CN117952564A - 一种基于进度预测的排程模拟优化方法及*** - Google Patents
一种基于进度预测的排程模拟优化方法及*** Download PDFInfo
- Publication number
- CN117952564A CN117952564A CN202410332683.4A CN202410332683A CN117952564A CN 117952564 A CN117952564 A CN 117952564A CN 202410332683 A CN202410332683 A CN 202410332683A CN 117952564 A CN117952564 A CN 117952564A
- Authority
- CN
- China
- Prior art keywords
- workload
- time sequence
- data set
- characteristic
- abnormal
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 112
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims description 12
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000012384 transportation and delivery 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于进度预测的排程模拟优化方法及***，涉及大数据处理技术领域。该方法包括：采集历史数据，构建样本数据集并训练得到异常分析模型；生成并处理每个异常数据点的第一参考特征，生成每个异常数据点的第三时序特征，对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集；提取出工作量时间序列和设备状态时间序列并通过预测模型进行处理，生成第一工作量预测结果和设备状态预测结果；通过异常分析模型对设备状态预测结果进行处理，生成第二工作量预测结果，对第一工作量预测结果进行矫正，得到目标工作量预测结果。本发明实现了对工作量的精准预测，便于企业调整工作排程。
Description
技术领域
本发明涉及大数据处理技术领域，特别地涉及一种基于进度预测的排程模拟优化方法及***。
背景技术
随着经济的发展，小规模多样化工程项目管理逐渐成为各工程企业提高自身竞争力、灵活性和可持续性的研究课题，由于这种模式需要企业具有更高的项目管理水平，包括排程的合理规划、资源物料的合理供给等，保证企业可以按时完成工程交付，同时能够灵活应对市场需求。
企业在实施工程项目的过程中物料供给和设备稳定是影响企业工程进度的关键因素，对企业的工程状态及工作量进行精准预测是提升企业竞争力的有效手段之一，然而，资源供给的变化以及设备的故障等因素往往对预测结果形成干扰，相较于大规模标准化工程模式而言，小规模非标准化模式的工程数据更为杂乱，通过分析历史数据的趋势或者阶段性的工作量均值进行工程进度的预测，预测结果的精准度较低。
发明内容
为克服上述缺陷，本发明提供了一种基于进度预测的排程模拟优化方法及***。
作为本发明实施例的第一方面，提供了一种基于进度预测的排程模拟优化方法，包括：
采集历史数据并构建时序数据集合，时序数据集合包括设备状态时序数据集、材料供给时序数据集和工作量时序数据集；
确定设备状态时序数据集和材料供给时序数据集中的多个异常数据点，提取每个异常数据点的第一时序特征和异常数据点所属工程项目周期的第二时序特征，时序特征P=（e，m，y，t），e为设备状态特征，m为材料供给特征，y为工作量特征，t为时间特征；
基于多个第一时序特征和第二时序特征构建样本数据集，将样本数据集输入到异常分析模型中，训练得到异常分析模型；
对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征；
通过异常分析模型对多个第一参考特征进行处理，生成每个异常数据点的第三时序特征，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集；
分别从目标工作量时序数据集和设备状态时序数据集中提取出工作量时间序列和设备状态时间序列；
通过预测模型分别对工作量时间序列和设备状态时间序列进行处理，生成待预测时间范围内的第一工作量预测结果和设备状态预测结果；
基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，根据目标工作量预测结果调整工作排程。
优选的，对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，包括：
选取第一时序特征的时间特征、第二时序特征的设备状态特征和材料供给特征构建异常数据点的第一参考特征。
优选的，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集，包括：
根据每个异常数据点的第三时序特征中的时间特征确定每个异常数据点在工作量时序数据集中对应的工作量数据，用每个异常数据点的工作量特征替换工作量时序数据集中每个异常数据点对应的工作量数据，得到目标工作量时序数据集。
优选的，基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，包括：
根据设备状态预测结果确定待预测时间范围内的多个设备状态异常点，得到每个设备状态异常点的设备状态特征，根据设备状态异常点所属时间确定设备状态异常点的时间特征，根据材料供给数据确定设备状态异常点的材料供给特征，生成每个设备状态异常点的第二参考特征；
通过异常分析模型对每个设备状态异常点的第二参考特征进行处理，生成每个设备状态异常点的预测工作量特征，得到第二工作量预测结果。
优选的，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，包括：
确定每个设备状态异常点在第一工作量预测结果中对应的预测工作量，基于每个设备状态异常点的预测工作量特征对第一工作量预测结果中每个设备状态异常点对应的预测工作量进行替换更新，得到目标工作量预测结果。
优选的，异常分析模型为循环神经网络模型。
优选的，预测模型为ARIMA模型。
作为本发明实施例的第二方面，提供了一种基于进度预测的排程模拟优化***，包括：
数据处理模块，用于采集历史数据并构建时序数据集合，时序数据集合包括设备状态时序数据集、材料供给时序数据集和工作量时序数据集；
特征提取模块，用于确定设备状态时序数据集和材料供给时序数据集中的多个异常数据点，提取每个异常数据点的第一时序特征和异常数据点所属工程项目周期的第二时序特征，时序特征P=（e，m，y，t），e为设备状态特征，m为材料供给特征，y为工作量特征，t为时间特征；
模型训练模块，用于基于多个第一时序特征和第二时序特征构建样本数据集，将样本数据集输入到异常分析模型中，训练得到异常分析模型；
特征拼接模块，用于对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征；
数据重构模块，用于通过异常分析模型对多个第一参考特征进行处理，生成每个异常数据点的第三时序特征，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集；
预测模块，用于分别从目标工作量时序数据集和设备状态时序数据集中提取出工作量时间序列和设备状态时间序列，通过预测模型分别对工作量时间序列和设备状态时间序列进行处理，生成待预测时间范围内的第一工作量预测结果和设备状态预测结果；
预测矫正模块，用于基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果。
优选的，对于特征拼接模块，对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，包括：
选取第一时序特征的时间特征、第二时序特征的设备状态特征和材料供给特征构建异常数据点的第一参考特征。
优选的，对于预测矫正模块，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，包括：
确定每个设备状态异常点在第一工作量预测结果中对应的预测工作量，基于每个设备状态异常点的预测工作量特征对第一工作量预测结果中每个设备状态异常点对应的预测工作量进行替换更新，得到目标工作量预测结果。
与现有技术相比，本发明具有以下优点：
本发明从历史数据中采集到时序特征，构建样本数据集并训练得到异常分析模型，通过异常分析模型去除历史数据中的干扰信息，生成更为精准的工作量时间序列数据和设备状态时间序列数据，通过预测模型进行工程状态及工作量的预测，并通过异常分析模型对设备状态进行进一步的分析，确定设备状态变化对工作量带来的影响，对预测模型的预测结果进行矫正，提高预测的精准度，便于企业规划工程的资源供给需求，基于市场需求对工程排程进行调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例中一种基于进度预测的排程模拟优化方法的流程图；
图2为本发明实施例中一种基于进度预测的排程模拟优化***的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。然而，本领域的普通技术人员可以理解，在本申请的各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。
实施例1：参见图1，为本发明实施例中示例性的一种基于进度预测的排程模拟优化方法的流程图，一种基于进度预测的排程模拟优化方法，包括以下步骤：
S101、采集历史数据并构建时序数据集合，确定设备状态时序数据集和材料供给时序数据集中的多个异常数据点，提取每个异常数据点的第一时序特征和异常数据点所属工程项目周期的第二时序特征。
需要说明的是，历史数据包括了不同时期下工程项目过程中的数据，例如设备状态数据、材料供给数据、工作量数据等，结合数据的时间信息为构建得到时序数据集合，时序数据集合包括设备状态时序数据集、材料供给时序数据集和工作量时序数据集，用于记录不同节点的数据，例如每天的设备状态数据、材料供给数据和工作量数据等。
在本实施例中，异常数据点具体为出现设备故障的节点，或者出现材料供给不足的节点，从数据集中提取出存在异常的节点的时序特征，包括每个异常数据点的第一时序特征和异常数据点所属工程项目周期的第二时序特征，其中，时序特征P=（e，m，y，t），e为设备状态特征，m为材料供给特征，y为工作量特征，t为时间特征。
在本实施例中，为了便于后续的数据处理，设备状态特征具体可以是基于一天内因为设备故障影响工程项目的时长与一天内的标准工作时长进行确定，示例性的，若某一天因为设备故障导致0.5h内工作停止，标准工作时长8h内只有7.5h内在正常运行，则设备状态特征可以是93.75%。对于材料供给特征，可以基于因为材料供给不足对工作进程的影响进行确定，例如每天实际运行的时长占相对于标准工作时长的比例。对于时间特征，考虑到工程项目过程中的季节性环境影响，可预先设定工程项目周期，并提取季度特征信息，例如对于4月份5号的时间特征，工程项目周期为5天，则时间特征为2-1-1，依次表示第二个季度（夏季）的第一个月的第一个周期。本领域技术人员也可采取其它方式量化表征多个特征信息，本实施例不对其进行具体限定，值得说明的是，工程项目周期并不表示工程的实际工作周期，而是作为循环单位，用于分析时序数据的周期性。
对于第二时序特征，具体用于表征异常数据点所属的工程项目周期内其余不存在异常的节点的特征信息，可以想到的是，设备状态特征和材料供给特征可以均为100%，工作量特征可以是多个不存在异常的节点的工作量均值。
S102、基于多个第一时序特征和第二时序特征构建样本数据集，将样本数据集输入到异常分析模型中，训练得到异常分析模型。
在本实施例中，以样本数据集中多个时序特征的设备状态特征、材料供给特征和时间特征作为异常分析模型的输入，多个时序特征的工作量特征作为异常分析模型的训练目标，训练得到用于通过分析设备状态、材料供给数据和时间数据预测工作量的异常分析模型。其中，异常分析模型为神经网络模型，具有分析时序数据的功能，本实施例中以循环神经网络作为模型框架构建得到异常分析模型。本领域技术人员也可选取其它具有时序数据分析功能的模型，此处不对异常分析模型进行具体限定。
S103、对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，通过异常分析模型对多个第一参考特征进行处理，生成每个异常数据点的第三时序特征。
在本实施例中，第一参考特征的拼接包括选取第一时序特征的时间特征、第二时序特征的设备状态特征和材料供给特征，基于上述特征构建得到异常数据点的第一参考特征，通过异常分析模型对第一参考特征进行处理，预测第一参考特征下的工作量数据，将工作量数据添加到第一参考特征中生成异常数据点对应的第三时序特征。
S104、基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集，分别从目标工作量时序数据集和设备状态时序数据集中提取出工作量时间序列和设备状态时间序列。
本实施例中，对工作量时序数据集进行数据重构的意义在于，降低历史数据中干扰因素例如材料供给不足、设备生产故障等对工程项目进度带来的影响，得到工程项目进度与时间的相关性更大的数据，即目标工作量时序数据集。具体的，根据每个异常数据点的第三时序特征中的时间特征确定每个异常数据点在工作量时序数据集中对应的工作量数据，用每个异常数据点的工作量特征替换工作量时序数据集中每个异常数据点对应的工作量数据，得到目标工作量时序数据集。
分别分析工作量和设备状态随时间的变化关系，提取得到工作量时间序列和设备状态时间序列。
S105、通过预测模型分别对工作量时间序列和设备状态时间序列进行处理，生成待预测时间范围内的第一工作量预测结果和设备状态预测结果。
本实施例中，预测模型具体为ARIMA模型，ARIMA模型可通过分析时间序列实现对未来数据点的预测，对于待预测时间范围，例如未来半个月内的工程进度，通过ARIMA模型分析工作量时间序列，预测未来半个月内的工作量数据，生成第一工作量预测结果，以及分析设备状态时间序列，预测未来半个月内的设备状态数据，生成设备状态预测结果。对于待预测时间范围，可基于已知的材料供给进行确定，例如已知的材料供给可以保证工程正常运行情况下至少10天的需求，则可通过预测模型对未来10天的工作量数据进行预测。
S106、基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，根据目标工作量预测结果调整工作排程。
在本实施例中，对于第一工作量预测结果，材料供给数据可以结合实际情况进行分析，但是设备状态的变化存在一定的未知性，因此预测精度不高，需要进一步分析设备状态。在已知预测时间和材料供给的情况下，本实施例中结合设备状态预测结果和异常分析模型对设备状态进行进一步的分析，确定设备状态变化对工作量带来的影响，对第一工作量预测结果进行矫正，生成更为精准的目标工作量预测结果，便于企业规划材料供给需求，同时对工作排程进行调整。
优选的，上述步骤S106中，基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，具体包括：
根据设备状态预测结果确定待预测时间范围内的多个设备状态异常点，得到每个设备状态异常点的设备状态特征。
具体的，设备状态异常点为设备状态预测结果中设备状态特征低于100%的节点，根据设备状态异常点所属时间确定设备状态异常点的时间特征，根据材料供给数据确定设备状态异常点的材料供给特征，其中，在分析已知材料供给数据确定待预测时间范围后，材料供给特征具体为100%，根据相关的特征数据生成每个设备状态异常点的第二参考特征。
通过异常分析模型对每个设备状态异常点的第二参考特征进行处理，生成包括有每个设备状态异常点的预测工作量特征的第二工作量预测结果，第二工作量预测结果具体为设备异常变化带来的工作量数据。
在得到第二工作量预测结果后，确定每个设备状态异常点在第一工作量预测结果中对应的预测工作量，即假设设备状态异常点未出现设备故障情况下的理论工作量，基于每个设备状态异常点的预测工作量特征对第一工作量预测结果中每个设备状态异常点对应的预测工作量进行替换更新，用多个预测工作量特征分别替换设备状态异常点对应的预测工作量，得到更为精准的目标工作量预测结果。
本发明实施例提供的一种基于进度预测的排程模拟优化方法，适用于对基于小规模非标准化模式工程项目的企业对排程的优化，通过综合分析生成过程中的材料供给数据和设备状态数据等信息，构建用于对工程工作进度进行预测的预测模型，并通过异常分析模型去除历史数据中的干扰信息，提高预测模型的预测精度，并且考虑了历史数据中的资源及环境等变化因素，最大限度降低资源环境带来的干扰，对数据中的周期性特征进行综合分析，实现对工作量的精准预测，便于企业分析工程进度，制定更为符合企业需求的材料供给计划，更为科学合理的工作排程规划等，提高企业的灵活性。
实施例2：参见图2，为本发明实施例中示例性的一种基于进度预测的排程模拟优化***的结构框图，一种基于进度预测的排程模拟优化***，具体包括：
数据处理模块，用于采集历史数据并构建时序数据集合；
其中，时序数据集合包括设备状态时序数据集、材料供给时序数据集和工作量时序数据集；
特征提取模块，用于确定设备状态时序数据集和材料供给时序数据集中的多个异常数据点，提取每个异常数据点的第一时序特征和异常数据点所属工程项目周期的第二时序特征；
其中，时序特征P=（e，m，y，t），e为设备状态特征，m为材料供给特征，y为工作量特征，t为时间特征；
模型训练模块，用于基于多个第一时序特征和第二时序特征构建样本数据集，将样本数据集输入到异常分析模型中，训练得到异常分析模型；
其中，异常分析模型为循环神经网络模型。
特征拼接模块，用于对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征；
具体的，选取第一时序特征的时间特征、第二时序特征的设备状态特征和材料供给特征构建异常数据点的第一参考特征。
数据重构模块，用于通过异常分析模型对多个第一参考特征进行处理，生成每个异常数据点的第三时序特征，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集；
具体的，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，包括：
确定每个设备状态异常点在第一工作量预测结果中对应的预测工作量，基于每个设备状态异常点的预测工作量特征对第一工作量预测结果中每个设备状态异常点对应的预测工作量进行替换更新，得到目标工作量预测结果。
预测模块，用于分别从目标工作量时序数据集和设备状态时序数据集中提取出工作量时间序列和设备状态时间序列，通过预测模型分别对工作量时间序列和设备状态时间序列进行处理，生成待预测时间范围内的第一工作量预测结果和设备状态预测结果；
预测矫正模块，用于基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于进度预测的排程模拟优化方法，其特征在于，包括：
采集历史数据并构建时序数据集合，时序数据集合包括设备状态时序数据集、材料供给时序数据集和工作量时序数据集；
确定设备状态时序数据集和材料供给时序数据集中的多个异常数据点，提取每个异常数据点的第一时序特征和异常数据点所属工程项目周期的第二时序特征，时序特征P=（e，m，y，t），e为设备状态特征，m为材料供给特征，y为工作量特征，t为时间特征；
基于多个第一时序特征和第二时序特征构建样本数据集，将样本数据集输入到异常分析模型中，训练得到异常分析模型；
对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征；
通过异常分析模型对多个第一参考特征进行处理，生成每个异常数据点的第三时序特征，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集；
分别从目标工作量时序数据集和设备状态时序数据集中提取出工作量时间序列和设备状态时间序列；
通过预测模型分别对工作量时间序列和设备状态时间序列进行处理，生成待预测时间范围内的第一工作量预测结果和设备状态预测结果；
基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，根据目标工作量预测结果调整工作排程。
2.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，包括：
选取第一时序特征的时间特征、第二时序特征的设备状态特征和材料供给特征构建异常数据点的第一参考特征。
3.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集，包括：
根据每个异常数据点的第三时序特征中的时间特征确定每个异常数据点在工作量时序数据集中对应的工作量数据，用每个异常数据点的工作量特征替换工作量时序数据集中每个异常数据点对应的工作量数据，得到目标工作量时序数据集。
4.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，包括：
根据设备状态预测结果确定待预测时间范围内的多个设备状态异常点，得到每个设备状态异常点的设备状态特征，根据设备状态异常点所属时间确定设备状态异常点的时间特征，根据材料供给数据确定设备状态异常点的材料供给特征，生成每个设备状态异常点的第二参考特征；
通过异常分析模型对每个设备状态异常点的第二参考特征进行处理，生成每个设备状态异常点的预测工作量特征，得到第二工作量预测结果。
5.如权利要求4所述的一种基于进度预测的排程模拟优化方法，其特征在于，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，包括：
确定每个设备状态异常点在第一工作量预测结果中对应的预测工作量，基于每个设备状态异常点的预测工作量特征对第一工作量预测结果中每个设备状态异常点对应的预测工作量进行替换更新，得到目标工作量预测结果。
6.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，异常分析模型为循环神经网络模型。
7.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，预测模型为ARIMA模型。
8.一种基于进度预测的排程模拟优化***，其特征在于，使用如权利要求1至7任一所述的一种基于进度预测的排程模拟优化方法，包括：
数据处理模块，用于采集历史数据并构建时序数据集合，时序数据集合包括设备状态时序数据集、材料供给时序数据集和工作量时序数据集；
特征提取模块，用于确定设备状态时序数据集和材料供给时序数据集中的多个异常数据点，提取每个异常数据点的第一时序特征和异常数据点所属工程项目周期的第二时序特征，时序特征P=（e，m，y，t），e为设备状态特征，m为材料供给特征，y为工作量特征，t为时间特征；
模型训练模块，用于基于多个第一时序特征和第二时序特征构建样本数据集，将样本数据集输入到异常分析模型中，训练得到异常分析模型；
特征拼接模块，用于对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征；
数据重构模块，用于通过异常分析模型对多个第一参考特征进行处理，生成每个异常数据点的第三时序特征，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集；
预测模块，用于分别从目标工作量时序数据集和设备状态时序数据集中提取出工作量时间序列和设备状态时间序列，通过预测模型分别对工作量时间序列和设备状态时间序列进行处理，生成待预测时间范围内的第一工作量预测结果和设备状态预测结果；
预测矫正模块，用于基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果。
9.如权利要求8所述的一种基于进度预测的排程模拟优化***，其特征在于，对于特征拼接模块，对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，包括：
选取第一时序特征的时间特征、第二时序特征的设备状态特征和材料供给特征构建异常数据点的第一参考特征。
10.如权利要求8所述的一种基于进度预测的排程模拟优化***，其特征在于，对于预测矫正模块，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，包括：
确定每个设备状态异常点在第一工作量预测结果中对应的预测工作量，基于每个设备状态异常点的预测工作量特征对第一工作量预测结果中每个设备状态异常点对应的预测工作量进行替换更新，得到目标工作量预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410332683.4A CN117952564B (zh) | 2024-03-22 | 2024-03-22 | 一种基于进度预测的排程模拟优化方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410332683.4A CN117952564B (zh) | 2024-03-22 | 2024-03-22 | 一种基于进度预测的排程模拟优化方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117952564A true CN117952564A (zh) | 2024-04-30 |
| CN117952564B CN117952564B (zh) | 2024-06-07 |
Family
ID=90803089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410332683.4A Active CN117952564B (zh) | 2024-03-22 | 2024-03-22 | 一种基于进度预测的排程模拟优化方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952564B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020071845A (ja) * | 2018-11-02 | 2020-05-07 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 異常検知装置、異常検知方法および異常検知プログラム |
| WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
| CN113988268A (zh) * | 2021-11-03 | 2022-01-28 | 西安交通大学 | 基于无监督全属性图的异构多源时序异常检测方法 |
| CN115936428A (zh) * | 2022-11-17 | 2023-04-07 | 江苏东港能源投资有限公司 | 增量配电网防外破定值优化*** |
| WO2024000852A1 (zh) * | 2022-06-29 | 2024-01-04 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN117436763A (zh) * | 2023-11-30 | 2024-01-23 | 广州墨斗信息科技有限公司 | 一种基于数字化实现建筑劳务全流程精细化管理方法及*** |
| US20240028744A1 (en) * | 2022-07-21 | 2024-01-25 | University Of Chinese Academy Of Sciences | Dynamic network risk predicting method based on a graph neural network |
| CN117473514A (zh) * | 2023-12-28 | 2024-01-30 | 华东交通大学 | 一种工控***的智能运维方法及*** |
| CN117494292A (zh) * | 2024-01-02 | 2024-02-02 | 中亿丰数字科技集团有限公司 | 一种基于bim和ai大模型的工程进度管理方法及*** |
-
2024
- 2024-03-22 CN CN202410332683.4A patent/CN117952564B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020071845A (ja) * | 2018-11-02 | 2020-05-07 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 異常検知装置、異常検知方法および異常検知プログラム |
| WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
| CN113988268A (zh) * | 2021-11-03 | 2022-01-28 | 西安交通大学 | 基于无监督全属性图的异构多源时序异常检测方法 |
| WO2024000852A1 (zh) * | 2022-06-29 | 2024-01-04 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| US20240028744A1 (en) * | 2022-07-21 | 2024-01-25 | University Of Chinese Academy Of Sciences | Dynamic network risk predicting method based on a graph neural network |
| CN115936428A (zh) * | 2022-11-17 | 2023-04-07 | 江苏东港能源投资有限公司 | 增量配电网防外破定值优化*** |
| CN117436763A (zh) * | 2023-11-30 | 2024-01-23 | 广州墨斗信息科技有限公司 | 一种基于数字化实现建筑劳务全流程精细化管理方法及*** |
| CN117473514A (zh) * | 2023-12-28 | 2024-01-30 | 华东交通大学 | 一种工控***的智能运维方法及*** |
| CN117494292A (zh) * | 2024-01-02 | 2024-02-02 | 中亿丰数字科技集团有限公司 | 一种基于bim和ai大模型的工程进度管理方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 李晨晨;臧海娟;吴涛;: "面向LED封装车间管理的MES排程模块研究与设计", 电脑知识与技术, no. 07, 5 March 2020 (2020-03-05) * |
| 黄可为;杜斌;刘青;牛长胜;: "基于模型的热轧轧制计划排程***的设计与实现", 上海金属, no. 04, 15 July 2009 (2009-07-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117952564B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pfeiffer et al. | Stability-oriented evaluation of rescheduling strategies, by using simulation | |
| US20220027744A1 (en) | Resource data modeling, forecasting and simulation | |
| CN101408769B (zh) | 一种基于乘积arima模型的在线能源预测***及方法 | |
| US20060106477A1 (en) | Production plan creation system, method, and program | |
| Singh et al. | Entropy based software reliability analysis of multi-version open source software | |
| JP2019519871A (ja) | 予測を使用してターゲットシステムを制御すること | |
| Aleš et al. | Methodology of overall equipment effectiveness calculation in the context of Industry 4.0 environment | |
| CN111754024A (zh) | 一种基于回归分析的电力行业时间序列预测方法和装置 | |
| CN110991985A (zh) | 一种项目进度数据处理方法 | |
| Barton | Simulation experiment design | |
| Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
| Briano et al. | Design of experiment and montecarlo simulation as support for gas turbine power plant availabilty estimation | |
| JP2017151980A (ja) | 推奨点検間隔を最適化するシステムおよび方法 | |
| CN117952564B (zh) | 一种基于进度预测的排程模拟优化方法及*** | |
| Francis et al. | Simulation of scheduling logic using dynamic functions | |
| Siriweera et al. | Constraint-driven dynamic workflow for automation of big data analytics based on graphplan | |
| Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
| KR20120133362A (ko) | 로딩 시뮬레이션 기반 동적 피드백 스케줄링 알고리즘을 장착한 최적화된 생산 스케줄링 시스템 | |
| Kivanç et al. | A scalable multi-objective maintenance optimization model for systems with multiple heterogeneous components and a finite lifespan | |
| Chua et al. | Prediction of production performance in smart manufacturing using multivariate adaptive regression spline | |
| Han et al. | Dynamic project management: An application of system dynamics in construction engineering and management | |
| Shailesh et al. | A study on performance evaluation of computer systems using Petri Nets | |
| Szaller et al. | Real-time prediction of manufacturing lead times in complex production environments | |
| Asphjell et al. | Sequentiality versus simultaneity: Interrelated factor demand | |
| CN117371662A (zh) | 一种虚拟电厂调节能力的评估***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 | ||
| GR01 | Patent grant |