【技术实现步骤摘要】
本专利技术涉及工程项目管理，具体涉及基于bayes-xgboost协同优化的工程管理决策系统及方法。
技术介绍
1、当前我国工程建设仍处于迅猛发展阶段，作为工程建设重要主体的施工企业，其规模不断扩大，实力不断增强，同一时期在不同区域内建设多个项目的情形已成为新常态。
2、近年来，随着智能电网、新能源接入、电动汽车充换电等新兴业务发展迅速，电网企业日益多元化发展，传统的人工检查方式通常是在工程项目开始前，负责人员会前往工程现场进行勘察，了解工程地形、环境等情况，制定合理的施工方案和安全措施，定期到工程现场检查施工过程，包括施工进度、施工质量等，工程项目完成后，负责人员会对整个工程项目进行综合验收，包括工程质量、工程安全、符合设计要求等方面的检查，确保工程项目符合相关标准和规范要求。
3、现有技术存在以下不足：
4、现有传统的人工检查方式虽然可以一定程度上保证工程质量，但是过程繁琐、耗时且人力成本较高，也容易出现人为因素的干扰。且由于电网企业工程项目建设步伐也逐渐加大，由于资金投入大、流程环节多、专业技术性强等特点，对监督人员的专业素养、经验阅历等方面能力提出了较高要求，传统的人工检查方式往往难以满足要求。
技术实现思路
1、本专利技术的目的是提供基于bayes-xgboost协同优化的工程管理决策系统及方法，以解决
技术介绍
中不足。
2、为了实现上述目的，本专利技术提供如下技术方案：基于bayes-xgboost协同优化的工程管理决策方法
3、步骤s1、工程项目开始前获取施工信息；
4、步骤s2、基于工程项目开始前施工信息对工程项目进行初步评估，并进行风险管理规划；
5、步骤s3、工程施工过程中依据风险管理规划在工程施工阶段进行施工考核；
6、步骤s4、工程验收阶段根据工程状态对风险管理规划进行评估，并优化调整风险管理。
7、在一个优选的实施方案中，在步骤s1中，施工信息包括资金筹备信息以及施工人员信息：
8、资金筹备信息为项目筹备资金与预计资金比值，施工人员信息为施工人员的风险比例。
9、在一个优选的实施方案中，在步骤s2中，基于工程项目开始前施工信息对工程项目进行初步评估的具体过程如下；
10、将项目筹备资金与预计资金比值与额定资金比值进行比较，若项目筹备资金与预计资金比值小于等于额定资金比值，则说明此时项目筹备资金准备不足，该电网工程项目具有风险，反之则说明正常；
11、将风险施工人员与整体施工人员比例与额定人员比例进行比较，若风险施工人员与整体施工人员比例大于等于额定人员比例，则说明此时该项目风险施工人员过多，该电网工程项目具有风险，反之则说明正常；
12、若项目筹备资金与预计资金比值大于额定资金比值，且风险施工人员与整体施工人员比例小于额定人员比例，则设项目初始风险系数为ircp，将项目筹备资金与预计资金比值标记为ripf，将风险施工人员与整体施工人员比例标记为rcp，对资金比例ripf与风险人员比例rcp进行加权求和计算项目初始风险系数ircp。
13、在一个优选的实施方案中，将项目初始风险系数ircp与标准风险阈值进行比较，若项目初始风险系数ircp大于等于标准风险阈值，则缩短监控周期：
14、同时，在步骤s2中，当风险施工人员与整体施工人员比例大于等于额定人员比例或项目筹备资金与预计资金比值小于等于额定资金比值或项目初始风险系数ircp大于等于标准风险阈值时，对电网项目工程进行风险管理规划。
15、在一个优选的实施方案中，风险管理规划是通过将资金比例、风险人员比例以及项目计划完工时间作为样本数据构建模糊贝叶斯神经网络模型确定监测效力系数，监测效力系数用于调节电网项目工程的考核间隔时间以及电网项目工程的考核标准。
16、在一个优选的实施方案中，在步骤s4中，工程验收阶段根据工程状态对风险管理规划进行评估，并优化调整风险管理的具体过程如下：
17、确定项目完工时间，并与项目计划完工时间进行比较，若项目完工时间小于等于项目计划完工时间，则说明风险管理规划成功，否则则说明风险管理规划失败；
18、当风险管理规划失败时，将本次项目完工时间、资金比例、风险人员比例以及本次的监测效力系数数值作为样本数据，存储在历史数据库中，优化训练用于预测监测效力系数的神经网络模型。
19、本专利技术还提供基于bayes-xgboost协同优化的工程管理决策系统，包括施工信息采集模块、工程项目评估模块、工程项目考核模块以及数据存储模块，各模块之间信号连接；
20、施工信息采集模块用于获取工程项目开始前的施工信息，包括资金筹备信息以及施工人员信息；
21、工程项目评估模块用于基于工程项目开始前施工信息对工程项目进行初步评估，并进行风险管理规划；
22、工程项目考核模块用于依据风险管理规划在工程施工阶段进行施工考核，并在工程验收阶段根据工程状态对风险管理规划进行评估，并优化调整风险管理；
23、数据存储模块用于存储系统内各模块产生的数据。
24、在上述技术方案中，本专利技术提供的技术效果和优点：
25、本专利技术通过历史数据包括电网项目工程开工前的资金比例、风险人员比例以及项目计划完工时间数据构建模糊贝叶斯神经网络预测模型，实现对电网项目工程具有风险下的风险管理规划，根据预测结果对电网项目工程的考核间隔时间以及电网项目工程的考核标准进行调节，能够精准地把握项目施工状态，降低了电网项目工程的施工风险。
本文档来自技高网...【技术保护点】
1.基于Bayes-XGBoost协同优化的工程管理决策方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于Bayes-XGBoost协同优化的工程管理决策方法，其特征在于：在步骤S1中，施工信息包括资金筹备信息以及施工人员信息：
3.根据权利要求1所述的基于Bayes-XGBoost协同优化的工程管理决策方法，其特征在于：在步骤S2中，基于工程项目开始前施工信息对工程项目进行初步评估的具体过程如下：
4.根据权利要求3所述的基于Bayes-XGBoost协同优化的工程管理决策方法，其特征在于：将项目初始风险系数IRCP与标准风险阈值进行比较，若项目初始风险系数IRCP大于等于标准风险阈值，则缩短监控周期：
5.根据权利要求4所述的基于Bayes-XGBoost协同优化的工程管理决策方法，其特征在于：风险管理规划是通过将资金比例、风险人员比例以及项目计划完工时间作为样本数据构建模糊贝叶斯神经网络模型确定监测效力系数，监测效力系数用于调节电网项目工程的考核间隔时间以及电网项目工程的考核标准。
6.根据权利要求1所
7.基于Bayes-XGBoost协同优化的工程管理决策系统，用于实现权利要求1-6任一项所述的预防方法，其特征在于：包括施工信息采集模块、工程项目评估模块、工程项目考核模块以及数据存储模块，各模块之间信号连接；
...【技术特征摘要】
1.基于bayes-xgboost协同优化的工程管理决策方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于bayes-xgboost协同优化的工程管理决策方法，其特征在于：在步骤s1中，施工信息包括资金筹备信息以及施工人员信息：
3.根据权利要求1所述的基于bayes-xgboost协同优化的工程管理决策方法，其特征在于：在步骤s2中，基于工程项目开始前施工信息对工程项目进行初步评估的具体过程如下：
4.根据权利要求3所述的基于bayes-xgboost协同优化的工程管理决策方法，其特征在于：将项目初始风险系数ircp与标准风险阈值进行比较，若项目初始风险系数ircp大于等于标准风险阈值，则缩短监控周期：
5.根据权利要求4所述...
【专利技术属性】
技术研发人员：程倩颖，陈建伟，王谱新，郭超，孙广新，陈熠，徐兵，顾晓峰，余淼，陆智锋，
申请(专利权)人：中国移动通信集团内蒙古有限公司，
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。