CN119415922A 一种基于费用波动特征的输变电工程造价智能评审方法 （国网安徽省电力有限公司经济技术研究院）

一种基于费用波动特征的输变电工程造价本发明公开了一种基于费用波动特征的输领域，包括以下步骤：收集历史造价数据基于NACEMD对数据进行预处理并识别输变电工程造主要影响因素，并对不同工程类型进行聚类分2收集历史造价数据基于NACEMD对数据进行预处基于历史造价数据和输变电工程样本集合，对不同类型费分别针对不同类型的费用设定相应的智能方法，对于无序震基于三类费用的预测分析，通过相关工程参数输入，实现输变电2.根据权利要求1所述的一种基于费用波动特征的输变电工程造价智能评审方法，其将M次CEMD过程后得到的每个IMF分量计算均3.根据权利要求2所述的一种基于费用波动特征的输变电工程造价智能评审方法，其根据识别到的输变电工程造价影响因素基于皮尔逊相关系数计算各影响因素与工程将输入变量作为样本并选取最大和最小值，基于预设的公式对进行标准化将样本数据中具有相似特征和属性的样本的将样本与簇内的其他点之间的平均距离作为簇内将样本与最近簇中所有点之间的平均距离看作是与最近簇将簇的分离度与簇内聚度之差除以二者中较大的34.根据权利要求3所述的一种基于费用波动特征的输变电工程造价智能评审方法，其采用箱线图剔除异常值，以对所述样本数据进行一次异常值分析，所预设一个置信水平，根据切比雪夫不等式，计算出每种费用类型在5.根据权利要求4所述的一种基于费用波动特征的输变电工程造价智能评审方法，其6.根据权利要求5所述的一种基于费用波动特征的输变电工程造价智能评审方法，其根据训练样本数据建立预报模型,对测试样本数据进行预测,利用目标函数来衡量学4将得到的最优参数值赋给预测学习算法，用训练样本集进行训练，7.根据权利要求6所述的一种基于费用波动特征的输变电工程造价智能评审方法，其8.根据权利要求7所述的一种基于费用波动特征的输变电工程造价智能评审方法，其将一个有包含n个节点序列，r"=(r"(,r"(2).…r"n)进行一次累加，获得累积序列:59.根据权利要求8所述的一种基于费用波动特征的输变电工程造价智能评审方法，其将残差序列转成傅里叶级数序列；6根据得到的状态转移概率矩阵，最后根据状态转移矩阵及式来预测未来。78多个因素的相互影响，传统的造价评估方法往往无法有效应对复杂的市场变化和不确定9基于历史造价数据和输变电工程样本集合，对不同类型费用通过切夫雪比不等子群优化的GRU预测模型，对于稳定趋势部分，构建基于马尔科夫傅里叶修正灰色预测模到的输变电工程造价影响因素基于皮尔逊相关系数计算各影响因素与工程造价之间的相[0014]本发明一种基于费用波动特征的输变电工程造价智能评审方法的技术效果和优[0015]2.在无序震荡部分，采用的改进粒子群优制使其能够在长期依赖和短期波动中做出灵活的调整，增强了对未来费用变化的预测能[0017]图1为本发明一种基于费用波动特征的输变电工程造价智能评审方法结构示意识别输变电工程造价影响因素，收集历史造价数据并基于CEMD对数据进行预处子群优化的GRU预测模型，基于稳定趋势部分，构建基于马尔科夫傅里叶修正灰色预测模管理规范域。将所述复信号投影到φk上，其中，φk为投影方向，φk=2πk/N,1≤k≤N:,对M次CEMD过程后得到的每个IMF分量计算均根据识别到的输变电工程造价影响因素基于皮尔逊相关系数计算各影响因素与将输入变量作为样本并选取最大和最小值，基于预设的公式对进行标准化处理，将样本数据中具有相似特征和属性的样本的将样本与簇内的其他点之间的平均距离作为簇内将样本与最近簇中所有点之间的平均距离看作是与最近簇将簇的分离度与簇内聚度之差除以二者中较大的主要利用K_means聚类模型支撑研究展开，而聚类分析主要是基于分类对象之间[0041]当遇到某个指标的最大值和最小值未知的情况，或有超出取值范围的离群数值[0047]轮廓分析(silhouetteanalysis)同样属于度量簇中样本集中程度的计算方法之[0050]轮廓系数的取值在_1到1之间。当簇内聚度与分度离相等时，轮廓系数为0。当x=x(1+mr),.x(2+mr)…,x(M+mr)}作为输出部分的y，h为隐含层，σ为sigmoid激活函[0090]其中，状态划分的数目n以及A,B可以根据原始数[0094]其中，表示相关参数从e,状态经过k步转移到o示数据的相关参数由s,状态经过k步转移到状态的原始样本数，M,表示处于s,状态的近的样本数据与分类超平面之间的距离最大，则该超平面为最优超平面(Optimal维空间中的线性问题，然后在这个高维空间中寻求最优分类面。仅有样本间的内积运算,[0114]考虑到在实际的造价信息维数高、干扰因素众多的非线性属性会影响支持向量机学习模型的预测精度和泛化能力,因此首先运用非线性核[0119]在进行目标函数评价时,首先利用训练样本数据建立预报模型,对测试样本数据λv=Cv求解方程可得矩阵K的第k个特征向量ak,由特征向量ak可确定特征空间的主元方[0131]从保证提取主元特征完整性