一种基于深度学习的招投标风险值计算系统及方法

摘要

本发明涉及一种基于深度学习的招投标风险值计算系统及方法，包括数据获取单元、数据预处理单元、招投标风险评估模型构建单元、招投标风险评估模型训练单元、风险值VR计算单元、风险等级输出单元和数据反馈单元。本发明的基于深度学习的招投标风险值计算系统及方法，具有能够快速有效地对招投标项目进行风险评价、系统具有良好的自我学习能力等优点。

说明书

技术领域

本发明涉及计算机信息技术领域，特别涉及一种基于深度学习的招投标风险值计算系统及方法。

背景技术

招投标一般指招标投标。招标投标是基本建设领域促进竞争的全面经济责任制形式。一般由若干施工单位参与工程投标，招标单位(建设单位)择优入选，谁的工期短、造价低、质量高、信誉好，就把工程任务包给谁，由承建单位与发包单位签订合同，一包到底，按交钥匙的方式组织建设。这种方式是在货物、工程和服务的采购行为中，招标人通过事先公布的采购和要求，吸引众多的投标人按照同等条件进行平等竞争，按照规定程序并组织技术、经济和法律等方面专家对众多的投标人进行综合评审，从中择优选定项目的中标人的行为过程。其实质是以较低的价格获得最优的货物、工程和服务。

近年来，由于新冠疫情的原因很多地方采取了管制措施，使得招标方和投标方的工作人员无法接触，传统的面对面招标方式就无法进行。因此，很多单位采用的网络招标的方式。投标单位只需要通过网络招标系统下载招标文件，按照招标文件的要求提供电子招标文件并将纸质文件寄给招标单位即可完成招标工作，避免了招投标过程中的人员的面对面接触，从而解决了传统招标需要人员接触和易受到地域影响的问题。与传统的招投标方式相比，网络招投标更加公正、公开，相对也更公平，减少“暗箱操作”。大大提高招投标业务的效率，降低业务成本。

现行招标项目的工程建设规模越来越大，单个计价工程的数据量也随之增长，数亿项目频出，千万项目已成常态。招投标的过程中，一旦出现纰漏，将很可能导致整个项目无法正常进行，给招标单位和投标单位带来巨大的经济损失。

现有的网络招投标系统中，投标人传递的都是电子文件。电子文件的真实可靠性，远远不如纸质文件。在招投标过程中，一些投标单位存在采用photoshop等软件随意篡改电子文档、制作虚假证明文件等现象。这也是现有招标过程需要不仅提供电子文件，而且需要提供纸质文件的原因。但是在新冠疫情比较严重的地区，快递和邮递工作暂停的情况下，存在无法提供纸质文件的情况。如此一来，就进一步增加了招投标过程中的风险。王冠在《软件工程师》2014年12月第17卷第12期中发表了《基于FAHP的网络招投标风险研究》一文，通过风险识别，风险评估和风险应对这三种方法，对网络招投标中可能存在的风险进行了分析。针对网络招投标双方，分别建立适用于它们自身的风险评估指标体系。利用模糊层次分析法，对网络招投标双方的风险评估模型进行构建，结合德尔菲法，通过Yaahp软件，确定各个指标的权重，进而找出对网络招投标双方产生较大影响的风险因素，最后利用风险应对的方法，提出了降低招投标双方风险的对策。但是该方法存在智能化程度较低、系统不具备自我学习能力等缺点。

发明内容

本发明的目的是提供一种基于深度学习的招投标风险值计算系统及方法，能够对招投标过程中的风险进行评估、提高。

本发明解决上述技术问题的技术方案如下：

一种基于深度学习的招投标风险值计算系统，包括数据获取单元、数据预处理单元、招投标风险评估模型构建单元、招投标风险评估模型训练单元、风险值VR计算单元、风险等级输出单元和数据反馈单元；

所述数据获取单元，用于获取现有招投标系统的招投标数据初始信息A0和待评估招投标项目的招投标信息A1；

所述数据预处理单元，用于对数据获取单元的招投标数据初始信息A0和待评估招投标项目的招投标信息A1进行处理，招投标数据初始信息A0中从获得训练集D1和测试集D2，从待评估招投标项目的招投标信息A1中提取待评估招投标项目的招投标风险因子B的数据值；

所述招投标风险评估模型构建单元，用于构建构建招投标风险评估模型E；

所述招投标风险评估模型训练单元，用于对投标风险评估模型E进行训练，获取最终的投标风险评估模型E0；

所述风险值VR计算单元，用于将待评估招投标项目的招投标信息A1输入最终的投标风险评估模型E0，并接收投标风险评估模型E0计算的风险值VR；

所述风险等级输出单元，用于根据风险值VR判断该待评估招投标项目的风险等级。

本发明还提供了一种基于深度学习的招投标风险值计算系统的计算方法，包括如下几个步骤：

步骤1：通过数据获取单元获取招投标系统的招投标数据，作为初始信息A0；

步骤2：对初始信息A0进行预处理，从初始信息A0的每一次招投标信息中分别提取招投标风险因子B的数据值；

步骤3：将提取的招投标风险因子B的数据值分为训练集D1和测试集D2；

步骤4：构建招投标风险评估模型E；

步骤5：将训练集D1输入投标风险评估模型E，对投标风险评估模型E进行训练，并存储投标风险评估模型E的模型参数，获得最终的投标风险评估模型E0；

步骤6：获取需要进行风险评估的待评估招投标项目的招投标信息A1，并从招投标信息A1中提取待评估招投标项目的招投标风险因子B的数据值；

步骤7：将待评估招投标项目的招投标风险因子B的数据值输入最终的投标风险评估模型E0中，计算出待评估招投标项目的风险值VR；

步骤8：将步骤7中计算的待评估招投标项目的风险值VR与预设值进行比较，判断该待评估招投标项目的风险等级；

步骤9：将以上步骤中获得的待评估招投标项目的所有数据反馈输入给数据获取单元，再次作为招投标数据初始信息A0。

所述步骤2中，风险因子B分为招标风险因子B1、投标风险因子B2、评标风险因子B3和定标风险因子B4。

确定招投标风险因子B。根据招标过程的招标阶段、投标阶段、评标阶段和定标阶段等4个阶段，将风险因子B分为招标风险因子B1、投标风险因子B2、评标风险因子B3和定标风险因子B4。其中，所述招标风险因子B1用一维向量[B11,B12……B1i]表示，该向量中包括i个数值。所述投标风险因子B2用一维向量[B21,B22……B2j]表示，该向量中包括j个数值。所述评标风险因子B3用一维向量[B31,B32……B3m]表示，该向量中包括m个数值。所述投标风险因子B4用一维向量[B41,B42……B4n]表示，该向量中包括n个数值。

所述步骤2中，所述招标风险因子B1、投标风险因子B2、评标风险因子B3和定标风险因子B4，采用一维向量表示。

所述步骤4中包括如下步骤：

步骤41：分别确定招标风险因子B1、投标风险因子B2、评标风险因子B3和定标风险因子B4的个数，建立招投标风险因子B列表；

步骤42：确定招投标风险因子B的评价集F；

步骤43：确定模糊关系矩阵R；

步骤44：确定权重矩阵F；

步骤45：获得招投标风险评估模型E。

采用本发明的方案的有益效果是：

本发明涉及一种基于深度学习的招投标风险值计算系统及方法，包括数据获取单元、数据预处理单元、招投标风险评估模型构建单元、招投标风险评估模型训练单元、风险值VR计算单元和风险等级输出单元。

本发明中，采用基于深度学习的模糊综合评价法建立招投标风险评估模型E，能够将每次计算的结果反馈给评估模型E作为训练集或者测试集，构成了一个闭环的数据循环系统，使得招投标风险评估模型E具有主动学习的能力，提高了招投标风险值计算的准确性。模糊综合评价则可以采用隶属度将模糊的信息进行定量化处理，使评价结果更具科学性。

本发明的基于深度学习的招投标风险值计算系统及方法，具有能够快速有效地对招投标项目进行风险评价、系统具有良好的自我学习能力等优点。

附图说明

图1为本发明的计算系统的系统框图。

图2为本发明的计算方法的流程图。

图3为本发明的电子招投标系统的框架图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1-3所示，本发明的一种基于深度学习的招投标风险值计算系统，包括数据获取单元、数据预处理单元、招投标风险评估模型构建单元、招投标风险评估模型训练单元、风险值VR计算单元、风险等级输出单元和数据反馈单元；

所述数据获取单元，用于获取现有招投标系统的招投标数据初始信息A0和待评估招投标项目的招投标信息A1；

所述数据预处理单元，用于对数据获取单元的招投标数据初始信息A0和待评估招投标项目的招投标信息A1进行处理，招投标数据初始信息A0中从获得训练集D1和测试集D2，从待评估招投标项目的招投标信息A1中提取待评估招投标项目的招投标风险因子B的数据值；

所述招投标风险评估模型构建单元，用于构建构建招投标风险评估模型E；

所述招投标风险评估模型训练单元，用于对投标风险评估模型E进行训练，获取最终的投标风险评估模型E0；

所述风险值VR计算单元，用于将待评估招投标项目的招投标信息A1输入最终的投标风险评估模型E0，并接收投标风险评估模型E0计算的风险值VR；

所述风险等级输出单元，用于根据风险值VR判断该待评估招投标项目的风险等级。

本发明还提供了一种基于深度学习的招投标风险值计算系统的计算方法，其包括如下几个步骤：

步骤1：通过数据获取单元获取招投标系统的招投标数据，作为初始信息A0；

步骤2：对初始信息A0进行预处理，从初始信息A0的每一次招投标信息中分别提取招投标风险因子B的数据值；

步骤3：将提取的招投标风险因子B的数据值分为训练集D1和测试集D2；

步骤4：构建招投标风险评估模型E；

步骤5：将训练集D1输入投标风险评估模型E，对投标风险评估模型E进行训练，并存储投标风险评估模型E的模型参数，获得最终的投标风险评估模型E0；

步骤6：获取需要进行风险评估的待评估招投标项目的招投标信息A1，并从招投标信息A1中提取待评估招投标项目的招投标风险因子B的数据值；

步骤7：将待评估招投标项目的招投标风险因子B的数据值输入最终的投标风险评估模型E0中，计算出待评估招投标项目的风险值VR；

步骤8：将步骤7中计算的待评估招投标项目的风险值VR与预设值进行比较，判断该待评估招投标项目的风险等级；

步骤9：将以上步骤中获得的待评估招投标项目的所有数据反馈给数据获取单元，作为招投标数据初始信息A0。

所述步骤2中，风险因子B分为招标风险因子B1、投标风险因子B2、评标风险因子B3和定标风险因子B4。

确定招投标风险因子B。根据招标过程的招标阶段、投标阶段、评标阶段和定标阶段等4个阶段，将风险因子B分为招标风险因子B1、投标风险因子B2、评标风险因子B3和定标风险因子B4。其中，所述招标风险因子B1用一维向量[B11,B12……B1i]表示，该向量中包括i个数值。所述投标风险因子B2用一维向量[B21,B22……B2j]表示，该向量中包括j个数值。所述评标风险因子B3用一维向量[B31,B32……B3m]表示，该向量中包括m个数值。所述投标风险因子B4用一维向量[B41,B42……B4n]表示，该向量中包括n个数值。

下表1-4分别为一个实施例的招标风险因子B1、投标风险因子B2、评标风险因子B3和定标风险因子B4的列表。该实施例中，招标风险因子B1的个数i为10个，投标风险因子B2的个数j为11个，评标风险因子B3的个数m为11个，定标风险因子B4的个数n为7个。

表1：招标风险因子B1统计表

表2：投标风险因子B2统计表

表3：评标风险因子B3统计表

表4：定标风险因子B4统计表

所述步骤2中，所述招标风险因子B1、投标风险因子B2、评标风险因子B3和定标风险因子B4，采用一维向量表示。

所述步骤4中包括如下步骤：

步骤41：分别确定招标风险因子B1、投标风险因子B2、评标风险因子B3和定标风险因子B4的个数，建立招投标风险因子B列表；

步骤42：确定招投标风险因子B的评价集F；

步骤43：确定模糊关系矩阵R；

步骤44：确定权重矩阵F；

步骤45：获得招投标风险评估模型E。

本发明中，采用模糊综合评价法建立招投标风险评估模型E。

评价集，是评价者对因素集中的每个因素可能做出的各种评价结果组成一个集合。

模糊关系矩阵，即建立从B到F的模糊关系。

权重矩阵F反映了因素中各风险因子对评价目标的不同重要程度。权重的确定在评价中特别重要，同样的因素，如果权重不同，最终的评价结果也一定会不一样。权重矩阵F可采用网络层次分析法等常见的权重计算方法计算获得。

具体实施时，还可以将招投标风险因子B的数据值分为多个等级，进行多级模糊评价。对于多级模糊综合评价，总是从最低一级开始进行一级模糊综合评价，得到一级评价结果，将其作为上一级的模糊关系矩阵，再进行高一级的模糊综合评价，以此类推，直至进行到最高一级的评价，从而得出最终的结果。按最大隶属度原则处理最终结果，就可以得到被评价对象的评价结果。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。