JP7019982B2 - Adjustment factor estimator, model learning device, and method - Google Patents
Adjustment factor estimator, model learning device, and method Download PDFInfo
- Publication number
- JP7019982B2 JP7019982B2 JP2017139453A JP2017139453A JP7019982B2 JP 7019982 B2 JP7019982 B2 JP 7019982B2 JP 2017139453 A JP2017139453 A JP 2017139453A JP 2017139453 A JP2017139453 A JP 2017139453A JP 7019982 B2 JP7019982 B2 JP 7019982B2
- Authority
- JP
- Japan
- Prior art keywords
- adjustment coefficient
- learning
- construction work
- coefficient
- data
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、調整係数推定装置、モデル学習装置、及び方法に関する。 The present invention relates to an adjustment coefficient estimation device, a model learning device, and a method.
様々な分野において所定の係数を算出する場合がある。例えば、建設分野においては、建設工事の見積り金額を算出する際に、歩掛り係数を算出する必要がある。建設分野の見積り金額を算出する従来技術としては、例えば、建設工事の見積もりを行う建物管理システムが知られている（例えば、特許文献１）。また、施工管理に必要となるデータを効率よく作成できる施工管理支援システムが知られている（例えば、特許文献２）。 Predetermined coefficients may be calculated in various fields. For example, in the construction field, it is necessary to calculate the yield coefficient when calculating the estimated amount of construction work. As a conventional technique for calculating an estimated amount of money in the construction field, for example, a building management system for estimating construction work is known (for example, Patent Document 1). Further, a construction management support system capable of efficiently creating data required for construction management is known (for example, Patent Document 2).
所定の係数を算出する際には、対象となる分野に属する人間が自らの経験又は勘に基づいて調整をすることが多い。この場合には、例えば、対象となる分野の人間が自らの経験又は勘に基づいて調整係数を設定し、調整係数を用いて所定の係数が調整される。例えば、建設工事の基本設計の段階において見積金額を算出する際には、建設技術者の経験等に基づき調整係数が設定され、調整係数を用いて建設工事の歩掛り係数が調整されることが多い。 When calculating a predetermined coefficient, a person belonging to the target field often makes adjustments based on his / her own experience or intuition. In this case, for example, a person in the target field sets an adjustment coefficient based on his / her own experience or intuition, and a predetermined coefficient is adjusted using the adjustment coefficient. For example, when calculating the estimated amount at the stage of basic design of construction work, the adjustment coefficient is set based on the experience of the construction engineer, and the yield coefficient of the construction work is often adjusted using the adjustment coefficient. ..
しかし、上記特許文献１及び上記特許文献２に記載の技術では、歩掛り係数の調整については考慮されていない。
However, in the techniques described in
本発明は上記事実を考慮して、対象の分野における調整係数を自動的に取得することを目的とする。 It is an object of the present invention to automatically obtain an adjustment coefficient in a target field in consideration of the above facts.
上記目的を達成するために、本発明の調整係数推定装置は、推定対象イベントに関連する推定用要因データと、学習用要因データ及び前記学習用要因データから得られる調整係数を表す学習データから予め学習された学習済みモデルとに基づいて、前記推定対象イベントに関するデータから統計的手法によって得られた係数に対する調整係数を推定する調整係数推定部を含んで構成される。これにより、対象の分野における調整係数を自動的に取得することができる。 In order to achieve the above object, the adjustment coefficient estimation device of the present invention is prepared in advance from the estimation factor data related to the estimation target event, the learning factor data, and the learning data representing the adjustment coefficient obtained from the learning factor data. It is configured to include an adjustment coefficient estimation unit that estimates an adjustment coefficient for a coefficient obtained by a statistical method from the data related to the estimation target event based on the trained trained model. As a result, the adjustment coefficient in the target field can be automatically acquired.
本発明の前記調整係数推定部は、前記推定対象イベントとしての建設工事の設計に関する要因データ、前記建設工事の建物に関する要因データ、前記建設工事の顧客に関する要因データ、及び社会に関する要因データの少なくとも１つと、前記学習済みモデルとに基づいて、前記建設工事の建物規模に関するデータから前記統計的手法によって得られた、前記建設工事の歩掛り係数に対する前記調整係数を推定するようにすることができる。これにより、建設工事の歩掛り係数に対する調整係数を自動的に取得することができる。 The adjustment coefficient estimation unit of the present invention is at least one of factor data regarding the design of construction work as the estimation target event, factor data regarding the building of the construction work, factor data regarding the customer of the construction work, and factor data regarding society. Then, based on the trained model, it is possible to estimate the adjustment coefficient for the construction work yield coefficient obtained by the statistical method from the data on the building scale of the construction work. As a result, the adjustment coefficient for the construction work coefficient can be automatically obtained.
本発明の調整係数推定装置は、前記調整係数推定部によって推定された前記調整係数と、前記建設工事の建物規模に関するデータから前記統計的手法によって得られた前記歩掛り係数とを乗算することにより、前記歩掛り係数を調整する歩掛り係数調整部を更に含むようにすることができる。これにより、調整係数によって調整された歩掛り係数を自動的に取得することができる。 The adjustment coefficient estimation device of the present invention multiplies the adjustment coefficient estimated by the adjustment coefficient estimation unit with the step factor obtained by the statistical method from the data on the building scale of the construction work. It is possible to further include a step factor adjusting unit for adjusting the step factor. As a result, the yield coefficient adjusted by the adjustment coefficient can be automatically acquired.
本発明のモデル学習装置は、学習用要因データ及び前記学習用要因データから得られる調整係数を表す学習データに基づいて、統計的手法によって得られた係数に対する調整係数を推定するための学習モデルを学習させて、推定対象イベントに関連する要因データから前記調整係数を推定するための学習済みモデルを得る学習部を含んで構成される。これにより、対象の分野における調整係数を自動的に取得するための学習済みモデルを得ることができる。 The model learning device of the present invention provides a learning model for estimating an adjustment coefficient with respect to a coefficient obtained by a statistical method based on learning factor data and learning data representing an adjustment coefficient obtained from the learning factor data. It includes a learning unit that is trained to obtain a trained model for estimating the adjustment coefficient from factor data related to the event to be estimated. This makes it possible to obtain a trained model for automatically acquiring the adjustment coefficient in the target field.
本発明の前記学習部は、前記学習用要因データ及び本発明の調整係数推定装置によって推定された前記調整係数に対する実績から得られる調整係数を前記学習データとして設定し、設定された前記学習データに基づいて、本発明の調整係数推定装置の前記学習済みモデルを再学習させる、ようにすることができる。これにより、実績から得られる調整係数を学習済みモデルへフィードバックすることにより、調整係数を精度良く推定するための学習済みモデルを得ることができる。 The learning unit of the present invention sets the learning factor data and the adjustment coefficient obtained from the actual results for the adjustment coefficient estimated by the adjustment coefficient estimation device of the present invention as the learning data, and uses the set learning data as the learning data. Based on this, the trained model of the adjustment coefficient estimation device of the present invention can be retrained. As a result, by feeding back the adjustment coefficient obtained from the actual results to the trained model, it is possible to obtain a trained model for accurately estimating the adjustment coefficient.
本発明の調整係数推定方法は、推定対象イベントに関連する推定用要因データと、学習用要因データ及び前記学習用要因データから得られる調整係数を表す学習データから予め学習された学習済みモデルとに基づいて、前記推定対象イベントに関するデータから統計的手法によって得られた係数に対する調整係数を推定する、処理をコンピュータに実行させる。 The adjustment coefficient estimation method of the present invention includes estimation factor data related to an estimation target event, learning factor data, and a trained model pre-learned from learning data representing adjustment coefficients obtained from the learning factor data. Based on this, a computer is made to perform a process of estimating an adjustment coefficient for a coefficient obtained by a statistical method from the data regarding the event to be estimated.
本発明によれば、対象の分野における調整係数を自動的に取得することができる、という効果が得られる。 According to the present invention, the effect that the adjustment coefficient in the target field can be automatically obtained can be obtained.
以下、本発明の実施形態について詳細に説明する。なお、本実施形態では、建設工事の歩掛り係数を推定する歩掛り係数推定装置に本発明を適用した場合を例に説明する。 Hereinafter, embodiments of the present invention will be described in detail. In this embodiment, a case where the present invention is applied to a step coefficient estimation device for estimating a step coefficient of construction work will be described as an example.
＜本実施形態に係る歩掛り係数推定装置のシステム構成＞ <System configuration of the step factor estimation device according to this embodiment>
図１は、本実施形態に係る歩掛り係数推定装置の構成の一例を示すブロック図である。歩掛り係数推定装置１００は、機能的には、図１に示されるように、データ受付部１０、コンピュータ２０、及び出力装置５０を含んだ構成で表すことができる。歩掛り係数推定装置１００は、本発明の調整係数推定装置の一例である。
FIG. 1 is a block diagram showing an example of the configuration of the step factor estimation device according to the present embodiment. Functionally, the step
本実施形態では、建設工事の見積金額を算出する際に必要な歩掛り係数を推定する。なお、本実施形態では、建設工事の基本設計における構造歩掛りの推定に本発明を適用させた場合を例に説明する。 In this embodiment, the yield coefficient required for calculating the estimated amount of construction work is estimated. In this embodiment, a case where the present invention is applied to the estimation of the structural yield in the basic design of construction work will be described as an example.
本実施形態では、まず、従来の統計的手法により、建設工事の規模（例えば、建築面積、延べ床面積、構造等）に応じた歩掛り係数を算出する。そして、学習データから予め作成された学習済みモデルを用いて、歩掛り係数に対する調整係数を推定する。 In the present embodiment, first, the yield coefficient according to the scale of construction work (for example, building area, total floor area, structure, etc.) is calculated by a conventional statistical method. Then, the adjustment coefficient for the yield coefficient is estimated using the trained model created in advance from the training data.
建設工事で用いられる歩掛り係数に対する調整係数は、従来であればベテランの建設技術者によって設定されるが、本実施形態では、ベテランの経験や勘が反映された学習済みモデルを作成し、当該学習済みモデルを用いて調整係数を得る。そして、歩掛り係数に対して調整係数を乗算して最終的な歩掛り係数を得る。これにより、ベテランの経験や勘が反映された歩掛り係数を得ることができ、ベテランの経験や勘が反映された見積金額を自動的に算出することができる。 Conventionally, the adjustment coefficient for the yield coefficient used in construction work is set by a veteran construction engineer, but in this embodiment, a learned model that reflects the experience and intuition of a veteran is created and the learning is performed. Obtain the adjustment factor using the finished model. Then, the step coefficient is multiplied by the adjustment coefficient to obtain the final step coefficient. As a result, it is possible to obtain a yield coefficient that reflects the experience and intuition of a veteran, and it is possible to automatically calculate an estimated amount that reflects the experience and intuition of a veteran.
本実施形態では、以下の（Ａ）～（Ｅ）の処理を行う。図２に、本実施形態で実行される処理の概念図を示す。 In this embodiment, the following processes (A) to (E) are performed. FIG. 2 shows a conceptual diagram of the processing executed in this embodiment.
（Ａ）統計的手法によって、建設工事の建物規模から歩掛り係数αを得る。
（Ｂ）学習フェーズにおいて、学習済みモデルを得る。
（Ｃ）運用フェーズにおいて、学習済みモデルにより調整係数βを算出する。
（Ｄ）統計的手法によって得られた歩掛り係数αに調整係数βを乗算して最終歩掛り係数Ｘを得る。最終歩掛りＸを用いて建設工事の見積金額を算出する。
（Ｅ）建設工事の終了後、実績値から得られる歩掛り係数をフィードバックする。
(A) A step factor α is obtained from the building scale of construction work by a statistical method.
(B) In the learning phase, a trained model is obtained.
(C) In the operation phase, the adjustment coefficient β is calculated from the trained model.
(D) The final step coefficient X is obtained by multiplying the step coefficient α obtained by the statistical method by the adjustment coefficient β. The estimated amount of construction work is calculated using the final step X.
(E) After the construction work is completed, the yield coefficient obtained from the actual value is fed back.
以下、本実施形態について具体的に説明する。 Hereinafter, the present embodiment will be specifically described.
データ受付部１０は、各種の情報を受け付ける。具体的には、データ受付部１０は、過去の建設工事に関する実績データと、推定対象の建設工事の建物規模に関するデータと、学習用要因データ及び学習用要因データから得られる調整係数を表す学習データと、推定対象の建設工事に関連する推定用要因データとを受け付ける。データ受付部１０は、例えばキーボード、マウス、又は外部装置からの入力を受け付ける入出力装置等によって実現される。 The data receiving unit 10 receives various types of information. Specifically, the data reception unit 10 has actual data on past construction work, data on the building scale of the construction work to be estimated, and learning data representing learning factor data and adjustment coefficients obtained from learning factor data. And the estimation factor data related to the construction work to be estimated. The data receiving unit 10 is realized by, for example, a keyboard, a mouse, an input / output device that receives input from an external device, or the like.
過去の建設工事の実績データには、例えば、建物の建築面積、延床面積、地上部床面積、地下階数、地上階数、構造種別、及び建物用途を表す建物規模に関するデータと、各構造歩掛り（例えば、コンクリート歩掛り、型枠歩掛り、鉄筋歩掛り、及び鉄骨歩掛り等）とが対応付けられている。 The actual data of past construction work includes, for example, data on the building area, total floor area, above-ground floor area, number of basement floors, number of above-ground floors, structural type, and building scale indicating the building use, and each structural step ( For example, a concrete walk, a mold walk, a reinforcing bar walk, a steel frame walk, etc.) are associated with each other.
推定対象の建設工事の建物規模に関するデータは、歩掛り係数を推定しようとする建設工事に関するデータである。建設工事の建物規模に関するデータは、例えば、建物の建築面積、延床面積、地上部床面積、地下階数、地上階数、構造種別、及び建物用途等である。 The data on the building scale of the construction work to be estimated is the data on the construction work for which the yield coefficient is to be estimated. The data regarding the building scale of the construction work is, for example, the building area, the total floor area, the floor area of the above-ground part, the number of basement floors, the number of above-ground floors, the structural type, the building use, and the like.
要因データを表す推定用要因データ及び学習用要因データは、歩掛り係数に対する調整係数を推定する際に用いられるデータである。本実施形態では、建設工事の設計に関する要因データ、建設工事の建物に関する要因データ、建設工事の顧客に関する要因データ、及び社会に関する要因データを用いる場合を例に説明する。各要因データの詳細については後述する。 The estimation factor data and the learning factor data representing the factor data are data used when estimating the adjustment coefficient with respect to the yield coefficient. In this embodiment, a case where factor data related to the design of construction work, factor data related to the building of construction work, factor data related to customers of construction work, and factor data related to society will be described as an example. Details of each factor data will be described later.
また、学習データは、学習用要因データと学習用要因データから得られる調整係数とが対応付けられている。学習データの詳細については後述する。 Further, in the learning data, the learning factor data and the adjustment coefficient obtained from the learning factor data are associated with each other. The details of the training data will be described later.
コンピュータ２０は、ＣＰＵ（Central Processing Unit）、各処理ルーチンを実現するためのプログラム等を記憶したＲＯＭ（Read Only Memory）、データを一時的に記憶するＲＡＭ（Random Access Memory）、記憶手段としてのメモリ、ネットワークインタフェース等を含んで構成されている。コンピュータ２０は、機能的には、情報取得部２２と、実績データ記憶部２４と、統計モデル生成部２６と、統計モデル記憶部２８と、歩掛り係数推定部３０と、学習用データ記憶部３２と、学習部３４と、学習済みモデル記憶部３６と、調整係数推定部３８と、歩掛り係数調整部４０とを備えている。
The computer 20 includes a CPU (Central Processing Unit), a ROM (Read Only Memory) that stores programs for realizing each processing routine, a RAM (Random Access Memory) that temporarily stores data, and a memory as a storage means. , Network interface, etc. are included. Functionally, the computer 20 includes an
情報取得部２２は、データ受付部１０によって受け付けられた、過去の建設工事に関する実績データと、推定対象の建設工事の建物規模に関するデータと、学習データと、推定用要因データとを取得する。そして、情報取得部２２は、過去の建設工事に関する実績データを実績データ記憶部２４へ格納する。また、情報取得部２２は、学習データを学習用データ記憶部３２へ格納する。
The
実績データ記憶部２４には、過去の建設工事に関する実績データが格納される。図３に、過去の建設工事に関する実績データの一例を示す。
The actual
図３に示されるように、過去の建設工事に関する実績データには、過去の建設工事の構造歩掛りと、過去の建設工事の建物規模に関するデータとが対応付けられている。例えば、実績ＩＤ「00001」の実績データは、建築面積「Ｘ１」、延べ床面積「Ｙ１」、及び構造種別「Ｚ１」の規模の建設工事において、構造歩掛りが「Ｌ１」であったことを示している。 As shown in FIG. 3, the actual data on the past construction work is associated with the structural steps of the past construction work and the data on the building scale of the past construction work. For example, the actual data of the actual ID "00001" indicates that the structural step was "L1" in the construction work of the scale of the building area "X1", the total floor area "Y1", and the structural type "Z1". ing.
統計モデル生成部２６は、実績データ記憶部２４に格納された実績データから、統計的手法によって統計モデルを生成する。例えば、統計モデル生成部２６は、重回帰分析によって、統計モデルの一例である重回帰式を生成する。
The statistical
統計モデル記憶部２８は、統計モデル生成部２６によって生成された統計モデルが格納される。例えば、統計モデルが重回帰式である場合には、重回帰式の各係数が格納される。
The statistical
歩掛り係数推定部３０は、推定対象の建設工事の建物規模に関するデータと、統計モデル記憶部２８に格納された統計モデルとに基づいて、推定対象の建設工事の歩掛り係数を推定する。例えば、歩掛り係数推定部３０は、統計モデル記憶部２８に格納された統計モデルである重回帰式の変数に、推定対象の建設工事の建物規模に関するデータを入力することにより、推定対象の建設工事の歩掛り係数αを推定する。
The step
学習用データ記憶部３２には、学習用要因データと当該学習用要因データから得られる調整係数とが対応付けられた学習データが格納される。図４に、学習データの一例を示す。
The learning
図４に示されるように、学習用要因データには、建設工事の設計に関する要因データ、建設工事の建物に関する要因データ、建設工事の顧客に関する要因データ、及び社会に関する要因データが含まれている。例えば、学習ＩＤ「00001」の学習データについては、設計に関する要因データが「ＹＹ１」、建物に関する要因データが「ＺＺ１」、顧客に関する要因データが「ＷＷ１」、及び社会に関する要因データが「ＳＳ１」であるときに、調整係数は「ＸＸ１」であることが示されている。 As shown in FIG. 4, the learning factor data includes factor data related to the design of construction work, factor data related to the building of construction work, factor data related to customers of construction work, and factor data related to society. For example, regarding the learning data of the learning ID "00001", the factor data related to the design is "YY1", the factor data related to the building is "ZZ1", the factor data related to the customer is "WW1", and the factor data related to society is "SS1". At one point, the adjustment factor is shown to be "XX1".
学習部３４は、学習用データ記憶部３２に格納された学習データに基づいて、歩掛り係数推定部３０によって得られた歩掛り係数に対する調整係数を推定するための学習モデルを学習させて、学習済みモデルを得る。学習済みモデルによって、建設工事に関連する要因データから調整係数が推定される。
The
従来では、歩掛り係数αに対する調整係数βの設定はベテランの建設技術者によって行われていたが、本実施形態では調整係数βの設定を自動化する。具体的には、本実施形態では、ディープラーニングによってニューラルネットワークモデルを学習させることにより学習済みモデルを生成し、学習済みモデルに調整係数βを推定させる。 In the past, the adjustment coefficient β for the step factor α was set by a veteran construction engineer, but in this embodiment, the setting of the adjustment coefficient β is automated. Specifically, in the present embodiment, a trained model is generated by training a neural network model by deep learning, and the trained model is made to estimate the adjustment coefficient β.
なお、ベテランの建設技術者が歩掛り係数αに対する調整係数βを設定する際には、例えば、以下の（１）～（４）の要因を考慮していると考えられる。 When a veteran construction engineer sets the adjustment coefficient β with respect to the step factor α, for example, it is considered that the following factors (1) to (4) are taken into consideration.
（１）設計に関する要因
（２）建物に関する要因
（３）顧客に関する要因
（４）社会に関する要因
(1) Design factors (2) Building factors (3) Customer factors (4) Social factors
（１）設計に関する要因
ベテランの建設技術者は、建設工事の設計を担当する設計者の経験年数、性格等を考慮していると考えられる。設計者によって行われる設計内容に応じて見積もり金額は変動する。このため、設計者の経験年数、性格等に応じて見積もり金額も変動すると考えられる。
(1) Factors related to design It is considered that veteran construction engineers consider the years of experience and personality of the designer in charge of designing construction work. The estimated amount varies depending on the design contents made by the designer. Therefore, it is considered that the estimated amount of money will change depending on the number of years of experience and personality of the designer.
そのため、例えば、ベテランの建設技術者は、構造設計者の構造設計に関する経験年数を考慮して、歩掛り係数に対する調整係数を決定するものと考えられる。また、ベテランの建設技術者は、意匠設計者の意匠設計に関する経験年数を考慮して、歩掛り係数に対する調整係数を決定するものと考えられる。 Therefore, for example, a veteran construction engineer is considered to determine the adjustment coefficient for the yield coefficient in consideration of the years of experience of the structural designer in structural design. In addition, veteran construction engineers are considered to determine the adjustment coefficient for the yield coefficient in consideration of the years of experience of the design designer in design design.
具体的には、例えば、経験年数が長い設計者であれば適切に設計を行うことが予想されるため、調整係数βによって歩掛り係数αを変動させなくてもよいと考えられる。また、ベテランの建設技術者は、調整係数βを決定する際に、意匠設計者の仕事の効率度合い、意思決定の速さの度合い等を考慮していると考えられる。また、ベテランの建設技術者は、調整係数βを決定する際に、設計者の顧客の要望の把握度合い、設計の習熟度合い等を考慮していると考えられる。 Specifically, for example, a designer with many years of experience is expected to design appropriately, so it is considered that the step factor α does not have to be changed by the adjustment coefficient β. In addition, it is considered that veteran construction engineers consider the degree of work efficiency of the design designer, the degree of decision-making speed, etc. when determining the adjustment coefficient β. In addition, it is considered that veteran construction engineers consider the degree of understanding of the designer's customer's request, the degree of design proficiency, and the like when determining the adjustment coefficient β.
（２）建物に関する要因
ベテランの建設技術者は、調整係数βを決定する際に、建物に関する要因として、建物形状、建物用途、及び建設場所等を考慮していると考えられる。例えば、建物形状が複雑であるか単純であるか、建物用途が複合しているか（店舗、オフィス、ホテルなど）否か、建設場所が都心であるか郊外であるか等である。例えば、建設場所が都心である場合には、外観を気にする傾向があり、調整係数βは高めに設定される場合がある。
(2) Factors related to buildings It is considered that veteran construction engineers consider the building shape, building use, construction site, etc. as factors related to buildings when determining the adjustment coefficient β. For example, whether the building shape is complicated or simple, whether the building has multiple uses (stores, offices, hotels, etc.), whether the construction site is in the city center or in the suburbs, and so on. For example, when the construction site is in the city center, there is a tendency to care about the appearance, and the adjustment coefficient β may be set higher.
（３）顧客に関する要因
ベテランの建設技術者は、調整係数βを決定する際に、顧客に関する要因として、例えば設計変更が多い顧客であるか、少ない顧客であるか等を考慮していると考えられる。例えば、設計変更が多い顧客の場合には、設計変更の余裕を考慮して調整係数βが設定される場合がある。
(3) Factors related to customers It is considered that veteran construction engineers consider, for example, whether they are customers with many design changes or few, as factors related to customers when determining the adjustment coefficient β. Be done. For example, in the case of a customer who has many design changes, the adjustment coefficient β may be set in consideration of the margin of design changes.
（４）社会に関する要因
ベテランの建設技術者は、調整係数βを決定する際に、社会に関する要因として、例えば、景気状況、労務状況、及び資材状況等を考慮していることが考えられる。景気状況であれば、ベテランの建設技術者は、今後の景気動向を考慮している可能性がある。労務状況であれば、ベテランの建設技術者は、労務の需要と供給の関係として、労務不足であるか労務過剰であるか等を考慮している可能性がある。また、資材状況であれば、ベテランの建設技術者は、資材の需要と供給との関係を考慮し、資材不足であるか資材過剰であるかを考慮している可能性がある。
(4) Social factors It is conceivable that veteran construction engineers consider, for example, economic conditions, labor conditions, material conditions, etc. as social factors when determining the adjustment coefficient β. In economic conditions, veteran construction engineers may be considering future economic trends. In the case of labor situation, veteran construction engineers may consider whether labor is insufficient or excessive as the relationship between supply and demand of labor. Also, in the case of material conditions, veteran construction engineers may consider the relationship between supply and demand of materials, and whether they are in short supply or in excess.
ベテランの建設技術者は、上記（１）～（４）の各要因を考慮して調整係数βを設定していると考えられるため、本実施形態では、上記（１）～（４）の要因が反映された学習済みモデルを生成する。 It is considered that a veteran construction engineer sets the adjustment coefficient β in consideration of each of the above factors (1) to (4). Therefore, in the present embodiment, the above factors (1) to (4) are set. Generates a trained model that reflects.
上記（１）～（４）の各要因は、要因データとして数値化される。 Each of the above factors (1) to (4) is quantified as factor data.
例えば、設計に関する要因であれば、設計者の仕事の効率度合い、意思決定の速さの度合い、設計者の顧客の要望の把握度合い、設計の習熟度合い等を、１～５のスコアによって表現する。また、建物に関する要因であれば、建物形状が複雑であるか単純であるか、建物用途が複合しているか否か、建設場所が都心であるか郊外であるか等を、－１又は１によって表現する。 For example, if it is a factor related to design, the degree of work efficiency of the designer, the degree of speed of decision making, the degree of grasping the customer's request of the designer, the degree of proficiency in design, etc. are expressed by a score of 1 to 5. .. In addition, if it is a factor related to the building, whether the building shape is complicated or simple, whether the building uses are combined, whether the construction site is in the city center or in the suburbs, etc. are determined by -1 or 1. Express.
数値化された上記（１）～（４）の要因を表す要因データは、調整係数βと対応付けられて学習データとなる。なお、調整係数βは、過去の建設プロジェクトにおいてベテランの建設技術者によって設定された値であってもよいし、要因データを基にベテランの建設技術者によって設定された値であってもよい。 The quantified factor data representing the factors (1) to (4) are associated with the adjustment coefficient β and become learning data. The adjustment coefficient β may be a value set by a veteran construction engineer in a past construction project, or may be a value set by a veteran construction engineer based on factor data.
学習済みモデル記憶部３６には、学習部３４によって生成された学習済みモデルが格納される。
The trained
調整係数推定部３８は、情報取得部２２によって取得された推定対象の建設工事に関連する推定用要因データと、学習済みモデル記憶部３６に格納された学習済みモデルとに基づいて、歩掛り係数推定部３０によって得られた歩掛り係数αに対する調整係数βを推定する。
The adjustment coefficient estimation unit 38 estimates the step factor based on the estimation factor data related to the construction work to be estimated acquired by the
図５に、本実施形態の学習済みモデルの一例を示す。図５に示されるように、設計に関する要因データ、建物に関する要因データ、顧客に関する要因データ、及び社会に関する要因データが学習済みモデルＬＭに入力され、調整係数βが出力される。具体的には、例えば、設計に関する要因データを表すスコア、建物に関する要因データを表すスコア、顧客に関する要因データを表すスコア、及び社会に関する要因データ表すスコアが学習済みモデルＬＭに入力される。 FIG. 5 shows an example of the trained model of the present embodiment. As shown in FIG. 5, factor data related to design, factor data related to buildings, factor data related to customers, and factor data related to society are input to the trained model LM, and the adjustment coefficient β is output. Specifically, for example, a score representing factor data related to design, a score representing factor data related to buildings, a score representing factor data related to customers, and a score representing factor data related to society are input to the trained model LM.
歩掛り係数調整部４０は、調整係数推定部３８によって推定された調整係数βと、歩掛り係数推定部３０によって得られた歩掛り係数αとを乗算することにより、歩掛り係数αを調整して最終歩掛り係数Ｘを得る。
The step
出力装置５０は、歩掛り係数調整部４０によって推定された最終歩掛り係数Ｘを結果として出力する。例えば、出力装置５０は、ディスプレイによって実現される。
The
出力装置５０から、歩掛り係数調整部４０によって算出された最終歩掛り係数Ｘが出力されると、所定の担当者によって、最終歩掛り係数Ｘを用いて建設工事の見積金額が算出される。そして、基本設計における見積金額が算出され詳細設計が行われた後に、建設工事が開始される。
When the final step coefficient X calculated by the step
そして、当該建設工事が終了した後、所定の担当者は、実績値に応じた歩掛り係数α’を取得する。そして、所定の担当者は、実績値に応じた歩掛り係数α’と建設工事の建物規模を表す実績データを、実績データ記憶部２４に格納する。実績データ記憶部２４に格納された実績データは、他の建設工事の歩掛り係数αの算出に用いられる。
Then, after the construction work is completed, the predetermined person in charge acquires the step factor α'according to the actual value. Then, the predetermined person in charge stores in the actual
また、当該建設工事が終了した後、所定の担当者は、実績値に応じた調整係数β’を取得し、建設工事が行われる際の要因データと実績値に応じた調整係数βとを学習データとして学習用データ記憶部３２へ格納する。
In addition, after the construction work is completed, the predetermined person in charge acquires the adjustment coefficient β'according to the actual value, and learns the factor data when the construction work is performed and the adjustment coefficient β according to the actual value. It is stored as data in the learning
そして、学習部３４は、調整係数βに対する実績から得られる調整係数β’を学習データとして設定し、設定された学習データに基づいて、学習済みモデル記憶部３６に格納された学習済みモデルを再学習させる。再学習によって更新された学習済みモデルは、他の建設工事の歩掛り係数βの算出に用いられる。
Then, the
＜歩掛り係数推定装置の作用＞ <Action of the step factor estimation device>
次に、歩掛り係数推定装置１００の作用を説明する。歩掛り係数推定装置１００は、学習処理ルーチンと、歩掛り係数推定処理ルーチンとを実行する。
Next, the operation of the step
＜学習処理ルーチン＞
歩掛り係数推定装置１００の情報取得部２２がデータ受付部１０によって取得された学習データを取得し、学習用データ記憶部３２へ格納する。そして、歩掛り係数推定装置１００は、学習データが学習用データ記憶部３２に格納され、かつ学習処理の指示信号を受け付けると、図６に示す学習処理ルーチンを実行する。
<Learning processing routine>
The
ステップＳ１００において、学習部３４は、学習用データ記憶部３２に格納された学習データを取得する。
In step S100, the
ステップＳ１０２において、学習部３４は、上記ステップＳ１００で取得された学習データに基づいて、学習モデルの一例であるニューラルネットワークモデルをディープラーニングによって学習させて、学習済みモデルを得る。例えば、上記図４に示される学習ＩＤ「0001」の学習データである、設計に関する要因データ「ＹＹ１」、建物に関する要因データ「ＺＺ１」、顧客に関する要因データ「ＷＷ１」、及び社会に関する要因データ「ＳＳ１」がニューラルネットワークモデルへ入力された場合には、ニューラルネットワークモデルの出力が調整整数「ＸＸ１」となるように、学習処理が行われる。
In step S102, the
ステップＳ１０４において、学習部３４は、上記ステップＳ１０２で生成された学習済みモデルを、学習済みモデル記憶部３６へ格納する。
In step S104, the
＜歩掛り係数推定処理ルーチン＞
歩掛り係数推定装置１００の統計モデル生成部２６によって、実績データ記憶部２４に格納された実績データから統計モデルが生成され、統計モデルが統計モデル記憶部２８に格納される。また、歩掛り係数推定装置１００の学習部３４によって、学習済みモデルが生成され、学習済みモデル記憶部３６に格納される。そして、推定対象の建設工事の建物規模に関するデータと、推定対象の建設工事の推定用要因データとがデータ受付部１０を介して歩掛り係数推定装置１００へ入力されると、歩掛り係数推定装置１００は、図７に示す歩掛り係数推定処理ルーチンを実行する。
<Chain coefficient estimation processing routine>
The statistical
ステップＳ２００において、情報取得部２２は、データ受付部１０によって受け付けられた、推定対象の建設工事の建物規模に関するデータと、推定用要因データとを取得する。
In step S200, the
ステップＳ２０２において、歩掛り係数推定部３０は、上記ステップＳ２００で取得された推定対象の建設工事の建物規模に関するデータと、統計モデル記憶部２８に格納された統計モデルとに基づいて、推定対象の建設工事の歩掛り係数αを推定する。
In step S202, the step
ステップＳ２０４において、調整係数推定部３８は、学習済みモデル記憶部３６に格納された学習済みモデルを読み出す。
In step S204, the adjustment coefficient estimation unit 38 reads out the trained model stored in the trained
ステップＳ２０６において、調整係数推定部３８は、上記ステップＳ２００で取得された推定用要因データと、上記ステップＳ２０４で読み出された学習済みモデルとに基づいて、上記ステップＳ２０２で推定された歩掛り係数αに対する調整係数βを推定する。 In step S206, the adjustment coefficient estimation unit 38 has the step factor α estimated in step S202 based on the estimation factor data acquired in step S200 and the trained model read in step S204. Estimate the adjustment factor β for.
ステップＳ２０８において、歩掛り係数調整部４０は、上記ステップＳ２０６で推定された調整係数βと、上記ステップＳ２０２で推定された歩掛り係数αとを乗算することにより、最終歩掛り係数Ｘを得る。
In step S208, the step
ステップＳ２１０において、歩掛り係数調整部４０は、上記ステップＳ２０８で算出された最終歩掛り係数Ｘを結果として出力する。
In step S210, the step
出力装置５０は、歩掛り係数調整部４０から出力された最終歩掛り係数Ｘを結果として出力する。
The
出力装置５０から、歩掛り係数調整部４０によって算出された最終歩掛り係数Ｘが出力されると、所定の担当者によって、最終歩掛り係数Ｘを用いて建設工事の見積金額が算出される。
When the final step coefficient X calculated by the step
そして、当該建設工事が終了した後、所定の担当者は、実績値に応じた歩掛り係数α’と建設工事の建物規模を表す実績データを、実績データ記憶部２４に格納する。また、当該建設工事が終了した後、所定の担当者は、実績値に応じた調整係数β’を取得し、建設工事が行われた際の要因データと実績値に応じた調整係数βとを学習データとして学習用データ記憶部３２へ格納する。
Then, after the construction work is completed, the predetermined person in charge stores the work rate coefficient α'according to the actual value and the actual data indicating the building scale of the construction work in the actual
学習用データ記憶部３２へ格納された学習データは、上記図７に示される学習処理ルーチンによって学習済みモデルの再学習に用いられる。そして、再学習によって得られた学習済みモデルは学習済みモデル記憶部３６へ格納され、他の建設工事の調整係数βの算出に用いられる。
The learning data stored in the learning
以上詳細に説明したように、本実施形態では、建設工事に関連する推定用要因データと学習済みモデルとに基づいて、建設工事の建物規模に関するデータから統計的手法によって得られた係数に対する調整係数を推定する。これにより、建設工事の歩掛り係数に対する調整係数を自動的に取得することができる。また、調整係数によって調整された最終歩掛り係数を自動的に取得することができる。 As described in detail above, in the present embodiment, the adjustment coefficient for the coefficient obtained by the statistical method from the data on the building size of the construction work based on the estimation factor data related to the construction work and the trained model. To estimate. As a result, the adjustment coefficient for the construction work coefficient can be automatically obtained. In addition, the final yield coefficient adjusted by the adjustment coefficient can be automatically acquired.
また、学習用要因データ及び学習用要因データから得られる調整係数を表す学習データに基づいて、歩掛り係数に対する調整係数を推定するための学習モデルを学習させることにより、建設工事の歩掛り係数に対する調整係数を自動的に取得するための学習済みモデルを得ることができる。また、建設工事の実績から得られる調整係数を学習済みモデルへフィードバックすることにより、調整係数を精度良く推定するための学習済みモデルを得ることができる。 In addition, by training a learning model for estimating the adjustment coefficient for the yield coefficient based on the learning factor data and the learning data representing the adjustment coefficient obtained from the learning factor data, the adjustment coefficient for the yield coefficient of the construction work is trained. You can get a trained model to get. Further, by feeding back the adjustment coefficient obtained from the results of construction work to the trained model, it is possible to obtain a trained model for accurately estimating the adjustment coefficient.
なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。 The present invention is not limited to the above-described embodiment, and various modifications and applications can be made without departing from the gist of the present invention.
例えば、上記実施形態では、学習モデルの一例としてのニューラルネットワークモデルをディープラーニングによって学習させる場合を例に説明したが、これに限定されるものではない。例えば、ニューラルネットワークモデルとは異なる他のモデルを、ディープラーニングとは異なる他の学習方法によって学習させてもよい。 For example, in the above embodiment, the case where the neural network model as an example of the learning model is trained by deep learning has been described as an example, but the present invention is not limited to this. For example, another model different from the neural network model may be trained by another learning method different from deep learning.
また、上記実施形態では、歩掛り係数推定装置が学習処理と推定処理と行う場合を例に説明したが、学習処理を行う装置と推定処理を行う装置とを別々の装置として構成するようにしてもよい。この場合には、例えば、学習用データ記憶部、学習部、及び学習済みモデル記憶部を備えたモデル学習装置と、学習済みモデル記憶部、及び調整係数推定部とを備える歩掛り係数推定装置によって構成するようにしてもよい。また、学習済みモデル記憶部を外部サーバに設置し、歩掛り係数推定装置は、外部サーバの学習済みモデル記憶部から学習済みモデルを読み出すようにしてもよい。 Further, in the above embodiment, the case where the step factor estimation device performs the learning process and the estimation process has been described as an example, but the device that performs the learning process and the device that performs the estimation process may be configured as separate devices. good. In this case, for example, it is configured by a model learning device including a learning data storage unit, a learning unit, and a learned model storage unit, and a step coefficient estimation device including a learned model storage unit and an adjustment coefficient estimation unit. You may try to do it. Further, the trained model storage unit may be installed in an external server, and the step factor estimation device may read the trained model from the trained model storage unit of the external server.
また、上記実施形態では、推定対象イベントが建設工事である場合を例に説明したがこれに限定されるものではなく、他のイベントを対象としてもよい。例えば、統計的手法によって得られた係数に対して調整係数を算出するような分野であれば、どのような分野の推定対象イベントであってもよい。 Further, in the above embodiment, the case where the estimated target event is construction work has been described as an example, but the present invention is not limited to this, and other events may be targeted. For example, the event may be an estimation target event in any field as long as it is a field in which the adjustment coefficient is calculated for the coefficient obtained by the statistical method.
また、上記実施形態では、設計に関する要因データ、建物に関する要因データ、顧客に関する要因データ、及び社会に関する要因データを用いる場合を例に説明したが、これに限定されるものではない。例えば、設計に関する要因データ、建物に関する要因データ、顧客に関する要因データ、及び社会に関する要因データの少なくとも１つを用いるようにしてもよい。 Further, in the above embodiment, the case of using factor data related to design, factor data related to buildings, factor data related to customers, and factor data related to society has been described as an example, but the present invention is not limited thereto. For example, at least one of factor data related to design, factor data related to buildings, factor data related to customers, and factor data related to society may be used.
また、要因データについては優先順位を設定して学習モデルを学習させてもよい。例えば、第１優先を顧客のニーズの把握度合い、設計の習熟度合いとし、第２優先を、建物形状が複雑か単純か、及び建物用途が複合か否かとし、第３優先を意匠設計者の経験年数、仕事の効率度合い、意思決定の速さ度合いとすることができる。また、第４優先を、設計変更が多い顧客か少ない顧客かとし、第５優先を、建設場所が都心であるか郊外であるかとすることができる。 In addition, the learning model may be trained by setting priorities for factor data. For example, the first priority is the degree of understanding of customer needs and the degree of design proficiency, the second priority is whether the building shape is complicated or simple, and the building use is complex, and the third priority is the design designer's degree. It can be the number of years of experience, the degree of work efficiency, and the degree of decision-making speed. Further, the fourth priority can be set to the customer with many design changes or the customer with few design changes, and the fifth priority can be set to whether the construction site is in the city center or in the suburbs.
また、上記ではプログラムが記憶部（図示省略）に予め記憶（インストール）されている態様を説明したが、プログラムは、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ及びマイクロＳＤカード等の記録媒体の何れかに記録されている形態で提供することも可能である。 Further, although the mode in which the program is stored (installed) in advance in the storage unit (not shown) has been described above, the program is recorded on any recording medium such as a CD-ROM, a DVD-ROM, or a micro SD card. It is also possible to provide it in the form in which it is used.
１０ データ受付部
２０ コンピュータ
２２ 情報取得部
２４ 実績データ記憶部
２６ 統計モデル生成部
２８ 統計モデル記憶部
３０ 歩掛り係数推定部
３２ 学習用データ記憶部
３４ 学習部
３６ モデル記憶部
３８ 調整係数推定部
４０ 歩掛り係数調整部
５０ 出力装置
１００ 歩掛り係数推定装置
10 Data reception unit 20
Claims (4)
建設工事に関連する推定用要因データを、予め学習された学習済みモデルへ入力することにより、前記建設工事に関する歩掛りの調整係数を推定する調整係数推定部と、
前記調整係数推定部によって推定された前記調整係数と、前記歩掛り係数推定部によって推定された前記歩掛り係数とを乗算することにより、前記歩掛り係数を調整する歩掛り係数調整部とを含み、
前記学習済みモデルは、建設工事に関連する学習用要因データと前記学習用要因データに予め対応付けられた調整係数の実績との組み合わせを表す学習データに基づいて予め機械学習されたモデルであって、かつ前記推定用要因データが入力された場合に前記推定用要因データに対応する前記調整係数を出力するモデルである、
調整係数推定装置。 A step factor estimation unit that estimates the step factor of the construction work from the data on the building scale of the construction work using a predetermined statistical method.
An adjustment coefficient estimation unit that estimates the adjustment coefficient of the yield related to the construction work by inputting estimation factor data related to the construction work into a pre-learned trained model.
The adjustment coefficient adjustment unit that adjusts the step coefficient by multiplying the adjustment coefficient estimated by the adjustment coefficient estimation unit and the step coefficient estimated by the step coefficient estimation unit is included.
The trained model is a model that has been machine-learned in advance based on the training data representing the combination of the learning factor data related to the construction work and the actual result of the adjustment coefficient associated with the learning factor data in advance. In addition, it is a model that outputs the adjustment coefficient corresponding to the estimation factor data when the estimation factor data is input.
Adjustment coefficient estimator.
請求項１に記載の調整係数推定装置。 The factor data is data including at least one of factor data regarding the design of the construction work, factor data regarding the building of the construction work, factor data regarding the customer of the construction work, and factor data regarding the society.
The adjustment coefficient estimation device according to claim 1.
を含み、
前記学習部は、前記学習用要因データ及び請求項１又は請求項２に記載の調整係数推定装置によって推定された前記調整係数に対する実績から得られる調整係数を前記学習データとして設定し、
設定された前記学習データに基づいて、請求項１又は請求項２に記載の調整係数推定装置の前記学習済みモデルを再学習させる、
モデル学習装置。 A learning model for estimating the adjustment coefficient for the construction work yield coefficient obtained by a statistical method based on the learning factor data related to the construction work and the learning data representing the adjustment coefficient obtained from the learning factor data. Including a learning unit that trains to obtain a trained model for estimating the adjustment coefficient from factor data related to construction work .
The learning unit sets the learning factor data and the adjustment coefficient obtained from the actual results for the adjustment coefficient estimated by the adjustment coefficient estimation device according to claim 1 or 2, as the learning data.
The trained model of the adjustment coefficient estimation device according to claim 1 or 2 is retrained based on the set training data.
Model learning device.
建設工事に関連する推定用要因データを、予め学習された学習済みモデルへ入力することにより、前記建設工事に関する歩掛りの調整係数を推定し、
推定された前記調整係数と、推定された前記歩掛り係数とを乗算することにより、前記歩掛り係数を調整する処理をコンピュータが実行し、
前記学習済みモデルは、建設工事に関連する学習用要因データと前記学習用要因データに予め対応付けられた調整係数の実績との組み合わせを表す学習データに基づいて予め機械学習されたモデルであって、かつ前記推定用要因データが入力された場合に前記推定用要因データに対応する前記調整係数を出力するモデルである、
調整係数推定方法。 Using a predetermined statistical method, the construction work factor is estimated from the data on the building scale of the construction work.
By inputting the estimation factor data related to the construction work into the pre-learned trained model, the adjustment coefficient of the yield related to the construction work is estimated .
The computer executes a process of adjusting the yield coefficient by multiplying the estimated adjustment coefficient by the estimated yield coefficient.
The trained model is a model that has been machine-learned in advance based on the training data representing the combination of the learning factor data related to the construction work and the actual result of the adjustment coefficient associated with the learning factor data in advance. In addition, it is a model that outputs the adjustment coefficient corresponding to the estimation factor data when the estimation factor data is input.
Adjustment coefficient estimation method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017139453A JP7019982B2 (en) | 2017-07-18 | 2017-07-18 | Adjustment factor estimator, model learning device, and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017139453A JP7019982B2 (en) | 2017-07-18 | 2017-07-18 | Adjustment factor estimator, model learning device, and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019021071A JP2019021071A (en) | 2019-02-07 |
| JP7019982B2 true JP7019982B2 (en) | 2022-02-16 |
Family
ID=65354515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017139453A Active JP7019982B2 (en) | 2017-07-18 | 2017-07-18 | Adjustment factor estimator, model learning device, and method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7019982B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6880290B1 (en) * | 2020-07-03 | 2021-06-02 | 第一生命保険株式会社 | Information processing device, program, and operation method of information processing device |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000055703A (en) | 1998-08-04 | 2000-02-25 | Fuji Electric Co Ltd | Estimation method for flow rate in dam |
| JP2004100205A (en) | 2002-09-06 | 2004-04-02 | Toda Constr Co Ltd | Method and system for calculating period of construction work |
| JP2016188944A (en) | 2015-03-30 | 2016-11-04 | 日本電信電話株式会社 | Acoustic model learning apparatus, voice recognition equipment, acoustic model learning method, voice recognition method, acoustic model learning program and voice recognition program |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0791083A (en) * | 1993-02-09 | 1995-04-04 | Kazuhiko Horie | Data evaluation system |
| JPH09279844A (en) * | 1996-04-16 | 1997-10-28 | Hitachi Plant Eng & Constr Co Ltd | Working cost calculating method |
| KR20110002637A (en) * | 2009-07-02 | 2011-01-10 | 서울시립대학교 산학협력단 | Cbr-based cost prediction system and model for pre-design and schematic design phase of public multi-housing construction projects |
-
2017
- 2017-07-18 JP JP2017139453A patent/JP7019982B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000055703A (en) | 1998-08-04 | 2000-02-25 | Fuji Electric Co Ltd | Estimation method for flow rate in dam |
| JP2004100205A (en) | 2002-09-06 | 2004-04-02 | Toda Constr Co Ltd | Method and system for calculating period of construction work |
| JP2016188944A (en) | 2015-03-30 | 2016-11-04 | 日本電信電話株式会社 | Acoustic model learning apparatus, voice recognition equipment, acoustic model learning method, voice recognition method, acoustic model learning program and voice recognition program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019021071A (en) | 2019-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9058216B2 (en) | Method for estimating job run time | |
| Kim et al. | A hybrid conceptual cost estimating model for large building projects | |
| JP5768834B2 (en) | Plant model management apparatus and method | |
| JP7364842B2 (en) | Structural information display device, structural design support device, and structural design support model learning device | |
| US20160031083A1 (en) | Method and apparatus for industrial robotic energy saving optimization using fly-by | |
| JP2013526751A5 (en) | ||
| CN103942375A (en) | High-speed press sliding block dimension robust design method based on interval | |
| WO2018150798A1 (en) | Model estimation system, method, and program | |
| JP2013045308A (en) | Construction progress management support system and method | |
| US10515322B2 (en) | Method and system for generating occupant schedules | |
| JP6622592B2 (en) | Production planning support system and support method | |
| JP4852496B2 (en) | Project planning method, project planning program, and project planning system | |
| JP2022510667A (en) | Methods and equipment for predicting energy consumption | |
| JP7019982B2 (en) | Adjustment factor estimator, model learning device, and method | |
| JP6744767B2 (en) | Human flow prediction device, parameter estimation device, method, and program | |
| JP5831363B2 (en) | Manufacturing lead time prediction device, manufacturing lead time prediction method, and computer program | |
| Tantik et al. | Industrie 4.0: Using cyber-physical systems for value-stream based production evaluation | |
| JP6036381B2 (en) | Design man-hour prediction apparatus, method and program | |
| CN111626789A (en) | House price prediction method, device, equipment and storage medium | |
| JP2021096563A (en) | Production planning support system and production planning support method | |
| JP6608731B2 (en) | Price setting device and price setting method | |
| CN109711555A (en) | A kind of method and system of predetermined depth learning model single-wheel iteration time | |
| Naik et al. | Project cost and duration optimization using soft computing techniques | |
| JP2006260462A (en) | Production plan planning method of manufacturing process, system thereof, and computer program thereof | |
| JP2016212841A (en) | Method and device for use in thermal coupled analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200625 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210427 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210525 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210721 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220104 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220117 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7019982 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |