输变电工程造价管理中的数据挖掘技术应用方法

摘要

本发明公开了一种输变电工程造价管理中的数据挖掘技术应用方法，构建数据挖掘技术模型，实现输变电工程造价统计、分类管理，输变电工程造价分析综合管理和输变电工程造价预测管理。所述数据挖掘技术模型是基于统计方法、决策树方法、神经网络技术和/或粗糙集理论进行构建。本发明通过结合数据挖掘技术的内容体系及方法原理，将更多的先进管理方法和管理思想应用到输变电工程造价管理实践当中，不仅拓展了工程造价管理理论体系，也大大提高了数据挖掘技术的实践应用，为综合提高我国输变电工程造价管理水平，以及完善造价管理工作提供了很好的借鉴。

说明书

技术领域

本发明涉及一种输变电工程造价管理中的数据挖掘技术应用方法，属于输变电工程造价管理技术领域。

背景技术

随着电力电网投资的逐年增加，电网骨架建设不断增强，电网企业承担的巨大投资压力，以及相比发达国家较低的电网项目投资回报水平，对输变电工程建设节约成本开支，优化造价管理体系提出了新的要求；加快建设以特高压电网为骨干网架，各级电网协调发展，兼顾数字化、自动化、信息化、互动化等要求的电网项目建设，也为输变电工程建设提高整体造价管理水平提出了新的挑战。

综合提高我国输变电工程造价管理水平，是在巨大投资精益化管理要求的大环境下，控制成本、提高投资效率的一项基础性管理工作；积极探索，应用先进的理论方法优化输变电工程造价管理体系，是一项意义重大的理论研究工作。

数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。充分结合数据挖掘技术的主要内容体系，挖掘理论方法特性，深人研究输变电工程造价管理的先进方法实践，为合理、高效的投资决策提供可靠的依据，促进电网工程规模化建设，全面综合提高我国输变电工程科学化造价管理效果。

发明内容

本发明所要解决的技术问题是提供一种输变电工程造价管理中的数据挖掘技术应用方法，结合输变电工程造价管理的实际情况，深入剖析了应用数据挖掘技术提高造价管理能力、强化造价管理科学化水平的具体措施，为全面完善我国输变电丁程造价管理体系提供了理论基础和实践依据。

为解决上述问题，本发明所采取的技术方案是：

一种输变电工程造价管理中的数据挖掘技术应用方法，构建数据挖掘技术模型，实现输变电工程造价统计、分类管理，输变电工程造价分析综合管理和输变电工程造价预测管理。

作为本发明的进一步改进，所述数据挖掘技术模型是基于统计方法、决策树方法、神经网络技术和/或粗糙集理论进行构建。

作为本发明的进一步改进，所述数据挖掘技术模型具有以下功能：

分类功能，以采样数据为训练分析基础，通过分析对象的属性、特征，建立合理的分类模型，找出数据库中一组数据对象的共同特点，并按照分类标准将对象数据划分为不同的类；

关联分析功能，在数据挖掘中找出项目集合间的相关关系，关联分析的目的是找出数据库中隐藏的关联网；

聚类分析功能，根据数据对象问相似性以及在表达空间内的相互关系对一个对象集合进行划分，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小；

时间序列分析功能，分析具有时间变化特性的数据集合，挖掘数据变化的规律特征，研究数据序列的周期性、趋势；

偏差分析功能，通数据库中的数据存在异常情况时，偏差分析是揭示数据变化偏离常规的异常现象，其目的是寻找观察结果与参照量之问有意义的差别；

预测功能，通过分析数据对象发展变化的规律，建立预测模型，对数据未来变化进行计算分析。

作为本发明的进一步改进，所述数据挖掘技术模型的数据挖掘过程包括3个阶段：数据准备、数据挖掘、结果的评价与表达。

作为本发明的进一步改进，所述数据准备阶段在大量的数据库中提取数据挖掘的目标数据集，进行选择相关的数据、消除噪音、推算缺失数据、删除无效数据和数据值分组分类的准备工作。

作为本发明的进一步改进，所述数据挖掘阶段是根据分析数据的功能类型和数据特点，结合决策树、粗糙集、遗传算法的数据挖掘算法，分析数据，挖掘数据规律和潜在信息。

作为本发明的进一步改进，所述结果评价与表达阶段，通过基础数据分析，对数据挖掘的结果进行科学的评估，确定有效的知识模式，进一步巩固成果，转换为有用的知识信息；利用数据挖掘的结果，运用到企业专项管理工作当中，对决策提供支持和参考。

作为本发明的进一步改进，所述输变电工程造价统计、分类管理，基于决策树理论的工程项目造价分类模型，将大量的工程数据首先按照大类排列到根节点，然后逐级进一步细分到叶子节点，实现有序的逐层划分，决策树上的每个根节点和叶子节点都代表了一种工程类型。

作为本发明的进一步改进，所述输变电工程造价分析综合管理包括总体造价水平分析和基于主成分分析的造价变化偏差分析；

所述总体造价水平分析，依据造价统计、分类的结果，进行一定时期内、一定区域的工程数据收集整理，并且进行科学的分类、预处理，对不同类别开展专项的量、价、费深入分析，揭示造价变化的内在规律；

所述基于主成分分析的造价变化偏差分析，结合降维的思想，通过研究多项工程实际造价数据的变化情况，将整体造价变化分解为若干费用变化的集合，进一步量化各项费用的变化情况，以及对整体费用变化的影响程度，将多项影响因素转化为少数几个彼此独立的综合因素，为进行综合造价变化分析提供高效的信息资源。

作为本发明的进一步改进，所述输变电工程造价预测管理如下；

首先，通过分析大量输变电工程造价数据，挖掘造价水平变化的内在规律，以造价数据为研究对象，通过时间序列分析寻求数据变化的周期性、趋势特征，结合神经网络预测技术、时间序列预测技术、回归预测技术方法建立有效的预测模型，对未来造价水平的变化进行有效的预测；

其次，结合关联分析的思想，研究影响造价的主要因素，如市场因素、政策因素、经济环境因素等等，根据分类结果的划分类别，针对不同电压等级、不同项目类型属性，建立综合的情景预测数据库；利用情景预测法，对待建工程的造价水平进行评估，结合已完工工程造价分析数据，综合考虑情景因素的变化，进行比较预测研究。

采用上述技术方案所产生的有益效果在于：

本发明通过结合数据挖掘技术的内容体系及方法原理，将更多的先进管理方法和管理思想应用到输变电工程造价管理实践当中，不仅拓展了工程造价管理理论体系，也大大提高了数据挖掘技术的实践应用，为综合提高我国输变电工程造价管理水平，以及完善造价管理工作提供了很好的借鉴。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是数据挖掘的流程框图；

图2是输变电工程造价统计、分类示意图；

图3是变电工程造价一类费用分析图；

图4是建筑工程费用分析图；

图5是设备购置费用分析图；

图6是安装工程费用分析图；

图7是其他费用分析图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。

数据挖掘技术是一种新的信息处理技术，其主要特点是对数据库中的大量数据进行抽取、转换、分析和其他模型化处理，并从中提取辅助决策的关键性数据。数据挖掘是数据库中知识发现的一个重要环节。

一种输变电工程造价管理中的数据挖掘技术应用方法，构建数据挖掘技术模型，实现输变电工程造价统计、分类管理，输变电工程造价分析综合管理和输变电工程造价预测管理。

进一步的，所述数据挖掘技术模型是基于统计方法、决策树方法、神经网络技术和/或粗糙集理论进行构建。

进一步的，所述数据挖掘技术模型具有以下功能：

分类功能，以采样数据为训练分析基础，通过分析对象的属性、特征，建立合理的分类模型，找出数据库中一组数据对象的共同特点，并按照分类标准将对象数据划分为不同的类；

关联分析功能，在数据挖掘中找出项目集合间的相关关系，关联分析的目的是找出数据库中隐藏的关联网；通常引入可信度 、相关性系数等参数进行描述关联性的大小。

聚类分析功能，根据数据对象问相似性以及在表达空间内的相互关系对一个对象集合进行划分，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小，聚类分析可以发 现数据 的分布模式 ，以及可能的数据属性之间的相互关系。

时间序列分析功能，分析具有时间变化特性的数据集合，挖掘数据变化的规律特征，研究数据序列的周期性、趋势；

偏差分析功能，通数据库中的数据存在异常情况时，偏差分析是揭示数据变化偏离常规的异常现象，如标准类外的特例、数据聚类外的离群值等，其目的是寻找观察结果与参照量之问有意义的差别；

预测功能，通过分析数据对象发展变化的规律，建立预测模型，对数据未来变化进行计算分析，常用的预测方法有回归分析、神经网络等。

进一步的，如图1所示，所述数据挖掘技术模型的数据挖掘过程包括3个阶段：数据准备、数据挖掘、结果的评价与表达。

进一步的，所述数据准备阶段在大量的数据库中提取数据挖掘的目标数据集，进行选择相关的数据、消除噪音、推算缺失数据、删除无效数据和数据值分组分类的准备工作。

进一步的，所述数据挖掘阶段是根据分析数据的功能类型和数据特点，结合决策树、粗糙集、遗传算法的数据挖掘算法，分析数据，挖掘数据规律和潜在信息。

进一步的，所述结果评价与表达阶段，通过基础数据分析，对数据挖掘的结果进行科学的评估，确定有效的知识模式，进一步巩固成果，转换为有用的知识信息；利用数据挖掘的结果，运用到企业专项管理工作当中，对决策提供支持和参考。

进一步的，所述输变电工程造价统计、分类管理，基于决策树理论的工程项目造价分类模型，将大量的工程数据首先按照大类排列到根节点，然后逐级进一步细分到叶子节点，实现有序的逐层划分，决策树上的每个根节点和叶子节点都代表了一种工程类型。如图2所示给出了一种统计、分类方式。

进一步的，所述输变电工程造价分析综合管理包括总体造价水平分析和基于主成分分析的造价变化偏差分析；

所述总体造价水平分析，依据造价统计、分类的结果，进行一定时期内、一定区域的工程数据收集整理，并且进行科学的分类、预处理，对不同类别开展专项的量、价、费深入分析，揭示造价变化的内在规律；图3是常见的变电工程造价一类费用（建筑工程费、设备购置费、安装工程费及其他费用）分析的基本框架图，图4-7是变电工程造价一类费用的二级子费用框架图。

所述基于主成分分析的造价变化偏差分析，结合降维的思想，通过研究多项工程实际造价数据的变化情况，将整体造价变化分解为若干费用变化的集合，进一步量化各项费用的变化情况，以及对整体费用变化的影响程度，将多项影响因素转化为少数几个彼此独立的综合因素，为进行综合造价变化分析提供高效的信息资源。

进一步的，所述输变电工程造价预测管理如下；

首先，通过分析大量输变电工程造价数据，挖掘造价水平变化的内在规律，以造价数据为研究对象，通过时间序列分析寻求数据变化的周期性、趋势特征，结合神经网络预测技术、时间序列预测技术、回归预测技术方法建立有效的预测模型，对未来造价水平的变化进行有效的预测；

其次，结合关联分析的思想，研究影响造价的主要因素，如市场因素、政策因素、经济环境因素等等，根据分类结果的划分类别，针对不同电压等级、不同项目类型属性，建立综合的情景预测数据库；利用情景预测法，对待建工程的造价水平进行评估，结合已完工工程造价分析数据，综合考虑情景因素的变化，进行比较预测研究。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；作为本领域技术人员对本发明的多个技术方案进行组合是显而易见的。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。