一种基于因子分析和SOM网络的项目进度风险预测方法技术

本发明专利技术公开了一种基于因子分析和SOM网络的项目进度风险预测方法，用因子分析结合聚类分析，将其结果输给SOM，而非直接将观测数据赋给人工神经网络训练，相当于用统计学的工具大大降低了神经网络的负担，提高SOM的运算效率，避免了神经网络因海量运算导致不收敛或陷入局部极小值的困境；运用模式识别能力较强的SOM网络来进行样本预测，训练次数少、分类精确，对生产现实中的人为因素适应性强。特别是当项目特别多、数据量特别大、数据维度较高的时候，该预测系统充分运用了MINITAB的大数据统计分析特长和MATLAB的智能计算优势。

A project schedule risk prediction method based on factor analysis and SOM network

This invention discloses a project schedule risk prediction method based on factor analysis and SOM network, and uses factor analysis and cluster analysis to lose the result to SOM, instead of directly assigning observation data to artificial neural network, which is equivalent to reducing the burden of neural network and improving the operation of SOM by using statistical tools. Efficiency, avoiding the difficulty of the neural network which is not converging or falling into the local minimum because of the massive operation. Using the SOM network with strong pattern recognition ability to predict the sample, the training times are few, the classification is accurate, and the adaptability of the human factors in the production reality is strong. Especially when the project is special, the amount of data is very large and the data dimension is high, the prediction system fully uses the advantages of MINITAB's large data statistical analysis and MATLAB's intelligent computing.

【技术实现步骤摘要】
一种基于因子分析和SOM网络的项目进度风险预测方法
本专利技术涉及一种风险预测方法，具体涉及一种基于因子分析和SOM网络的项目进度风险预测方法。
技术介绍
进度管控是项目管理的重要部分，而由于工程涉及多个环节，任一环出现滞后都可能延误整个项目进度。目前的项目进度管理，主要是通过制定里程碑计划并监督执行，以及通过开展定期、不定期的项目推进会、协调会等形式，仍缺乏高效量化判断、事前精准预警的手段，难以突破“事后管理”瓶颈，达不到事前预判、未雨绸缪的成效。现在市面上已经存在利用SOM网络进行项目进度风险预测的方法，但是，SOM网络对数据量较大的数据进行处理时海量运算容易导致不收敛或陷入局部极小值的困境。
技术实现思路
本专利技术所要解决的技术问题是现在市面上已经存在利用SOM网络进行项目进度风险预测的方法，但是，SOM网络对数据量较大的数据进行处理时海量运算容易导致不收敛或陷入局部极小值的困境，目的在于提供一种基于因子分析和SOM网络的项目进度风险预测方法，解决现在市面上已经存在利用SOM网络进行项目进度风险预测的方法，但是，SOM网络对数据量较大的数据进行处理时海量运算容易导致不收敛或陷入局部极小值的困境的问题。本专利技术通过下述技术方案实现：一种基于因子分析和SOM网络的项目进度风险预测方法，包括ERP系统，还包括依次进行的以下步骤：A、通过ERP系统获取物资需求提报率x1、非物资需求提报率x2、合同签订率x3、招标采购率x4、物资领用率x5、合同履约率x6、累计支出入账率x7的分析数据，通过ERP系统对上述数据进行验证和修正；B、将x1-x7导入MINITAB软件进行因子分析，得到影响进度的潜在因子Y1：线下施工进度、Y2：物资采购进度、Y3：工程服务采购进度；C、对Y1、Y2、Y3进行聚类分析，整理成项目进度风险矩阵T；D、将项目进度风险矩阵T导入MATLAB软件，在MATLAB软件中编程建立SOM网络，对项目进度风险矩阵T的数据进行训练，对训练后稳定的SOM网络进行验证，分析测试效果；E、利用ACCESS软件将历史数据的训练结果、SOM网络和当前数据的预测结果封装成数据库，形成高效便捷的项目进度风险预测查询系统。本专利技术提供了一种基于因子分析和SOM网络的项目进度风险预测方法，可通过ERT系统每月的项目实施节点大数据，同时对大量项目进行精确的进度风险预测。同时借助因子分析分析、聚类分析，自动判断历史数据的进度风险类别，通过人工神经网络进行模式识别，用故障树梳理进度风险点具体原因和预控策略，建立起高效的工程进度风险预测系统，可以精确、快捷地预测当前项目未来可能面临的进度问题，有效解决项目进度“事后管理”的瓶颈问题，实现项目进度管理提升。用因子分析结合聚类分析，将其结果输给SOM，而非直接将观测数据赋给人工神经网络训练，相当于用统计学的工具大大降低了神经网络的负担，提高SOM的运算效率，避免了神经网络因海量运算导致不收敛或陷入局部极小值的困境；运用模式识别能力较强的SOM网络来进行样本预测，训练次数少、分类精确，对生产现实中的人为因素适应性强。特别是当项目特别多、数据量特别大、数据维度较高的时候，该预测系统充分运用了MINITAB的大数据统计分析特长和MATLAB的智能计算优势。所述步骤A中通过ERP系统获取物资需求提报率x1、非物资需求提报率x2、合同签订率x3、招标采购率x4、物资领用率x5、合同履约率x6、累计支出入账率x7的分析数据的方法包括以下步骤：A1、通过ERP系统进行历年项目每月物资需求提报、非物资需求提报、合同签订、招标采购、物资领用、合同履约、累计支出入账数据提取；A2、运用归一化处理方法对步骤A1中提取的数据进行处理，得到物资需求提报率x1、非物资需求提报率x2、合同签订率x3、招标采购率x4、物资领用率x5、合同履约率x6、累计支出入账率x7的分析数据。所述步骤A中还包括步骤A3：将A2得到的数据整合在一张excel表中，在excel中实现数据清洗，最终形成可用于统计分析的x1-x7。所述步骤B中因子分析的表达式为：其中x1—xm与步骤B中的x1—x7对应，Y1—Yn与Y1—Y3对应，u1—um、e1—em为特殊因子，a1—am为Y1—Yn的特征值。所述步骤C中对Y1、Y2、Y3进行聚类分析，整理成项目进度风险矩阵T的方法包括以下步骤：C1：Y1、Y2、Y3共3个变量，每个变量数据分为滞后和不滞后两种情况，共生成23即8个进度风险类别T1-T8；C2：为T1-T8分别赋予Y1、Y2、Y3的特征值a1—a3；C3：将Y1、Y2、Y3对应T1-T8的特征值整理成项目进度风险矩阵T。所述步骤D中对项目进度风险矩阵T的数据进行训练的方法是：以项目进度风险矩阵T作为标准输入样本，对每一种风险样本进行学习，学习结束后，对具有最大输出的神经元标以该风险的记号。所述训练的步数为150-250步。当训练步数为150-250步时，分类的精度和训练时间、计算量之间平衡度较高，已经可以在1秒左右实现准确分类。所述步骤E中还包括使用故障树对各类进度风险的原因进行梳理，并逐条形成预控措施，然后将故障树分析结果和预控措施也封装进项目进度风险预测查询系统。最后形成的查询界面操作简单、显示直观，适合各类项目管理人员使用，能直观的显示预控措施。本专利技术与现有技术相比，具有如下的优点和有益效果：1、本专利技术一种基于因子分析和SOM网络的项目进度风险预测方法，通过因子分析对大数据起到寻找核心因子和降维的作用，使得数据分析结果更接近生产实际；2、本专利技术一种基于因子分析和SOM网络的项目进度风险预测方法，运用模式识别能力强、具有一定容错性的SOM网络来进行样本预测，训练次数少、分类精确，对生产现实中的人为因素等各类干扰信息适应性强，且数据量越大预测精度越高；3、本专利技术一种基于因子分析和SOM网络的项目进度风险预测方法，用因子分析结合聚类，将其结果输给SOM，而非直接将观测数据赋给SOM网络训练，相当于用统计学的工具大大降低了神经网络的负担，提高预测系统运算效率。4、本专利技术方法建立的进度风险预测系统，充分运用了MINITAB的大数据统计分析特长和MATLAB的智能计算优势，使预测系统具有较强的扩展性，成果可以推广至各种类似功能的分析项目中。附图说明此处所说明的附图用来提供对本专利技术实施例的进一步理解，构成本申请的一部分，并不构成对本专利技术实施例的限定。在附图中：图1为本专利技术方法分析流程示意图；图2为本专利技术因子分析原理图；图3为本专利技术SOM网络结构图；图4为本专利技术SOM网络预测训练过程示意图；图5为本专利技术SOM网络训练结果图；图6为本专利技术建立的查询界面示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本专利技术作进一步的详细说明，本专利技术的示意性实施方式及其说明仅用于解释本专利技术，并不作为对本专利技术的限定。实施例1如图1至5所示，本专利技术一种基于因子分析和SOM网络的项目进度风险预测方法，包括ERP系统，还包括依次进行的以下步骤：A、通过ERP系统获取物资需求提报率x1、非物资需求提报率x2、合同签订率x3、招标采购率x4、物资领用率x5、合同履约率x6、累计支出入账率x7的分析数据，通过ERP系统对上述数据本文档来自技高网...

【技术保护点】
一种基于因子分析和SOM网络的项目进度风险预测方法，包括ERP系统，其特征在于，还包括依次进行的以下步骤：A、通过ERP系统获取物资需求提报率x1、非物资需求提报率x2、合同签订率x3、招标采购率x4、物资领用率x5、合同履约率x6、累计支出入账率x7的分析数据，通过ERP系统对上述数据进行验证和修正；B、将x1‑x7导入MINITAB软件进行因子分析，得到影响进度的潜在因子Y1：线下施工进度、Y2：物资采购进度、Y3：工程服务采购进度；C、对Y1、Y2、Y3进行聚类分析，整理成项目进度风险矩阵T；D、将项目进度风险矩阵T导入MATLAB软件，在MATLAB软件中编程建立SOM网络，对项目进度风险矩阵T的数据进行训练，对训练后稳定的SOM网络进行验证，分析测试效果；E、利用ACCESS软件将历史数据的训练结果、SOM网络和当前数据的预测结果封装成数据库，形成高效便捷的项目进度风险预测查询系统。

【技术特征摘要】
1.一种基于因子分析和SOM网络的项目进度风险预测方法，包括ERP系统，其特征在于，还包括依次进行的以下步骤：A、通过ERP系统获取物资需求提报率x1、非物资需求提报率x2、合同签订率x3、招标采购率x4、物资领用率x5、合同履约率x6、累计支出入账率x7的分析数据，通过ERP系统对上述数据进行验证和修正；B、将x1-x7导入MINITAB软件进行因子分析，得到影响进度的潜在因子Y1：线下施工进度、Y2：物资采购进度、Y3：工程服务采购进度；C、对Y1、Y2、Y3进行聚类分析，整理成项目进度风险矩阵T；D、将项目进度风险矩阵T导入MATLAB软件，在MATLAB软件中编程建立SOM网络，对项目进度风险矩阵T的数据进行训练，对训练后稳定的SOM网络进行验证，分析测试效果；E、利用ACCESS软件将历史数据的训练结果、SOM网络和当前数据的预测结果封装成数据库，形成高效便捷的项目进度风险预测查询系统。2.根据权利要求1所述的一种基于因子分析和SOM网络的项目进度风险预测方法，其特征在于，所述步骤A中通过ERP系统获取物资需求提报率x1、非物资需求提报率x2、合同签订率x3、招标采购率x4、物资领用率x5、合同履约率x6、累计支出入账率x7的分析数据的方法包括以下步骤：A1、通过ERP系统进行历年项目每月物资需求提报、非物资需求提报、合同签订、招标采购、物资领用、合同履约、累计支出入账数据提取；A2、运用归一化处理方法对步骤A1中提取的数据进行处理，得到物资需求提报率x1、非物资需求提报率x2、合同签订率x3、招标采购率x4、物资领用率x5、合同履约率x6、累计支出入账率x7的分析数据。3.根据权利要求2所述的一种基于因子分析和SOM网络的项目进度风险预测方法，其特征在于，所述步骤A中还包括步骤A3：...

【专利技术属性】
技术研发人员：沈润夏，罗飞，李晓东，余秦军，
申请(专利权)人：国网四川省电力公司凉山供电公司，
类型：发明
国别省市：四川,51