CN117495421A - 基于电力通信网建设的电网通信工程造价预测方法 - Google Patents
基于电力通信网建设的电网通信工程造价预测方法 Download PDFInfo
- Publication number
- CN117495421A CN117495421A CN202311507766.4A CN202311507766A CN117495421A CN 117495421 A CN117495421 A CN 117495421A CN 202311507766 A CN202311507766 A CN 202311507766A CN 117495421 A CN117495421 A CN 117495421A
- Authority
- CN
- China
- Prior art keywords
- semantic
- sequence
- construction scheme
- basic information
- construction
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 184
- 238000010276 construction Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 190
- 230000004927 fusion Effects 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 52
- 230000003993 interaction Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 238000009434 installation Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000013468 resource allocation Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本申请公开了一种基于电力通信网建设的电网通信工程造价预测方法,其通过采集新型通信设备的类型、规格、数量、位置等基本信息,以及施工方案(包括有施工安装及调试的时间、人员和工具等资源需求)的文本描述,并在后端引入语义理解技术来进行新型通信设备的基本信息和需求信息的语义理解分析,以此基于新型通信设备的特点和施工要求与过程来进行造价预测。这样,能够提高电网通信工程造价预测的准确性和可靠性,同时,还可以为工程规划和资源分配提供参考,帮助优化电力通信网的建设和运维。
Description
技术领域
本申请涉及电力通信领域,且更为具体地,涉及一种基于电力通信网建设的电网通信工程造价预测方法。
背景技术
电力通信网是电力***的重要组成部分,它为电力***的运行、控制、调度、保护和管理提供了可靠的通信支撑。随着电力***的发展,电力通信网也面临着更新换代的需求,需要引入新型的通信设备和技术,以提高通信网的性能、安全性和智能化水平。然而,新型通信设备的引入也带来了电网通信工程造价预测的难题,因为传统的造价预测方法主要基于经验和统计数据,依赖于过去的项目数据和经验规律,这种方法往往不能适应新型通信设备的特点和要求,导致造价预测结果不准确或不可靠。
因此,期望一种优化的基于电力通信网建设的电网通信工程造价预测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于电力通信网建设的电网通信工程造价预测方法,其通过采集新型通信设备的类型、规格、数量、位置等基本信息,以及施工方案(包括有施工安装及调试的时间、人员和工具等资源需求)的文本描述,并在后端引入语义理解技术来进行新型通信设备的基本信息和需求信息的语义理解分析,以此基于新型通信设备的特点和施工要求与过程来进行造价预测。这样,能够提高电网通信工程造价预测的准确性和可靠性,同时,还可以为工程规划和资源分配提供参考,帮助优化电力通信网的建设和运维。
根据本申请的一个方面,提供了一种基于电力通信网建设的电网通信工程造价预测方法,其包括:
获取新型通信设备的基本信息,其中,所述基本信息包括类型、规格、数量、位置和性能指标;
获取所述新型通信设备的施工方案的文本描述;
对所述新型通信设备的基本信息进行语义编码以得到基本信息项语义编码特征向量的序列;
对所述施工方案的文本描述进行基于句粒度的语义理解以得到施工方案句粒度语义特征向量的序列;
对所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列进行局部语义交互融合分析以得到新型通信设备多维度语义融合特征;以及
基于所述新型通信设备多维度语义融合特征,确定造价估计值。
与现有技术相比,本申请提供的一种基于电力通信网建设的电网通信工程造价预测方法,其通过采集新型通信设备的类型、规格、数量、位置等基本信息,以及施工方案(包括有施工安装及调试的时间、人员和工具等资源需求)的文本描述,并在后端引入语义理解技术来进行新型通信设备的基本信息和需求信息的语义理解分析,以此基于新型通信设备的特点和施工要求与过程来进行造价预测。这样,能够提高电网通信工程造价预测的准确性和可靠性,同时,还可以为工程规划和资源分配提供参考,帮助优化电力通信网的建设和运维。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于电力通信网建设的电网通信工程造价预测方法的流程图;
图2为根据本申请实施例的基于电力通信网建设的电网通信工程造价预测方法的***架构图;
图3为根据本申请实施例的基于电力通信网建设的电网通信工程造价预测方法的训练阶段的流程图;
图4为根据本申请实施例的基于电力通信网建设的电网通信工程造价预测方法的子步骤S3的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
随着电力***的发展,电力通信网也面临着更新换代的需求,需要引入新型的通信设备和技术,以提高通信网的性能、安全性和智能化水平。然而,新型通信设备的引入也带来了电网通信工程造价预测的难题,因为传统的造价预测方法主要基于经验和统计数据,依赖于过去的项目数据和经验规律,这种方法往往不能适应新型通信设备的特点和要求,导致造价预测结果不准确或不可靠。因此,期望一种优化的基于电力通信网建设的电网通信工程造价预测方案。
在本申请的技术方案中,提出了一种基于电力通信网建设的电网通信工程造价预测方法。图1为根据本申请实施例的基于电力通信网建设的电网通信工程造价预测方法的流程图。图2为根据本申请实施例的基于电力通信网建设的电网通信工程造价预测方法的***架构图。如图1和图2所示,根据本申请的实施例的基于电力通信网建设的电网通信工程造价预测方法,包括步骤:S1,获取新型通信设备的基本信息,其中,所述基本信息包括类型、规格、数量、位置和性能指标;S2,获取所述新型通信设备的施工方案的文本描述;S3,对所述新型通信设备的基本信息进行语义编码以得到基本信息项语义编码特征向量的序列;S4,对所述施工方案的文本描述进行基于句粒度的语义理解以得到施工方案句粒度语义特征向量的序列;S5,对所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列进行局部语义交互融合分析以得到新型通信设备多维度语义融合特征;以及,S6,基于所述新型通信设备多维度语义融合特征,确定造价估计值。
特别地,所述S1,获取新型通信设备的基本信息,其中,所述基本信息包括类型、规格、数量、位置和性能指标。应可以理解,了解通信设备的类型可以帮助我们确定其所属的通信技术和应用领域;通信设备的规格描述了其具体的技术参数和功能特点;通信设备的数量对于规划和管理通信网络至关重要;通信设备的位置信息描述了设备在网络拓扑中的位置和部署情况;以及,通信设备的性能指标描述了设备的性能和能力。
特别地,所述S2,获取所述新型通信设备的施工方案的文本描述。其中,所述新型通信设备的施工方案的概念涵盖了设备布局和位置、连接和布线方案、电源供应方案、网络配置和设置,以及测试和调试计划。
特别地,所述S3,对所述新型通信设备的基本信息进行语义编码以得到基本信息项语义编码特征向量的序列。应可以理解,在电网通信工程造价预测过程中,新型通信设备的基本信息包括有类型、规格、数量、位置和性能指标等。这些基本信息通常以文本形式存在,无法直接用于预测模型的输入。因此,需要对于这些关于新型通信设备的基本信息进行语义理解,以此来将其转化为向量的形式。具体地,对所述新型通信设备的基本信息进行语义编码以得到基本信息项语义编码特征向量的序列。通过对所述新型通信设备的基本信息进行语义编码,能够捕捉到所述新型通信设备的基本信息的语义理解特征信息,以进行该新型通信设备的特点语义表达,从而有利于后续进行造价估计。特别地,在本申请的一个具体示例中,如图4所示,所述S3,包括:S31,对所述新型通信设备的基本信息进行分词处理以将所述新型通信设备的基本信息转化为由多个词组成的词序列;S32,使用所述含词嵌入模块的基本信息语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;S33,使用所述含词嵌入模块的基本信息语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,S34,将所述多个全局上下文语义特征向量进行级联以得到所述基本信息项语义编码特征向量的序列。
具体地,所述S31,对所述新型通信设备的基本信息进行分词处理以将所述新型通信设备的基本信息转化为由多个词组成的词序列。应可以理解,分词是文本处理的常见预处理步骤之一。在自然语言处理任务中,分词通常是必要的预处理步骤,以便对文本进行后续的处理和分析。
具体地,所述S32,使用所述含词嵌入模块的基本信息语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列。应可以理解,词嵌入向量捕捉了每个词的语义信息。通过将词序列中的每个词映射为词嵌入向量,可以将基本信息中的每个词转化为一个向量表示,这个向量表示可以携带词的语义含义。词嵌入向量可以捕捉词语在上下文中的关联性。通过在嵌入层中进行词嵌入映射,模型可以学习到词语在语境中的分布模式。
具体地,所述S33,使用所述含词嵌入模块的基本信息语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量。应可以理解,通过转换器模型,可以得到多个全局上下文语义特征向量。这些特征向量可以捕捉不同层次、不同尺度的语义信息,从而提供更丰富的语义表示。更具体地,使用所述含词嵌入模块的基本信息语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量,包括:将所述词嵌入向量的序列进行一维排列以得到全局特征向量;计算所述全局特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量;以及,将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
具体地,所述S34,将所述多个全局上下文语义特征向量进行级联以得到所述基本信息项语义编码特征向量的序列。应可以理解,多个全局上下文语义特征向量来自于不同层次的转换器模型输出。级联这些向量可以综合不同层次的语义信息,从而获得更全面、更丰富的语义编码特征。更具体地,将所述多个全局上下文语义特征向量进行级联以得到所述基本信息项语义编码特征向量的序列,包括:以如下级联公式来融合所述多个全局上下文语义特征向量以得到基本信息项语义编码特征向量的序列;其中,所述公式为:
Vc=Concat[V1,V2,...Vn]
其中,V1,V2,...Vn表示所述多个全局上下文语义特征向量,Concat[·,·]表示级联函数,Vc表示所述基本信息项语义编码特征向量。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述新型通信设备的基本信息进行语义编码以得到基本信息项语义编码特征向量的序列,例如:首先,收集新型通信设备的基本信息;对于每个基本信息项,进行文本预处理步骤,使用自然语言处理工具库来辅助进行文本预处理;将经过预处理的基本信息项转换为词语嵌入表示。词语嵌入是将词语映射到低维向量空间的技术,可以捕捉词语之间的语义关联。可以使用预训练的词向量模型(如Word2Vec、GloVe等)来获取词语的嵌入表示;将每个基本信息项的词语嵌入序列作为输入,使用序列编码模型对其进行编码。常用的序列编码模型包括循环神经网络、长短期记忆网络和Transformer等。这些模型可以捕捉序列中的上下文信息,并将其转换为固定长度的特征向量表示;对于每个基本信息项,序列编码模型将生成一个特征向量。将所有基本信息项的特征向量按照顺序组成特征向量序列。这个特征向量序列将表示新型通信设备的基本信息的语义编码。
特别地,所述S4,对所述施工方案的文本描述进行基于句粒度的语义理解以得到施工方案句粒度语义特征向量的序列。考虑到所述施工方案的文本描述通常包含了施工安装和调试的时间、人员、工具等资源需求,以及具体的施工步骤和操作流程。这些细节信息对于工程造价具有重要的影响,因为不同的施工方案可能需要不同的资源投入和工作量,从而导致造价的差异。因此,为了更全面地捕捉施工方案中的关键信息,以便在造价预测中考虑这些细节对工程造价的影响,在本申请的技术方案中,将所述施工方案的文本描述进行分句处理为施工方案句描述的序列后,对所述施工方案句描述的序列进行语义编码,以此来对于施工方案进行基于句粒度的语义理解特征信息,从而得到施工方案句粒度语义特征向量的序列。具体地,将所述施工方案的文本描述进行分句处理为施工方案句描述的序列后,对所述施工方案句描述的序列进行语义编码以得到所述施工方案句粒度语义特征向量的序列,包括:对所述施工方案的文本描述进行分词处理以将所述施工方案的文本描述转化为施工方案句描述的序列;使用所述含词嵌入模块的施工方案语义编码器的嵌入层分别将所述施工方案句描述的序列中各个句描述映射为句描述嵌入向量以得到句描述嵌入向量的序列;使用所述含词嵌入模块的施工方案语义编码器的转换器对所述句描述嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述施工方案句粒度语义特征向量的序列。
特别地,所述S5,对所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列进行局部语义交互融合分析以得到新型通信设备多维度语义融合特征。应可以理解,由于所述基本信息项语义编码特征向量的序列包含了新型通信设备的类型、规格、数量等基本信息的语义表示。所述施工方案句粒度语义特征向量的序列则包含了施工方案中的具体细节信息和需求信息的语义表示。这两个序列分别捕捉了有关于新型通信设备的不同层次语义特征信息,但都对工程造价有一定的影响。因此,需要将所述基本信息语义和所述施工方案语义的关键信息相互融合,以获得更全面和综合的特征表示。基于此,在本申请的技术方案中,进一步将所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列通过语义特征序列交互融合模块以得到新型通信设备多维度语义融合特征向量。应可以理解,所述语义特征序列交互融合模块可以通过计算注意力权重来分别对所述各个基本信息项语义编码特征向量和所述各个施工方案句粒度语义特征向量进行加权,以对不同特征序列之间的重要性进行建模和交互融合。具体而言,该模块可以根据所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列之间的相似性和相关性,为每个特征序列分配权重。因此,通过注意力交互融合处理后,所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列中的相应语义特征向量之间可以相互影响和补充,以更为充分地捕捉到有关于所述新型通信设备的特点和需求语义特征的交互协同信息,为后续的造价估计提供更准确的依据。具体地,将所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列通过语义特征序列交互融合模块以得到新型通信设备多维度语义融合特征向量作为所述新型通信设备多维度语义融合特征,包括:将所述基本信息项语义编码特征向量的序列通过基于全卷积神经网络模型的基本信息项语义特征提取器以得到基本信息项语义全卷积特征向量;将所述施工方案句粒度语义特征向量的序列排列为施工方案全局特征向量;融合对所述基本信息项语义全卷积特征向量和所述施工方案全局特征向量以得到施工方案-基本信息项语义融合特征向量;对所述施工方案句粒度语义特征向量的序列进行语义关联编码以得到施工方案全局语义关联特征向量;融合所述施工方案-基本信息项语义融合特征向量和所述施工方案全局语义关联特征向量以得到所述新型通信设备多维度语义融合特征向量。其中,对所述施工方案句粒度语义特征向量的序列进行语义关联编码以得到施工方案全局语义关联特征向量,包括:将所述施工方案句粒度语义特征向量的序列进行一维排列以得到全局施工方案句粒度语义特征向量;计算所述全局施工方案句粒度语义特征向量与所述施工方案句粒度语义特征向量的序列中各个施工方案句粒度语义特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述施工方案句粒度语义特征向量的序列中各个施工方案句粒度语义特征向量进行加权以得到所述多个上下文语义施工方案特征向量;以及,将所述多个上下文语义施工方案特征向量进行级联以得到所述施工方案全局语义关联特征向量。
值得注意的是,全卷积神经网络(Fully Convolutional Neural Network,FCN)是一种特殊的神经网络架构,主要用于图像处理和计算机视觉任务,如语义分割、目标检测和图像生成等。与传统的卷积神经网络相比,全卷积神经网络在最后几层没有全连接层,而是使用了全卷积层。这使得全卷积神经网络能够接受任意尺寸的输入,并且输出与输入相同尺寸的特征图。全卷积神经网络通常由以下几个主要组件组成:卷积层):卷积层是全卷积神经网络的核心组件,用于提取输入数据的局部特征。卷积层通过滑动一个可学***均池化;转置卷积层:转置卷积层(也称为反卷积层)用于将特征图的尺寸恢复到原始输入的尺寸。它通过对特征图进行上采样(插值)和卷积操作来实现;跳跃连接:跳跃连接是将底层特征与上层特征进行连接的技术。它可以帮助信息在网络中更快地传播,同时提供不同尺度的特征信息,有助于更好地捕捉图像中的细节和上下文信息。全卷积神经网络在语义分割任务中得到广泛应用。通过将卷积和转置卷积层结合起来,全卷积神经网络可以接受任意大小的输入图像,并输出相同尺寸的像素级别的预测结果,实现对图像中每个像素的分类或分割。
特别地,所述S6,基于所述新型通信设备多维度语义融合特征,确定造价估计值。在本申请的技术方案中,将所述新型通信设备多维度语义融合特征向量通过解码器以得到解码值,所述解码值为造价估计值。也就是说,利用所述新型通信设备的基本信息语义特征和施工方案语义特征之间的语义交互融合特征信息来进行解码回归,以此基于新型通信设备的特点和要求来进行造价预测,从而提高电网通信工程造价预测的准确性和可靠性。具体地,使用所述解码器以如下公式将所述新型通信设备多维度语义融合特征向量进行解码回归以获得用于表示造价估计值的解码值;其中,所述公式为:
其中X表示所述新型通信设备多维度语义融合特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述包含词嵌入模块的基本信息语义编码器、所述施工方案语义编码器、所述语义特征序列交互融合模块和所述解码器进行训练。也就是说,在本申请的基于电力通信网建设的电网通信工程造价预测方法中,还包括训练阶段,用于对所述包含词嵌入模块的基本信息语义编码器、所述施工方案语义编码器、所述语义特征序列交互融合模块和所述解码器进行训练。
图3为根据本申请实施例的基于电力通信网建设的电网通信工程造价预测方法的训练阶段的流程图。如图3所示,根据本申请实施例的基于电力通信网建设的电网通信工程造价预测方法,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括新型通信设备的训练基本信息,施工方案的训练文本描述,以及,所述造价估计值的真实值;S120,通过所述包含词嵌入模块的基本信息语义编码器对所述新型通信设备的训练基本信息进行语义编码以得到训练基本信息项语义编码特征向量的序列;S130,将所述训练施工方案的文本描述进行分句处理为训练施工方案句描述的序列后,通过所述施工方案语义编码器对所述训练施工方案句描述的序列进行语义编码以得到训练施工方案句粒度语义特征向量的序列;S140,将所述训练基本信息项语义编码特征向量的序列和所述训练施工方案句粒度语义特征向量的序列通过所述语义特征序列交互融合模块以得到训练新型通信设备多维度语义融合特征向量;S150,对所述训练新型通信设备多维度语义融合特征向量进行特征优化以得到优化训练新型通信设备多维度语义融合特征向量;S160,将所述优化训练新型通信设备多维度语义融合特征向量通过所述解码器以得到解码损失函数值;以及,S170,基于所述解码损失函数值并通过梯度下降的方向传播来对所述包含词嵌入模块的基本信息语义编码器、所述施工方案语义编码器、所述语义特征序列交互融合模块和所述解码器进行训练。
其中,将所述优化训练新型通信设备多维度语义融合特征向量通过所述解码器以得到解码损失函数值,包括:使用解码器对所述优化训练新型通信设备多维度语义融合特征向量进行解码回归以得到训练解码值;以及,计算所述训练解码值与所述造价估计值的真实值之间的均方误差值作为所述解码损失函数值。
特别地,在本申请的技术方案中,这里,所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列分别表示所述新型通信设备的基本信息和所述施工方案的文本描述的编码文本语义特征,由此,在将所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列通过语义特征序列交互融合模块后,可以基于各自的编码文本语义特征的语义序列度量来进行交互注意力加权,从而使得所述新型通信设备多维度语义融合特征向量在不同源文本的文本语义特征的基础上,基于文本语义特征度量的语义交互特征进行融合,但是,这也会使得所述新型通信设备多维度语义融合特征向量具有跨源文本语义空间域的语义特征关联分布性质,使得在将新型通信设备多维度语义融合特征向量通过解码器进行解码回归时,会由于跨域文本语义特征分布离散而需要提升解码回归的效率。因此,本申请的申请人在将新型通信设备多维度语义融合特征向量在通过解码器进行解码回归时,对于所述新型通信设备多维度语义融合特征向量进行优化,具体表示为:
其中vi是所述新型通信设备多维度语义融合特征向量的第i个位置的特征值,是所述新型通信设备多维度语义融合特征向量的所有特征值的全局均值,且vmax是所述新型通信设备多维度语义融合特征向量的最大特征值。也就是,通过所述新型通信设备多维度语义融合特征向量的全局分布特征参数的正则化仿函数的概念,上述优化基于所述新型通信设备多维度语义融合特征向量的全局分布的参数向量式表征,来以回归概率的正则式表达模拟代价函数,从而对所述新型通信设备多维度语义融合特征向量在高维特征空间内的特征流形表征对于分类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模,以捕获待分类的新型通信设备多维度语义融合特征向量经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹,提高所述新型通信设备多维度语义融合特征向量在所述解码器的解码回归下的训练效率。这样,能够基于新型通信设备的特点和施工要求与过程等信息来综合进行造价预测,从而提高了电网通信工程造价预测的准确性和可靠性,同时,还可以为工程规划和资源分配提供参考,帮助优化电力通信网的建设和运维。
综上,根据本申请实施例的基于电力通信网建设的电网通信工程造价预测方法被阐明,其通过采集新型通信设备的类型、规格、数量、位置等基本信息,以及施工方案(包括有施工安装及调试的时间、人员和工具等资源需求)的文本描述,并在后端引入语义理解技术来进行新型通信设备的基本信息和需求信息的语义理解分析,以此基于新型通信设备的特点和施工要求与过程来进行造价预测。这样,能够提高电网通信工程造价预测的准确性和可靠性,同时,还可以为工程规划和资源分配提供参考,帮助优化电力通信网的建设和运维。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于电力通信网建设的电网通信工程造价预测方法,其特征在于,包括:
获取新型通信设备的基本信息,其中,所述基本信息包括类型、规格、数量、位置和性能指标;
获取所述新型通信设备的施工方案的文本描述;
对所述新型通信设备的基本信息进行语义编码以得到基本信息项语义编码特征向量的序列;
对所述施工方案的文本描述进行基于句粒度的语义理解以得到施工方案句粒度语义特征向量的序列;
对所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列进行局部语义交互融合分析以得到新型通信设备多维度语义融合特征;以及
基于所述新型通信设备多维度语义融合特征,确定造价估计值。
2.根据权利要求1所述的基于电力通信网建设的电网通信工程造价预测方法,其特征在于,对所述新型通信设备的基本信息进行语义编码以得到基本信息项语义编码特征向量的序列,包括:
对所述新型通信设备的基本信息进行分词处理以将所述新型通信设备的基本信息转化为由多个词组成的词序列;
使用所述含词嵌入模块的基本信息语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
使用所述含词嵌入模块的基本信息语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及
将所述多个全局上下文语义特征向量进行级联以得到所述基本信息项语义编码特征向量的序列。
3.根据权利要求2所述的基于电力通信网建设的电网通信工程造价预测方法,其特征在于,对所述施工方案的文本描述进行基于句粒度的语义理解以得到施工方案句粒度语义特征向量的序列,包括:将所述施工方案的文本描述进行分句处理为施工方案句描述的序列后,对所述施工方案句描述的序列进行语义编码以得到所述施工方案句粒度语义特征向量的序列。
4.根据权利要求3所述的基于电力通信网建设的电网通信工程造价预测方法,其特征在于,将所述施工方案的文本描述进行分句处理为施工方案句描述的序列后,对所述施工方案句描述的序列进行语义编码以得到所述施工方案句粒度语义特征向量的序列,包括:
对所述施工方案的文本描述进行分词处理以将所述施工方案的文本描述转化为施工方案句描述的序列;
使用所述含词嵌入模块的施工方案语义编码器的嵌入层分别将所述施工方案句描述的序列中各个句描述映射为句描述嵌入向量以得到句描述嵌入向量的序列;
使用所述含词嵌入模块的施工方案语义编码器的转换器对所述句描述嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及
将所述多个全局上下文语义特征向量进行级联以得到所述施工方案句粒度语义特征向量的序列。
5.根据权利要求4所述的基于电力通信网建设的电网通信工程造价预测方法,其特征在于,对所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列进行局部语义交互融合分析以得到新型通信设备多维度语义融合特征,包括:将所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列通过语义特征序列交互融合模块以得到新型通信设备多维度语义融合特征向量作为所述新型通信设备多维度语义融合特征。
6.根据权利要求5所述的基于电力通信网建设的电网通信工程造价预测方法,其特征在于,将所述基本信息项语义编码特征向量的序列和所述施工方案句粒度语义特征向量的序列通过语义特征序列交互融合模块以得到新型通信设备多维度语义融合特征向量作为所述新型通信设备多维度语义融合特征,包括:
将所述基本信息项语义编码特征向量的序列通过基于全卷积神经网络模型的基本信息项语义特征提取器以得到基本信息项语义全卷积特征向量;
将所述施工方案句粒度语义特征向量的序列排列为施工方案全局特征向量;
融合对所述基本信息项语义全卷积特征向量和所述施工方案全局特征向量以得到施工方案-基本信息项语义融合特征向量;
对所述施工方案句粒度语义特征向量的序列进行语义关联编码以得到施工方案全局语义关联特征向量:
融合所述施工方案-基本信息项语义融合特征向量和所述施工方案全局语义关联特征向量以得到所述新型通信设备多维度语义融合特征向量。
7.根据权利要求6所述的基于电力通信网建设的电网通信工程造价预测方法,其特征在于,基于所述新型通信设备多维度语义融合特征,确定造价估计值,包括:将所述新型通信设备多维度语义融合特征向量通过解码器以得到解码值,所述解码值为造价估计值。
8.根据权利要求7所述的基于电力通信网建设的电网通信工程造价预测方法,其特征在于,还包括训练步骤:用于对所述包含词嵌入模块的基本信息语义编码器、所述施工方案语义编码器、所述语义特征序列交互融合模块和所述解码器进行训练。
9.根据权利要求8所述的基于电力通信网建设的电网通信工程造价预测方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括新型通信设备的训练基本信息,施工方案的训练文本描述,以及,所述造价估计值的真实值;
通过所述包含词嵌入模块的基本信息语义编码器对所述新型通信设备的训练基本信息进行语义编码以得到训练基本信息项语义编码特征向量的序列;
将所述训练施工方案的文本描述进行分句处理为训练施工方案句描述的序列后,通过所述施工方案语义编码器对所述训练施工方案句描述的序列进行语义编码以得到训练施工方案句粒度语义特征向量的序列;
将所述训练基本信息项语义编码特征向量的序列和所述训练施工方案句粒度语义特征向量的序列通过所述语义特征序列交互融合模块以得到训练新型通信设备多维度语义融合特征向量;
对所述训练新型通信设备多维度语义融合特征向量进行特征优化以得到优化训练新型通信设备多维度语义融合特征向量;
将所述优化训练新型通信设备多维度语义融合特征向量通过所述解码器以得到解码损失函数值;以及
基于所述解码损失函数值并通过梯度下降的方向传播来对所述包含词嵌入模块的基本信息语义编码器、所述施工方案语义编码器、所述语义特征序列交互融合模块和所述解码器进行训练。
10.根据权利要求9所述的基于电力通信网建设的电网通信工程造价预测方法,其特征在于,将所述优化训练新型通信设备多维度语义融合特征向量通过所述解码器以得到解码损失函数值,包括:
使用解码器对所述优化训练新型通信设备多维度语义融合特征向量进行解码回归以得到训练解码值;以及
计算所述训练解码值与所述造价估计值的真实值之间的均方误差值作为所述解码损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507766.4A CN117495421A (zh) | 2023-11-13 | 2023-11-13 | 基于电力通信网建设的电网通信工程造价预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507766.4A CN117495421A (zh) | 2023-11-13 | 2023-11-13 | 基于电力通信网建设的电网通信工程造价预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495421A true CN117495421A (zh) | 2024-02-02 |
Family
ID=89676069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311507766.4A Pending CN117495421A (zh) | 2023-11-13 | 2023-11-13 | 基于电力通信网建设的电网通信工程造价预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495421A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118069331A (zh) * | 2024-04-24 | 2024-05-24 | 湖北华中电力科技开发有限责任公司 | 一种基于数字孪生的智能采集任务调度方法及装置 |
CN118069331B (zh) * | 2024-04-24 | 2024-07-09 | 湖北华中电力科技开发有限责任公司 | 一种基于数字孪生的智能采集任务调度方法及装置 |
-
2023
- 2023-11-13 CN CN202311507766.4A patent/CN117495421A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118069331A (zh) * | 2024-04-24 | 2024-05-24 | 湖北华中电力科技开发有限责任公司 | 一种基于数字孪生的智能采集任务调度方法及装置 |
CN118069331B (zh) * | 2024-04-24 | 2024-07-09 | 湖北华中电力科技开发有限责任公司 | 一种基于数字孪生的智能采集任务调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
CN115564203B (zh) | 基于多维数据协同的设备实时性能评估***及其方法 | |
US20230162477A1 (en) | Method for training model based on knowledge distillation, and electronic device | |
CN117041017B (zh) | 数据中心的智能运维管理方法及*** | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
CN115186673A (zh) | 科技信息管理***及其管理方法 | |
CN117237559B (zh) | 面向数字孪生城市的三维模型数据智能分析方法及*** | |
CN116992304A (zh) | 基于人工智能的政策匹配分析***及其方法 | |
CN110704543A (zh) | 多类型多平台信息数据自适应融合***及方法 | |
CN117494051A (zh) | 一种分类处理的方法、模型训练的方法以及相关装置 | |
CN115761900A (zh) | 用于实训基地管理的物联网云平台 | |
CN115018012A (zh) | 一种高维度特性下的物联网时间序列异常检测方法及*** | |
CN117495422A (zh) | 基于电力通信网建设的造价管理***及其方法 | |
CN117787287A (zh) | 基于大模型的事故处理方法、***及存储介质 | |
CN117079031A (zh) | 铁氟龙线路板钻孔加工***及其方法 | |
CN116402777A (zh) | 基于机器视觉的电力设备检测方法及*** | |
CN116108363A (zh) | 基于标签引导的不完备多视图多标签分类方法和*** | |
CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
CN113240098A (zh) | 基于混合门控神经网络的故障预测方法、装置和存储介质 | |
CN113159164A (zh) | 基于分布式的工业互联网设备协同作业方法 | |
CN114819108B (zh) | 一种综合能源***故障识别方法及装置 | |
CN117575485B (zh) | 一种基于可视化的智慧调度方法、***及存储介质 | |
CN117058498B (zh) | 分割图评估模型的训练方法、分割图的评估方法及装置 | |
CN117852588A (zh) | 一种基于深层残差神经网络的ai芯片测评参数确定方法 | |
CN117056861A (zh) | 小区物业智能管理***及其方法 |
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 |