工程造价数据处理的优化方法及装置制造方法及图纸

本发明专利技术公开了一种工程造价数据处理的优化方法及装置，涉及数据处理技术领域，关键目的在于解决现有无法满足对工程造价信息处理的及时有效性需求，从而降低了工程造价信息的处理效率的问题。主要包括：当检测到工程造价数据的标记范围发生变化时，获取与所述标记范围匹配的资源数据的价格训练数据集；利用已完成训练的k均值聚类模型对所述资源数据的价格训练数据集进行聚类处理；根据完成聚类处理的资源数据的价格训练数据集对预置三层神经网络模型进行训练，得到用于进行数据清洗的三层神经网络模型；利用所述三层神经网络模型对与所述标记范围匹配的资源数据进行清洗处理，以便基于清洗处理后的资源数据进行工程造价数据的处理。据的处理。据的处理。

【技术实现步骤摘要】
工程造价数据处理的优化方法及装置


[0001]本专利技术涉及一种数据处理
，特别是涉及一种工程造价数据处理的优化方法及装置。

技术介绍

[0002]建筑领域中的工程造价是指构成项目在建设期预计或实际支出的建设费用，对工程造价进行预测、计划、控制、核算、次要分析和评价等工作过程已经成为建筑行业中不可或缺的流程、步骤。其中，对于各工作工程中不同材料资源价格的确定，可以通过技术人员人为进行市场调研录入计算机中，以便结合计算机中已写入的各种工程造价计算公式计算出选取的材料资源价格所对应的预算、结算等结果。
[0003]目前，现有在获取到不同资源数据进行处理得到工程造价数据的过程中，会进行数据清洗，即包括数据单位、数据格式等异常数据的删除，然后将清洗后的数据按照数据格式进行存储，清洗时，直接使用单一的深度学习模型，如神经网络，来次要类筛选大量资源数据，但是，仅仅基于如神经网络模型的单一模型来进行数据清洗，当出现资源数据更新而需要重新计算工程造价信息时无法及时更新模型而影响清洗效率，无法满足对工程造价信息处理的及时有效性需求，从而降低了工程造价信息的处理效率。

技术实现思路

[0004]有鉴于此，本专利技术提供一种工程造价数据处理的优化方法及装置，关键目的在于解决现有资源数据更新而需要重新计算工程造价数据时无法及时更新模型而影响清洗效率，无法满足对工程造价数据处理的及时有效性需求，从而降低了工程造价数据的处理效率的问题。
[0005]依据本专利技术一个方面，提供了一种工程造价数据处理的优化方法，包括：
[0006]当检测到工程造价数据的标记范围发生变化时，获取与所述标记范围匹配的资源数据的价格训练数据集，所述标记范围用于表征工程项目建设的不同资源数据的价格波动范围值；
[0007]利用已完成训练的k均值聚类模型对所述资源数据的价格训练数据集进行聚类处理，所述k均值聚类模型为根据关键任务训练集、次要任务训练集进行训练得到的；
[0008]根据完成聚类处理的资源数据的价格训练数据集对预置三层神经网络模型进行训练，得到用于进行数据清洗的三层神经网络模型；
[0009]利用所述三层神经网络模型对与所述标记范围匹配的资源数据进行清洗处理，以便基于清洗处理后的资源数据进行工程造价数据的处理。
[0010]依据本专利技术另一个方面，提供了一种工程造价数据处理的优化装置，包括：
[0011]获取模块，用于当检测到工程造价数据的标记范围发生变化时，获取与所述标记范围匹配的资源数据的价格训练数据集，所述标记范围用于表征工程项目建设的不同资源数据的价格波动范围值；
[0012]第一处理模块，用于利用已完成训练的k均值聚类模型对所述资源数据的价格训练数据集进行聚类处理，所述k均值聚类模型为根据关键任务训练集、次要任务训练集进行训练得到的；
[0013]训练模块，用于根据完成聚类处理的资源数据的价格训练数据集对预置三层神经网络模型进行训练，得到用于进行数据清洗的三层神经网络模型；
[0014]第二处理模块，用于利用所述三层神经网络模型对与所述标记范围匹配的资源数据进行清洗处理，以使基于清洗处理后的资源数据信息工程造价数据的处理。
[0015]根据本专利技术的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述工程造价数据处理的优化方法对应的操作。
[0016]根据本专利技术的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
[0017]所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述工程造价数据处理的优化方法对应的操作。
[0018]借由上述技术方案，本专利技术实施例提供的技术方案至少具有下列优点：
[0019]本专利技术提供了一种工程造价数据处理的优化方法及装置，与现有技术在获取到不同资源数据进行处理得到工程造价数据的过程中，会进行数据清洗，即包括数据单位、数据格式等异常数据的删除，然后将清洗后的数据按照数据格式进行存储，清洗时，直接使用单一的深度学习模型，如神经网络，来次要类筛选大量资源数据相比，本专利技术实施例通过当检测到工程造价数据的标记范围发生变化时，获取与所述标记范围匹配的资源数据的价格训练数据集；利用已完成训练的k均值聚类模型对所述资源数据的价格训练数据集进行聚类处理；根据完成聚类处理的资源数据的价格训练数据集对预置三层神经网络模型进行训练，得到用于进行数据清洗的三层神经网络模型；利用所述三层神经网络模型对与所述标记范围匹配的资源数据进行清洗处理，以便基于清洗处理后的资源数据进行工程造价数据的处理。从而能够解决现有无法满足对工程造价信息处理的及时有效性需求，从而降低了工程造价信息的处理效率的问题。
[0020]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0021]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0022]图1示出了本专利技术实施例提供的一种工程造价数据处理的优化方法流程图；
[0023]图2示出了本专利技术实施例提供的一种工程造价数据处理的优化装置组成框图；
[0024]图3示出了本专利技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0025]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0026]本专利技术实施例提供了一种工程造价数据处理的优化方法，如图1所示，该方法包括：
[0027]101、当检测到工程造价数据的标记范围发生变化时，获取与所述标记范围匹配的资源数据的价格训练数据集。
[0028]本专利技术实施例中，所述标记范围用于表征工程项目建设的不同资源数据的价格波动范围值。所述工程造价数据为在一项建筑项目中，所需要计算工程所花费费用的全部数据，即资源数据可以包括楼砼钢材用量、预算指标、钢材理重算法、施工功效、清包工价格等，本专利技术实施例不做具体限定。一般的，受不同的季节、工程阶段、人力价格等市场环境的影响，不同资源数据的价格会发生波动，例如，冬季的人力资源的价格比春秋的人力资源的加工高等，因此，对应于不同的影像因素，预先设定对工程造价数据的标记范围，即标记范围用于表征工程项目建设的不同资源数据的价格波动范围值，资源数据为一个建筑项目中所需不同材料、人力等数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工程造价数据处理的优化方法，其特征在于，包括：当检测到工程造价数据的标记范围发生变化时，获取与所述标记范围匹配的资源数据的价格训练数据集，所述标记范围用于表征工程项目建设的不同资源数据的价格波动范围值；利用已完成训练的k均值聚类模型对所述资源数据的价格训练数据集进行聚类处理，所述k均值聚类模型为根据关键任务训练集、次要任务训练集进行训练得到的；根据完成聚类处理的资源数据的价格训练数据集对预置三层神经网络模型进行训练，得到用于进行数据清洗的三层神经网络模型；利用所述三层神经网络模型对与所述标记范围匹配的资源数据进行清洗处理，以便基于清洗处理后的资源数据进行工程造价数据的处理。2.根据权利要求1所述的方法，其特征在于，所述利用已完成训练的k均值聚类模型对所述资源数据的价格训练数据集进行聚类处理之前，所述方法还包括：获取与所述资源数据的价格训练数据集具有从属关系的两个关键任务训练集、以及与所述两个关键任务训练集对应的至少4个次要任务训练集；基于所述关键任务训练集、所述次要任务训练集对k均值聚类模型执行关键任务训练、次要任务训练交替执行的训练处理，其中，所述交替执行用于表征执行所述关键任务训练时的模型精准度未达到预设阈值时，替换执行次要任务训练的训练执行方式。3.根据权利要求1所述的方法，其特征在于，所述根据完成聚类处理的资源数据的价格训练数据集对预置三层神经网络模型进行训练，得到用于进行数据清洗的三层神经网络模型之前，所述方法还包括：初始化预置三层神经网络模型，所述预置三层神经网络模型中为利用Sigmoid函数执行去线性化；从所述价格训练数据集中获取第一部分的价格训练样本数据，并通过前向传播确定第一预测值；通过反向传播更新变量，并判断训练目标是否达到预设训练阈值；若未达到，则累计训练次数，并获取第二部分的价格训练样本数据，重新执行通过前向传播获得第二预测值、并判断训练目标是否达到预设训练阈值的步骤，直至通过迭代循环确定的训练目标达到预设训练阈值，得到完成训练的三层神经网络模型。4.根据权利要求1所述的方法，其特征在于，所述利用所述三层神经网络模型对与所述标记范围匹配的资源数据进行清洗处理之后，所述方法还包括：提取工程造价计算模型，并基于清洗后的资源数据执行所述工程造价计算模型，得到工程造价数据，所述工程...

【专利技术属性】
技术研发人员：赵志宇，王军华，焦红甫，宋强，许晨龙，朱智慧，
申请(专利权)人：银源工程咨询有限公司，
类型：发明
国别省市：