一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法技术

本发明专利技术公开了一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法，该方法包括采集多个建筑工程公司对应的多个工程项目信息作为元数据集，对元数据集进行分类，并对元数据集进行预处理；建立项目匹配预测模型CDF，将预处理后的元数据输入模型并输出预测结果；将CDF模型的预测结果与真实标签进行对比，迭代更新模型的参数直至模型收敛；将真实工程项目数据输入模型，预测该工程项目与各个建筑工程公司所对应的匹配度数值，并提供匹配度数值最高的Top

【技术实现步骤摘要】
一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法


[0001]本专利技术涉及建筑工程领域和数据挖掘领域，具体涉及一种建筑工程公司项目匹配度分析方法。

技术介绍

[0002]在建筑工程领域中，如何在建筑工程公司与建筑工程项目之间建立合理匹配至关重要。不同的工程项目具有不同的特点，有着不同的施工难点，建筑工程公司是工程项目的直接执行者，对工程项目的顺利实施起到至关重要的作用。
[0003]为某个工程项目安排不合理的建筑工程公司，可能会导致施工进度慢、工程资源调配不合理、施工过程不安全等一系列问题。为建筑工程项目匹配最佳的建筑工程公司，有利于资源的合理利用，控制项目开发的成本，缩减建筑工程项目开发的周期。
[0004]目前建筑工程领域的信息化程度略显不足，与之相关的成熟技术较少，解决建筑工程公司与工程项目之间的匹配问题大多沿用传统方法，而传统的建筑工程项目匹配分析方法非常依赖专家经验，信息面较为受限，且大部分工作内容都涉及人工，因此效率较低、容易出错、会消耗大量的人力物力，进而可能无法提出合理的匹配方案，导致建筑工程项目难以顺利完成。为了使施工过程更加顺利，并获得更好的施工效果，需要设计一种科学的方法来合理分析建筑工程公司与建筑工程项目之间的匹配度，短时间内为海量建筑工程项目高效地匹配最佳的建筑工程公司。

技术实现思路

[0005]本专利技术提供了一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法，用于克服现有技术中的上述缺陷。
[0006]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0007]一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法，包括以下步骤：
[0008]S1：采集多个建筑工程公司对应的多个工程项目信息作为元数据集，对元数据集进行分类，并对元数据集进行预处理；
[0009]S2：建立项目匹配预测模型CDF，将预处理后的元数据输入模型并输出预测结果；
[0010]S3：将CDF模型的预测结果与真实标签进行对比，迭代更新模型的参数直至模型收敛；
[0011]S4：将真实工程项目数据输入模型，预测该工程项目与各个建筑工程公司所对应的匹配度数值，并提供匹配度数值最高的Top
‑
n个建筑工程公司。
[0012]进一步，所述步骤S1具体包括：
[0013]S101：利用数据采集器获取多个建筑工程公司的多个历史工程项目信息；
[0014]S102：对工程项目信息进行识别，提取每个数据标签的工程项目特征项；
[0015]S103：对工程项目特征项进行向量化编码；
[0016]S104：根据向量化编码结果，筛选出维度大于n
d
的特征向量进行β次采样得到样本
矩阵X
s
；
[0017]S105：根据样本矩阵X
s
，对数据进行降维处理；
[0018]S106：根据经降维处理后的数据，构建特征向量集(x0,x1,
…
,x
m
)。
[0019]进一步，所述步骤S105中的降维计算方法如下所示：
[0020][0021][0022][0023][0024]其中，X
s
为样本矩阵，α为特征向量的维度，β为采样次数，S为得分矩阵，矩阵S的大小为α*β，L为负荷矩阵，矩阵L的大小为β*β，∑为求和函数，δ为计数变量，δ＝1,2,
…
,α，s
δ
为得分主元，l
δ
为负荷向量，为负荷向量的转置，λ
δ
为协方差矩阵的特征值，μ为λ
δ
对应的特征向量，为样本矩阵的转置，C
δ
为累计贡献率，α1为主成分个数，α1≤α，若C
δ
>η，则可以进行主成分构造，η为一个常量阈值，X
o
为主成分构造结果。
[0025]进一步，所述步骤S2具体包括：
[0026]S201：根据经预处理后得到的特征向量集，构建项目匹配预测模型CDF；
[0027]S202：将特征向量输入项目匹配预测模型CDF，生成建筑工程项目与建筑工程公司的预测性匹配度数值。
[0028]进一步，所述步骤S201中项目匹配预测模型CDF包括：一个特征向量嵌入模型、一个卷积神经网络模型、两个前馈神经网络模型和一个匹配度预测模型。
[0029]进一步，所述项目匹配预测模型CDF的输入端作为特征向量嵌入模型的输入端；特征向量嵌入模型的输出端与卷积神经网络模型的输入端连接；卷积神经网络模型的输出端与第一个前馈神经网络模型的输入端连接；第一个前馈神经网络模型的输出端与第二个前馈神经网络模型的输入端连接；第二个前馈神经网络模型的输出端与匹配度预测模型的输入端连接；匹配度预测模型的输出端作为项目匹配预测模型CDF的输出端；
[0030]所述特征向量嵌入模型包括：Relu激活函数层、批处理层和全连接层；所述特征向量嵌入模型的输入端作为Relu激活函数层的输入端；Relu激活函数层的输出端与批处理层的输入端连接；批处理层的输出端与全连接层的输入端连接；全连接层的输出端作为特征向量嵌入模型的输出端，与卷积神经网络模型的卷积层连接；
[0031]所述卷积神经网络模型包括：卷积层、池化层和输出层；所述卷积神经网络模型的输入端作为卷积层的输入端；卷积层的输出端与池化层的输入端连接；池化层的输出端与输出层的输入端连接；输出层的输出端作为卷积神经网络模型的输出端，与第一个前馈神经网络模型的全连接层连接；
[0032]所述第一个前馈神经网络模型包括：全连接层、前馈神经网络层和Dropout层；所述第一个前馈神经网络模型的输入端作为全连接层的输入端；全连接层的输出端与前馈神
经网络层的输入端连接；前馈神经网络层的输出端与Dropout层的输入端连接；Dropout层的输出端作为第一个前馈神经网络模型的输出端，与第二个前馈神经网络模型的全连接层连接；
[0033]所述第二个前馈神经网络模型包括：全连接层、前馈神经网络层和Dropout层；所述第二个前馈神经网络模型的输入端作为全连接层的输入端，全连接层的输出端与前馈神经网络层的输入端连接；前馈神经网络层的输出端与Dropout层的输入端连接；Dropout层的输出端作为第二个前馈神经网络模型的输出端，与匹配度预测模型连接。
[0034]进一步，所述步骤S202中生成建筑工程公司项目匹配度的计算公式如下所示：
[0035][0036]V2＝Tanh(Q2*V1+k1)
[0037]W2＝Tanh(θ2*Random(p)*V2+c2)
[0038]V3＝Relu(Q3*W2+k2)
[0039]W3＝Relu(θ3*Random(p)*V3+c3)
[0040]F
sc
＝Sigmod(Q4*W3+k3)
[0041]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法，其特征在于：包括以下步骤：S1：采集多个建筑工程公司对应的多个工程项目信息作为元数据集，对元数据集进行分类，并对元数据集进行预处理；S2：建立项目匹配预测模型CDF，将预处理后的元数据输入模型并输出预测结果；S3：将CDF模型的预测结果与真实标签进行对比，迭代更新模型的参数直至模型收敛；S4：将真实工程项目数据输入模型，预测该工程项目与各个建筑工程公司所对应的匹配度数值，并提供匹配度数值最高的Top
‑
n个建筑工程公司。2.根据权利要求1所述的一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法，其特征在于：所述步骤S1具体包括：S101：利用数据采集器获取多个建筑工程公司的多个历史工程项目信息；S102：对工程项目信息进行识别，提取每个数据标签的工程项目特征项；S103：对工程项目特征项进行向量化编码；S104：根据向量化编码结果，筛选出维度大于n
d
的特征向量进行β次采样得到样本矩阵X
s
；S105：根据样本矩阵X
s
，对数据进行降维处理；S106：根据经降维处理后的数据，构建特征向量集(x0,x1,
…
,x
m
)。3.根据权利要求2所述的一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法，其特征在于：所述步骤S105中的降维计算方法如下所示：法，其特征在于：所述步骤S105中的降维计算方法如下所示：法，其特征在于：所述步骤S105中的降维计算方法如下所示：法，其特征在于：所述步骤S105中的降维计算方法如下所示：其中，X
s
为样本矩阵，α为特征向量的维度，β为采样次数，S为得分矩阵，矩阵S的大小为α*β，L为负荷矩阵，矩阵L的大小为β*β，∑为求和函数，δ为计数变量，δ＝1,2,
…
,α，s
δ
为得分主元，l
δ
为负荷向量，为负荷向量的转置，λ
δ
为协方差矩阵的特征值，μ为λ
δ
对应的特征向量，为样本矩阵的转置，C
δ
为累计贡献率，α1为主成分个数，α1≤α，若C
δ
>η，则可以进行主成分构造，η为一个常量阈值，X
o
为主成分构造结果。4.根据权利要求1所述的一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法，其特征在于：所述步骤S2具体包括：S201：根据经预处理后得到的特征向量集，构建项目匹配预测模型CDF；S202：将特征向量输入项目匹配预测模型CDF，生成建筑工程项目与建筑工程公司的预测性匹配度数值。
5.根据权利要求4所述的一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法，其特征在于：所述步骤S201中项目匹配预测模型CDF包括：一个特征向量嵌入模型、一个卷积神经网络模型、两个前馈神经网络模型和一个匹配度预测模型。6.根据权利要求5所述的一种基于项目数据挖掘的建筑工程公司项目匹配度分析方法，其特征在于：所述项目匹配预测模型CDF的输入端作为特征向量嵌入模型的输入端；特征向量嵌入模型的输出端与卷积神经网络模型的输入端连接；卷积神经网络模型的输出端与第一个前馈神经网络模型的输入端连接；第一个前馈神经网络模型的输出端与第二个前馈神经网络模型的输入端连接；第二个前馈神经网络模型的输出端与匹配度预测模型的输入端连接；匹配度预测模型的输出端作为项目匹配预测模型CDF的输出端；所述特征向量嵌入模型包括：Relu激活函数层、批处理层和全连接层；所述特征向量嵌入模型的输入端作为Relu激活函数层的输入端；Relu激活函数层的输出端与批处理层的输入端连接；批处理层的输出端与全连接层的输入端连接；全连接层的输出端作为特征向量嵌入模型的输出端，与卷积神经网络模型的卷积层连接；所述卷积神经网络模型包括：卷积层、池化层和输出层；所述卷积神经网络模型的输入端作为卷积层的输入端；卷积层的输出端与池化层的输入端连接；池化层的输出端与输出层的输入端连接；输出层的输出端作为卷积神经网络模型的输出端，与第一个前馈...

【专利技术属性】
技术研发人员：邓青松，
申请(专利权)人：四川省拱心石科技有限公司，
类型：发明
国别省市：