【技术实现步骤摘要】
本专利技术涉及大数据处理，特别地涉及一种基于进度预测的排程模拟优化方法及系统。
技术介绍
1、随着经济的发展，小规模多样化工程项目管理逐渐成为各工程企业提高自身竞争力、灵活性和可持续性的研究课题，由于这种模式需要企业具有更高的项目管理水平，包括排程的合理规划、资源物料的合理供给等，保证企业可以按时完成工程交付，同时能够灵活应对市场需求。
2、企业在实施工程项目的过程中物料供给和设备稳定是影响企业工程进度的关键因素，对企业的工程状态及工作量进行精准预测是提升企业竞争力的有效手段之一，然而，资源供给的变化以及设备的故障等因素往往对预测结果形成干扰，相较于大规模标准化工程模式而言，小规模非标准化模式的工程数据更为杂乱，通过分析历史数据的趋势或者阶段性的工作量均值进行工程进度的预测，预测结果的精准度较低。
技术实现思路
1、为克服上述缺陷，本专利技术提供了一种基于进度预测的排程模拟优化方法及系统。
2、作为本专利技术实施例的第一方面，提供了一种基于进度预测的排程模拟优化方法，包括：
3、采集历史数据并构建时序数据集合，时序数据集合包括设备状态时序数据集、材料供给时序数据集和工作量时序数据集；
4、确定设备状态时序数据集和材料供给时序数据集中的多个异常数据点，提取每个异常数据点的第一时序特征和异常数据点所属工程项目周期的第二时序特征，时序特征p=（e，m，y，t），e为设备状态特征，m为材料供给特征，y为工作量特征，t为时间特征；
6、对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征；
7、通过异常分析模型对多个第一参考特征进行处理，生成每个异常数据点的第三时序特征，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集；
8、分别从目标工作量时序数据集和设备状态时序数据集中提取出工作量时间序列和设备状态时间序列；
9、通过预测模型分别对工作量时间序列和设备状态时间序列进行处理，生成待预测时间范围内的第一工作量预测结果和设备状态预测结果；
10、基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，根据目标工作量预测结果调整工作排程。
11、优选的，对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，包括：
12、选取第一时序特征的时间特征、第二时序特征的设备状态特征和材料供给特征构建异常数据点的第一参考特征。
13、优选的，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集，包括：
14、根据每个异常数据点的第三时序特征中的时间特征确定每个异常数据点在工作量时序数据集中对应的工作量数据，用每个异常数据点的工作量特征替换工作量时序数据集中每个异常数据点对应的工作量数据，得到目标工作量时序数据集。
15、优选的，基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，包括：
16、根据设备状态预测结果确定待预测时间范围内的多个设备状态异常点，得到每个设备状态异常点的设备状态特征，根据设备状态异常点所属时间确定设备状态异常点的时间特征，根据材料供给数据确定设备状态异常点的材料供给特征，生成每个设备状态异常点的第二参考特征；
17、通过异常分析模型对每个设备状态异常点的第二参考特征进行处理，生成每个设备状态异常点的预测工作量特征，得到第二工作量预测结果。
18、优选的，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，包括：
19、确定每个设备状态异常点在第一工作量预测结果中对应的预测工作量，基于每个设备状态异常点的预测工作量特征对第一工作量预测结果中每个设备状态异常点对应的预测工作量进行替换更新，得到目标工作量预测结果。
20、优选的，异常分析模型为循环神经网络模型。
21、优选的，预测模型为arima模型。
22、作为本专利技术实施例的第二方面，提供了一种基于进度预测的排程模拟优化系统，包括：
23、数据处理模块，用于采集历史数据并构建时序数据集合，时序数据集合包括设备状态时序数据集、材料供给时序数据集和工作量时序数据集；
24、特征提取模块，用于确定设备状态时序数据集和材料供给时序数据集中的多个异常数据点，提取每个异常数据点的第一时序特征和异常数据点所属工程项目周期的第二时序特征，时序特征p=（e，m，y，t），e为设备状态特征，m为材料供给特征，y为工作量特征，t为时间特征；
25、模型训练模块，用于基于多个第一时序特征和第二时序特征构建样本数据集，将样本数据集输入到异常分析模型中，训练得到异常分析模型；
26、特征拼接模块，用于对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征；
27、数据重构模块，用于通过异常分析模型对多个第一参考特征进行处理，生成每个异常数据点的第三时序特征，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集；
28、预测模块，用于分别从目标工作量时序数据集和设备状态时序数据集中提取出工作量时间序列和设备状态时间序列，通过预测模型分别对工作量时间序列和设备状态时间序列进行处理，生成待预测时间范围内的第一工作量预测结果和设备状态预测结果；
29、预测矫正模块，用于基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果。
30、优选的，对于特征拼接模块，对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，包括：
31、选取第一时序特征的时间特征、第二时序特征的设备状态特征和材料供给特征构建异常数据点的第一参考特征。
32、优选的，对于预测矫正模块，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，包括：
33、确定每个设备状态异常点在第一工作量预测结果中对应的预测工作量，基于每个设备状态异常点的预测工作量特征对第一工作量预测结果中每个设备状态异常点对应的预测工作量进行替换更新，得到目标工作量预测结果。
34、与现有技术相比，本专利技术具有以下优点：
35、本专利技术从历史数据中采集到时序特征，构建样本本文档来自技高网...
【技术保护点】
1.一种基于进度预测的排程模拟优化方法，其特征在于，包括：
2.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，包括：
3.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集，包括：
4.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，包括：
5.如权利要求4所述的一种基于进度预测的排程模拟优化方法，其特征在于，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，包括：
6.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，异常分析模型为循环神经网络模型。
7.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，预测模型为ARIM
8.一种基于进度预测的排程模拟优化系统，其特征在于，使用如权利要求1至7任一所述的一种基于进度预测的排程模拟优化方法，包括：
9.如权利要求8所述的一种基于进度预测的排程模拟优化系统，其特征在于，对于特征拼接模块，对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，包括：
10.如权利要求8所述的一种基于进度预测的排程模拟优化系统，其特征在于，对于预测矫正模块，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测结果，包括：
...【技术特征摘要】
1.一种基于进度预测的排程模拟优化方法，其特征在于，包括：
2.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，对每个异常数据点的第一时序特征和第二时序特征进行特征拼接，生成每个异常数据点的第一参考特征，包括：
3.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，基于每个异常数据点的第三时序特征对时序数据集合中的工作量时序数据集进行数据重构，生成目标工作量时序数据集，包括：
4.如权利要求1所述的一种基于进度预测的排程模拟优化方法，其特征在于，基于设备状态预测结果生成第二参考特征并输入到异常分析模型中，生成第二工作量预测结果，包括：
5.如权利要求4所述的一种基于进度预测的排程模拟优化方法，其特征在于，基于第二工作量预测结果对第一工作量预测结果进行矫正，得到目标工作量预测...
【专利技术属性】
技术研发人员：王辉，朱洪洋，王悦橦，曹振华，钱华明，
申请(专利权)人：江西为易科技有限公司，
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。