第三多层感知机获得新本体特征。
将新全局特征、新关联特征和新本体特征输入第六隐藏层获得第三特征,第三特征输入映射分类器,映射分类器的分类标签的集合表示为,其中表示第y个源数据集中的第i个工程造价数据与工程造价表中的第h个元素关联。
第y个源数据集中的第i个工程造价数据的第三特征的计算,,其中/>表示第八、第九、第十权重参数,/>表示第y个源数据集中的第i个工程造价数据与第p个工程造价数据的新关联特征,/>表示第y个源数据集中的第i个工程造价数据的新本体特征,M为第y个源数据集中的工程造价数据的数量,/>表示新全局特征。
如图2所示,本发明提供一种工程造价数据智能管理***,其用于执行上述的一种工程造价数据智能管理方法,一种工程造价数据智能管理***包括:第一模块101,其用于将工程造价数据划分生成多个源数据集。
第二模块102,其用于对源数据集中的工程造价数据进行随机排序,基于排序的结果为工程造价数据生成定位特征。
第三模块103,其基于定位特征生成异构特征;生成异构特征的方法是将定位特征输入前馈神经网络,前馈神经网络输出维数为N的异构特征。
第四模块104,基于工程造价数据进行向量化之后生成本体特征。
第五模块105,将异构特征输入映射计算模型获得工程造价数据与工程造价表中的元素的联系。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (5)
1.一种工程造价数据智能管理方法,其特征在于,包括以下步骤:步骤101,将工程造价数据划分生成多个源数据集;步骤102,对源数据集中的工程造价数据进行随机排序,基于排序的结果为工程造价数据生成定位特征;步骤103,基于定位特征生成异构特征;步骤104,基于工程造价数据进行向量化之后生成本体特征;步骤105,将异构特征输入映射计算模型获得工程造价数据与工程造价表中的元素的联系,映射计算模型包括关注层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层、第一多层感知机、第二多层感知机、第三多层感知机、第六隐藏层和映射分类器,关注层包括第一关注单元、第二关注单元、第三关注单元,第一关注单元、第二关注单元和第三关注单元分别输入异构特征,第一关注单元、第二关注单元和第三关注单元分别输出第一关注向量、第二关注向量和第三关注向量,其中第一关注向量、第二关注向量和第三关注向量输入第二隐藏层,第二隐藏层输出第一特征;将第一特征和本体特征输入第三隐藏层获得第二特征;将第二特征输入第四隐藏层获得关联特征;将第一特征和本体特征输入第五隐藏层获得全局特征;将全局特征输入第一多层感知机获得新全局特征,将关联特征输入第二多层感知机获得新关联特征,将本体特征输入第三多层感知机获得新本体特征;将新全局特征、新关联特征和新本体特征输入第六隐藏层获得第三特征,第三特征输入映射分类器,映射分类器的分类标签的集合表示为,其中/>表示第y个源数据集中的第i个工程造价数据与工程造价表中的第h个元素关联;
关注层的内部计算包括:第y个源数据集中的第i个工程造价数据的第一关注向量的计算,/>,其中/>表示第y个源数据集中的第i个工程造价数据的异构特征,/>表示第一权重参数,/>表示第一偏置参数,/>表示激活函数;
第y个源数据集中的第i个工程造价数据的第二关注向量的计算,,其中/>表示第y个源数据集中的第i个工程造价数据的异构特征,/>表示第二权重参数,/>表示第二偏置参数,/>表示激活函数;
第y个源数据集中的第i个工程造价数据的第三关注向量的计算,,其中/>表示第y个源数据集中的第i个工程造价数据的异构特征,/>表示第三权重参数,/>表示第三偏置参数,/>表示激活函数;
第y个源数据集中的第i个工程造价数据的第一特征的计算,,M为第y个源数据集中的工程造价数据的数量,/>表示第y个源数据集中的第j个工程造价数据的第三关注向量,/>表示第y个源数据集中的第i个工程造价数据的第一关注向量,/>和/>分别表示第y个源数据集中的第q个和第j个工程造价数据的第二关注向量;
第y个源数据集中的第i个工程造价数据的第二特征的计算,,其中/>、/>表示第四、第五权重参数,/>表示第四偏置参数,/>表示第y个源数据集中的第i个工程造价数据的本体特征,/>表示第y个源数据集中的第i个工程造价数据的第一特征;
第y个源数据集中的第i个工程造价数据与第p个工程造价数据的关联特征的计算,,其中/>和/>分别表示第y个源数据集中的第i个工程造价数据与第p个工程造价数据的第二特征,/>和/>表示第六和第七权重参数;
全局特征U的计算,,其中M为第y个源数据集中的工程造价数据的数量,W为源数据集的数量,/>表示第y个源数据集中的第i个工程造价数据的本体特征,/>表示第y个源数据集中的第i个工程造价数据的第一特征;
第y个源数据集中的第i个工程造价数据的第三特征的计算,,其中/>表示第八、第九、第十权重参数,/>表示第y个源数据集中的第i个工程造价数据与第p个工程造价数据的新关联特征,/>表示第y个源数据集中的第i个工程造价数据的新本体特征,M为第y个源数据集中的工程造价数据的数量,/>表示新全局特征。
2.根据权利要求1所述的一种工程造价数据智能管理方法,其特征在于,定位特征的维度与其所在的源数据集的工程造价数据的总数量相同。
3.根据权利要求1所述的一种工程造价数据智能管理方法,其特征在于,生成异构特征的方法是将定位特征输入前馈神经网络,前馈神经网络输出维数为N的异构特征;前馈神经网络包括一个输入层和一个第一隐藏层,输入层输入定位特征,输入层的输出连接第一隐藏层。
4.根据权利要求3所述的一种工程造价数据智能管理方法,其特征在于,前馈神经网络在训练时第一隐藏层的输出连接第一全连接层,第一全连接层的输出映射到分类空间,其映射的分类空间的分类标签表示数据结构。
5.一种工程造价数据智能管理***,其特征在于,其用于执行如权利要求1-4任一所述的一种工程造价数据智能管理方法,一种工程造价数据智能管理***包括:第一模块,其用于将工程造价数据划分生成多个源数据集;
第二模块,其用于对源数据集中的工程造价数据进行随机排序,基于排序的结果为工程造价数据生成定位特征;
第三模块,其基于定位特征生成异构特征;生成异构特征的方法是将定位特征输入前馈神经网络,前馈神经网络输出维数为N的异构特征;
第四模块,基于工程造价数据进行向量化之后生成本体特征;
第五模块,将异构特征输入映射计算模型获得工程造价数据与工程造价表中的元素的联系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310532422.2A CN116303687B (zh) | 2023-05-12 | 2023-05-12 | 一种工程造价数据智能管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310532422.2A CN116303687B (zh) | 2023-05-12 | 2023-05-12 | 一种工程造价数据智能管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116303687A CN116303687A (zh) | 2023-06-23 |
CN116303687B true CN116303687B (zh) | 2023-08-01 |
Family
ID=86789036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310532422.2A Active CN116303687B (zh) | 2023-05-12 | 2023-05-12 | 一种工程造价数据智能管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116303687B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213807A (zh) * | 2018-09-25 | 2019-01-15 | 佛山科学技术学院 | 一种智能制造大数据的增量学习方法及装置 |
CN112965968A (zh) * | 2021-03-04 | 2021-06-15 | 湖南大学 | 一种基于注意力机制的异构数据模式匹配方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930931A (zh) * | 2016-04-22 | 2016-09-07 | 国网浙江省电力公司经济技术研究院 | 一种电力工程造价的管理方法 |
CN109214503B (zh) * | 2018-08-01 | 2021-09-10 | 华北电力大学 | 基于kpca-la-rbm的输变电工程造价预测方法 |
US11163947B2 (en) * | 2019-07-30 | 2021-11-02 | Imrsv Data Labs Inc. | Methods and systems for multi-label classification of text data |
CN115470844A (zh) * | 2022-08-30 | 2022-12-13 | 广东电网有限责任公司广州供电局 | 一种电力***多源异构数据的特征提取及选择方法 |
CN116010552A (zh) * | 2022-12-13 | 2023-04-25 | 中国人民解放军军事科学院国防工程研究院 | 一种基于关键词词库的工程造价数据解析***及其方法 |
-
2023
- 2023-05-12 CN CN202310532422.2A patent/CN116303687B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213807A (zh) * | 2018-09-25 | 2019-01-15 | 佛山科学技术学院 | 一种智能制造大数据的增量学习方法及装置 |
CN112965968A (zh) * | 2021-03-04 | 2021-06-15 | 湖南大学 | 一种基于注意力机制的异构数据模式匹配方法 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络的电力工程造价模型研究;迟晓婷;;建材与装饰(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116303687A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pang et al. | An innovative neural network approach for stock market prediction | |
US10991048B1 (en) | Curated sentiment analysis in multi-layer, machine learning-based forecasting model using customized, commodity-specific neural networks | |
US20210264272A1 (en) | Training method and system of neural network model and prediction method and system | |
WO2020020088A1 (zh) | 神经网络模型的训练方法和***以及预测方法和*** | |
EP2851808A2 (en) | Hybrid natural language processor | |
AU2023203202A1 (en) | Method and system for automatically extracting relevant tax terms from forms and instructions | |
Fu et al. | Listening to the investors: A novel framework for online lending default prediction using deep learning neural networks | |
Zhang et al. | Sentiment-guided adversarial learning for stock price prediction | |
CN110245228A (zh) | 确定文本类别的方法和装置 | |
CN115269512A (zh) | 结合rpa及ai实现ia的对象推荐方法、装置及存储介质 | |
US20240062016A1 (en) | Systems and Methods for Textual Classification Using Natural Language Understanding Machine Learning Models for Automating Business Processes | |
Kim | Implementation of artificial intelligence system and traditional system: a comparative study | |
Mandvikar | Augmenting intelligent document processing (idp) workflows with contemporary large language models (llms) | |
CN112925911A (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN117312989A (zh) | 一种基于GCN和RoBERTa的上下文感知的列语义识别方法和*** | |
Jabeen et al. | An LSTM based forecasting for major stock sectors using COVID sentiment | |
CN115062617A (zh) | 基于提示学习的任务处理方法、装置、设备及介质 | |
CN114970540A (zh) | 训练文本审核模型的方法和装置 | |
Villeneuve et al. | Ai-based scheduling models, optimization, and prediction for hydropower generation: Opportunities, issues, and future directions | |
Hazra et al. | Generating Synthetic Data to Reduce Prediction Error of Energy Consumption. | |
US11880394B2 (en) | System and method for machine learning architecture for interdependence detection | |
CN116303687B (zh) | 一种工程造价数据智能管理方法及*** | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
US20220083561A1 (en) | Extensible data objects for use in machine learning models | |
GV et al. | Document Classification and Information Extraction framework for Insurance Applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |