一种基于画像系统与深度回归模型的工程进度预测方法技术方案

本发明专利技术公开了一种基于画像系统与深度回归模型的工程进度预测方法，包含有深度回归模型建模阶段和工程进度预测阶段，深度回归模型建模阶段包括五个操作步骤：S1：获取历史工程进度数据，将这些工程项目施工过程中记录的数据组成集合S；S2：选取的多个已经完结的工程项目依据项目类型进行分类，得到M个集合；S3：对M个集合中的历史工程进度数据进行筛选；S4：对M个集合中的历史工程进度数据进行建模前的预处理；S5：将每一个工程项目已经预处理好的建模数据整理。通过上述方式，本发明专利技术提供的基于画像系统与深度回归模型的工程进度预测方法，解决了工程进度预测的仿真模拟软件方法采集数据多，操作较为复杂的缺点，处理结果也更为简单，高效。

【技术实现步骤摘要】
一种基于画像系统与深度回归模型的工程进度预测方法
本专利技术属于数据挖掘领域，用来进行工程进度预测的考虑个性化工人画像的深度回归模型建模方法，特别是涉及一种基于画像系统与深度回归模型的工程进度预测方法。
技术介绍
深度学习(DL,DeepLearning)是机器学习(ML,MachineLearning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI,ArtificialIntelligence)。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。目前常见的深度学习模型有卷积神经网络(CNN，ConvolutionalNeuralNetwork)，循环神经网络(RNN，RecurrentNeuralNetwork)等。回归任务建模是一种预测性的建模技术，它研究的是因变量(目标)和自变量(预测器)之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。深度回归模本文档来自技高网...

【技术保护点】
1.一种基于画像系统与深度回归模型的工程进度预测方法，包含有深度回归模型建模阶段和工程进度预测阶段，其特征在于，所述的深度回归模型建模阶段包括以下操作步骤：/nS1：获取历史工程进度数据，从历史工程进度数据库中选取多个已经完结的工程项目，将这些工程项目施工过程中记录的数据组成集合S，作为建模数据；/nS2：将步骤S1中选取的多个已经完结的工程项目依据项目类型进行分类，并将同类的工程项目数据放到一个集合中，得到M个集合：{S

【技术特征摘要】
1.一种基于画像系统与深度回归模型的工程进度预测方法，包含有深度回归模型建模阶段和工程进度预测阶段，其特征在于，所述的深度回归模型建模阶段包括以下操作步骤：
S1：获取历史工程进度数据，从历史工程进度数据库中选取多个已经完结的工程项目，将这些工程项目施工过程中记录的数据组成集合S，作为建模数据；
S2：将步骤S1中选取的多个已经完结的工程项目依据项目类型进行分类，并将同类的工程项目数据放到一个集合中，得到M个集合：{S1，S2，...，SM}；
S3：对M个集合中的历史工程进度数据进行筛选；
S4：对M个集合中的历史工程进度数据进行建模前的预处理，确定模型输入特征；
S5：对于M个集合，将每一个工程项目已经预处理好的建模数据整理得到M个深度回归预测模型：{model1，model2，...，modelM}。


2.根据权利要求1所述的基于画像系统与深度回归模型的工程进度预测方法，其特征在于，包括：在深度回归模型建模阶段的步骤S3中，
A：对于M个集合中每一个工程项目以每日为单位，获取当日距开工日之间每日温度的平均值Tavg、最大值Tmax和最小值Tmin；
B：获取当日距开工日之间每日天气状况在不同分类下的计数值；
C：获取当日距开工日之间所有参与工程的人员编码，记录为人员编码IDi、人员编码参与的次数记录为indexi，从而得到：{ID1：index1，ID2：index2，...，IDn：indexn}；
D：获取当日的工程进度；
在获取当日的工程进度中，将工程进度的取值设置为0-1之间的小数。


3.根据权利要求1所述的基于画像系统与深度回归模型的工程进度预测方法，其特征在于，包括：在深度回归模型建模阶段的在步骤S4中，
将模型输入特征设置为4部分，分别为时间特征，温度特征，天气状况特征和个性化工人画像特征；其中，4部分模型输入特征的具体处理步骤为：
A：将每一日的时间特征设置为当日距离开工日的天数值，将其记为x；
B：将每一日的温度特征设置为一个三维的向量，每一维的数值分别设置为当日距开工日之间每日温度的平均值、最大值和最小值：{TavgTmax，Tmin}；
C：将每一日的天气状况特征设置为一个四维的向量，每一维的数值分别为当日距开工日之间每日天气状况在不同分类下的计数值，将其表示为{IsunnyIrainyIcloudy，Isnow}；
D：将当日距开工日之间所有参与工程的人员编码IDi与画像系统中的人员编码IDi进行匹配，得到每个工人的画像评分。


4.根据权利要求3所述的基于画像系统与深度回归模型的工程进度预测方法，其特征在于，包括：在深度回归模型建模阶段的在步骤S4的D处理步骤中，人员画像特征的操作步骤为：
a：将人员编码IDi，经过画像评分系统之后，得到其对应的评分s...

【专利技术属性】
技术研发人员：曹宇坤，廖紫金，谢林科，
申请(专利权)人：兰笺苏州科技有限公司，
类型：发明
国别省市：江苏;32