本申请提供一种工程项目投标报价预测模型构建方法，包括：将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据；分别输入到卷积神经网络中进行神经网络计算；将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，融合生成多个项目成本；对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤上述步骤，直到与所述真实报价差异在预设范围内，获得预测模型。本申请通过卷积神经网络，以历史数据为训练样本，训练出一种工程项目投标报价的预测模型用于预测成本，在经过大量训练后可以准确预测报价金额。本申请还提供一种工程项目投标报价预测模型构建装置。装置。装置。
【技术实现步骤摘要】
一种工程项目投标报价预测模型构建方法以及装置
[0001]本申请请求保护一种预测模型构建方法，尤其涉及一种工程项目投标报价预测模型构建方法。本申请还涉及一种工程项目投标报价预测模型构建装置。
技术介绍
[0002]工程投标报价是指工程投标单位采取投标方式争取包揽工程时，以该工程招标文件中的设计图纸、工程量清单以及投标须知、价格条件等资料作基础，结合现场勘察，根据有关定额、单价和费用指标来计算的争取中标后承包该工程所需的全部费用。投标报价的费用由直接费、间接费、利润、不可预见费和其他费用组成。
[0003]在工程投标报价中，如果报价太高，则难以中标，而报价太低则有损利润，因此需要选定最优报价才能即可中标，又能获得最大的预期利润，但是最优报价如何确定，目前还没有确定的计算方案。
技术实现思路
[0004]为了解决上述技术问题，本申请提供一种工程项目投标报价预测模型构建方法。本申请还涉及一种工程项目投标报价预测模型构建装置。
[0005]本申请提供一种工程项目投标报价预测模型构建方法，包括：
[0006]S1获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签；
[0007]S2将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤；
[0008]S3将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代；
[0009]S4对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤S1、S2和S3，直到与所述真实报价差异在预设范围内，获得预测模型。
[0010]可选的，所述历史项目成本数据在输入到所述卷积神经网络中之前，执行如下步骤：
[0011]将所述项目成本数据按照类别进行划分；
[0012]设置每个类型的数据的模糊范围；
[0013]将所述模糊范围内容的数据计算平均值作为所述类别的值。
[0014]可选的，所述项目成本数据中的未列明数据，以每个类别占总体百分比的比例添加到各个类别中，并删除未列明数据。
[0015]可选的，判断每个类别数据是否异常，并将所述异常的数据由该类别数据的平均值替换。
[0016]可选的，还包括：
[0017]根据所述历史项目数据，生成项目类别集，并根据不同集分别训练不同的卷积神经网络；
[0018]将所述不同的卷积神经网络存储到存储器中。
[0019]本申请还提供一种工程项目投标报价预测模型构建装置，包括：
[0020]分割模块，用于获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签；
[0021]编码模块，用于将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤；
[0022]解码模块，用于将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代；
[0023]验证模块，用于对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，以上模块的执行，直到与所述真实报价差异在预设范围内，获得预测模型。
[0024]可选的，所述分割模块还包括：
[0025]类别单元，用于将所述项目成本数据按照类别进行划分；
[0026]范围单元，用于设置每个类型的数据的模糊范围；
[0027]计算单元，用于将所述模糊范围内容的数据计算平均值作为所述类别的值。
[0028]可选的，所述项目成本数据中的未列明数据，以每个类别占总体百分比的比例添加到各个类别中，并删除未列明数据。
[0029]可选的，判断每个类别数据是否异常，并将所述异常的数据由该类别数据的平均值替换。
[0030]可选的，还包括：
[0031]根据所述历史项目数据，生成项目类别集，并根据不同集分别训练不同的卷积神经网络；
[0032]将所述不同的卷积神经网络存储到存储器中。
[0033]本申请相较于现有技术的优点是：
[0034]本申请提供一种工程项目投标报价预测模型构建方法，包括：S1获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签；S2将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤；S3将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代；S4对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤S1、S2和S3，直到与所述真实报价差异在预设范围内，获得预测模型。本申请通过卷积神经网络，以历史数据为训练样本，训练出一种工程项目投标报价的预测模型用于预测成本，在经过大量训
练后可以准确预测报价金额。
附图说明
[0035]图1是本申请中工程项目投标报价预测模型构建流程图。
[0036]图2是本申请中样本数据处理流程图。
[0037]图3是本申请中工程项目投标报价预测模型构建装置示意图。
具体实施方式
[0038]以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。
[0039]本申请提供一种工程项目投标报价预测模型构建方法，包括：S1获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签；S2将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤；S3将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代；S4对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤S1、S2本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种工程项目投标报价预测模型构建方法，其特征在于，包括：S1获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签；S2将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤；S3将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代；S4对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤S1、S2和S3，直到与所述真实报价差异在预设范围内，获得预测模型。2.根据权利要求1所述工程项目投标报价预测模型构建方法，其特征在于，所述历史项目成本数据在输入到所述卷积神经网络中之前，执行如下步骤：将所述项目成本数据按照类别进行划分；设置每个类型的数据的模糊范围；将所述模糊范围内容的数据计算平均值作为所述类别的值。3.根据权利要求2所述工程项目投标报价预测模型构建方法，其特征在于，所述项目成本数据中的未列明数据，以每个类别占总体百分比的比例添加到各个类别中，并删除未列明数据。4.根据权利要求2所述工程项目投标报价预测模型构建方法，其特征在于，判断每个类别数据是否异常，并将所述异常的数据由该类别数据的平均值替换。5.根据权利要求1所述工程项目投标报价预测模型构建方法，其特征在于，还包括：根据所述历史项目数据，生成项目类别集，并根据不同集分别训练不同的卷积神经网络；将所述不同的卷积神经网络存储到存储器中。6.一种工程项目投标报价预测...
【专利技术属性】
技术研发人员：丁达清，韩俊琴，张明灯，于洁，王斌辉，
申请(专利权)人：江苏八达路桥有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。