一种工程项目投标报价预测模型构建方法以及装置

摘要

本申请提供一种工程项目投标报价预测模型构建方法，包括：将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据；分别输入到卷积神经网络中进行神经网络计算；将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，融合生成多个项目成本；对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤上述步骤，直到与所述真实报价差异在预设范围内，获得预测模型。本申请通过卷积神经网络，以历史数据为训练样本，训练出一种工程项目投标报价的预测模型用于预测成本，在经过大量训练后可以准确预测报价金额。本申请还提供一种工程项目投标报价预测模型构建装置。

说明书

技术领域

本申请请求保护一种预测模型构建方法，尤其涉及一种工程项目投标报价预测模型构建方法。本申请还涉及一种工程项目投标报价预测模型构建装置。

背景技术

工程投标报价是指工程投标单位采取投标方式争取包揽工程时，以该工程招标文件中的设计图纸、工程量清单以及投标须知、价格条件等资料作基础，结合现场勘察，根据有关定额、单价和费用指标来计算的争取中标后承包该工程所需的全部费用。投标报价的费用由直接费、间接费、利润、不可预见费和其他费用组成。

在工程投标报价中，如果报价太高，则难以中标，而报价太低则有损利润，因此需要选定最优报价才能即可中标，又能获得最大的预期利润，但是最优报价如何确定，目前还没有确定的计算方案。

发明内容

为了解决上述技术问题，本申请提供一种工程项目投标报价预测模型构建方法。本申请还涉及一种工程项目投标报价预测模型构建装置。

本申请提供一种工程项目投标报价预测模型构建方法，包括：

S1获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签；

S2将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤；

S3将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代；

S4对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤S1、S2和S3，直到与所述真实报价差异在预设范围内，获得预测模型。

可选的，所述历史项目成本数据在输入到所述卷积神经网络中之前，执行如下步骤：

将所述项目成本数据按照类别进行划分；

设置每个类型的数据的模糊范围；

将所述模糊范围内容的数据计算平均值作为所述类别的值。

可选的，所述项目成本数据中的未列明数据，以每个类别占总体百分比的比例添加到各个类别中，并删除未列明数据。

可选的，判断每个类别数据是否异常，并将所述异常的数据由该类别数据的平均值替换。

可选的，还包括：

根据所述历史项目数据，生成项目类别集，并根据不同集分别训练不同的卷积神经网络；

将所述不同的卷积神经网络存储到存储器中。

本申请还提供一种工程项目投标报价预测模型构建装置，包括：

分割模块，用于获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签；

编码模块，用于将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤；

解码模块，用于将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代；

验证模块，用于对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，以上模块的执行，直到与所述真实报价差异在预设范围内，获得预测模型。

可选的，所述分割模块还包括：

类别单元，用于将所述项目成本数据按照类别进行划分；

范围单元，用于设置每个类型的数据的模糊范围；

计算单元，用于将所述模糊范围内容的数据计算平均值作为所述类别的值。

可选的，所述项目成本数据中的未列明数据，以每个类别占总体百分比的比例添加到各个类别中，并删除未列明数据。

可选的，判断每个类别数据是否异常，并将所述异常的数据由该类别数据的平均值替换。

可选的，还包括：

根据所述历史项目数据，生成项目类别集，并根据不同集分别训练不同的卷积神经网络；

将所述不同的卷积神经网络存储到存储器中。

本申请相较于现有技术的优点是：

本申请提供一种工程项目投标报价预测模型构建方法，包括：S1获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签；S2将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤；S3将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代；S4对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤S1、S2和S3，直到与所述真实报价差异在预设范围内，获得预测模型。本申请通过卷积神经网络，以历史数据为训练样本，训练出一种工程项目投标报价的预测模型用于预测成本，在经过大量训练后可以准确预测报价金额。

附图说明

图1是本申请中工程项目投标报价预测模型构建流程图。

图2是本申请中样本数据处理流程图。

图3是本申请中工程项目投标报价预测模型构建装置示意图。

具体实施方式

以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。

本申请提供一种工程项目投标报价预测模型构建方法，包括：S1获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签；S2将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤；S3将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代；S4对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤S1、S2和S3，直到与所述真实报价差异在预设范围内，获得预测模型。本申请通过卷积神经网络，以历史数据为训练样本，训练出一种工程项目投标报价的预测模型用于预测成本，在经过大量训练后可以准确预测报价金额。

图1是本申请中工程项目投标报价预测模型构建流程图。

请参照图1所示，S1获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签。

所述历史项目成本是指在某一个具体的工程领域中，一个工程项目的成本数据，这些成本数据由直接成本，间接成本和其他成本组成，其中直接成本在一定的时间范围内是稳定的，而间接成本和其他成本，根据不同的项目可能不相同，本申请所述技术方案仅是针对普通工程项目的报价，对特殊的工程项目不具有预测准确度。

在本申请中，所述历史项目成本数据是指历史上中标的工程项目投标报价数据，且是具有利润的工程项目的成本数据。

具体的，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，然后对每一项数据进行标记，以表示这些数据对应的项目，优选的，在所述成本数据中添加标签以标记项目。

进一步的，所述项目成本数据中，每一个工程项目的成本数据与其他的工程项目的成本数据是具有相同数据类别的，这些数据类别表示方式可能不尽相同，因此在进行数据处理前需要进行的表示方式统一。

所述历史项目成本数据将作为模型训练的样本数据，为了符合样本数据的要求，所述历史项目成本数据需要进行进一步处理。

图2是本申请中样本数据处理流程图。

请参照图2所示，S201将所述项目成本数据按照类别进行划分。

本申请已经将所述历史项目成本数据进行第一步分割，即分割为直接成本数据、间接成本数据和其他成本数据，而在这一步中，将进一步根据数据的类别进行划分到最小粒度，获得多个历史项目成本数据中的每一个相同名称的数据以及数据的值。

S202设置每个类型的数据的模糊范围。

所述模糊范围是指可以忽略的数据的值的范围，例如水泥的价格是在一个区间波动，则将所述波动的区间设置为模糊范围，这样就可以统一水泥单价的值，而仅仅以水泥的量作为变量进行模型的训练。

S203将所述模糊范围内容的数据计算平均值作为所述类别的值。

所述模糊范围还可以人工进行设定，本申请中，所述模糊范围是设置有多个的，当一个数据的值处于其中一个模糊范围中时，则将所述数据关联到所述模糊范围。这样，每个数据都关联到一个模糊范围中，然后计算所述模糊范围内的所有数据的平均值，将该平均值赋予所述模糊范围关联的每一个数据。

另一方面，所述历史项目成本数据中的每一个数据，若其具有列明的数据，则以百分比的方式分配到列明的数据中，例如：

一个历史项目成本数据中具有10项数据，其中具有一项数据是未列明的数据，则计算每个数据占中数据的百分比，其公式如下：

其中S是每一项数据的百分比，Y是每一项数据的值，Z是数据值的总和。

然后计算未列明数据的份数，其公式如下：

其中F

另外，判断每个类别数据是否异常，并将所述异常的数据由该类别数据的平均值替换。

最后删除所述未列明数据和异常数据，完成样本数据的处理。

请参照图1所示，S2将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤。

所述卷积神经网络中分为三个卷积层，数据输入到所述卷积神经网络中后，将分别进行三个卷积层的计算，最后并到一起的获得最终结果。

具体的，所述直接成本数据、间接成本数据和其他成本数据分别输入到卷积神经网络中进行最多值过滤。优选的，所述最多值是多个。例如：设置一个阈值X，当所述直接成本数据中，某个数据相同值的个数超过所述阈值X，则视为最多值。

过滤最多值，是指提取所述最多值，将不是最多值的数据进行删除。具体的过滤表达式如下：

其中，所述S是缩放参数，所述A、C是任意两个模糊范围的中位数，所述B、D是对应于所述A、C的模糊范围的平均值，所述F、M是对应所述模糊范围的数量个数的值。

所述A-B或者C-D是指中位数和平均值的差，用于表示所述模糊范围划分的可靠性。

将每两个模糊区间进行上述公式判断，将最后选出模糊区间的输出值所对应的F作为卷积神经每一层的输出值。

所述直接成本数据、间接成本数据和其他成本数据分别输入到第一卷积层进行过滤，获得第一层直接成本数据，第一层间接成本数据和第一层其他成本数据。

然后将所述第一层直接成本数据，第一层间接成本数据和第一层其他成本数据输入到第二卷积层，获得第二层直接成本数据，第二层间接成本数据和第二层其他成本数据。

最后将所述第二层直接成本数据，第二层间接成本数据和第二层其他成本数据输入到第三卷积层，获得第三层直接成本数据，第三层间接成本数据和第三层其他成本数据。

请参照图1所示，S3将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代。

本申请所述过滤后的所述直接成本数据、间接成本数据和其他成本数据即第三层直接成本数据，第三层间接成本数据和第三层其他成本数据。

具体的融合方式是，根据所述数据的标签进行项目匹配，获得完整的项目成本数据，其若有丢失的数据，则进行提取所述样本数据的本值进行替换，即样本数据在其模糊范围的平均值。其中，所述丢失数据在替换时，需要判断所述丢失的数据个数，若丢失的数据个数大于预设阈值，则将该项目成本数据整体删除，优选的，所述预设阈值是2。

最后，获得多个融合后的历史项目成本数据。

请参照图1所示，S4对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，重复步骤S1、S2和S3，直到与所述真实报价差异在预设范围内，获得预测模型。

将所述融合后的历史项目成本数据，与最终的项目完成后的真实报价进行对比，获得融合后的项目成本和真实报价之间的差异，并根据所述差异进行卷积神经网络参数的调整，包括调整所述阈值。然后重复步骤S1、S2和S3，直到与所述真实报价差异在预设范围内，获得预测模型。

本申请中，可以根据所述历史项目数据，生成项目类别集，并根据不同集分别训练不同的卷积神经网络；将所述不同的卷积神经网络存储到存储器中。

本申请还提供一种工程项目投标报价预测模型构建装置，包括：分割模块301、编码模块302、解码模块303和验证模块304。

图3是本申请中工程项目投标报价预测模型构建装置示意图。

请参照图3所示，分割模块301，用于获取历史项目成本数据，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，并标记每一项数据的项目标签。

所述历史项目成本是指在某一个具体的工程领域中，一个工程项目的成本数据，这些成本数据由直接成本，间接成本和其他成本组成，其中直接成本在一定的时间范围内是稳定的，而间接成本和其他成本，根据不同的项目可能不相同，本申请所述技术方案仅是针对普通工程项目的报价，对特殊的工程项目不具有预测准确度。

在本申请中，所述历史项目成本数据是指历史上中标的工程项目投标报价数据，且是具有利润的工程项目的成本数据。

具体的，将所述历史项目成本数据拆分为直接成本数据、间接成本数据和其他成本数据，然后对每一项数据进行标记，以表示这些数据对应的项目，优选的，在所述成本数据中添加标签以标记项目。

进一步的，所述项目成本数据中，每一个工程项目的成本数据与其他的工程项目的成本数据是具有相同数据类别的，这些数据类别表示方式可能不尽相同，因此在进行数据处理前需要进行的表示方式统一。

所述历史项目成本数据将作为模型训练的样本数据，为了符合样本数据的要求，所述历史项目成本数据需要进行进一步处理，具体的，所述分割模块还包括：

类别单元，用于将所述项目成本数据按照类别进行划分。

本申请已经将所述历史项目成本数据进行第一步分割，即分割为直接成本数据、间接成本数据和其他成本数据，而在这一步中，将进一步根据数据的类别进行划分到最小粒度，获得多个历史项目成本数据中的每一个相同名称的数据以及数据的值。

范围单元，用于设置每个类型的数据的模糊范围。

所述模糊范围是指可以忽略的数据的值的范围，例如水泥的价格是在一个区间波动，则将所述波动的区间设置为模糊范围，这样就可以统一水泥单价的值，而仅仅以水泥的量作为变量进行模型的训练。

计算单元，用于将所述模糊范围内容的数据计算平均值作为所述类别的值。

所述模糊范围还可以人工进行设定，本申请中，所述模糊范围是设置有多个的，当一个数据的值处于其中一个模糊范围中时，则将所述数据关联到所述模糊范围。这样，每个数据都关联到一个模糊范围中，然后计算所述模糊范围内的所有数据的平均值，将该平均值赋予所述模糊范围关联的每一个数据。

另一方面，所述历史项目成本数据中的每一个数据，若其具有列明的数据，则以百分比的方式分配到列明的数据中，例如：

一个历史项目成本数据中具有10项数据，其中具有一项数据是未列明的数据，则计算每个数据占中数据的百分比，其公式如下：

其中S是每一项数据的百分比，Y是每一项数据的值，Z是数据值的总和。

然后既然未列明数据的份数，其公式如下：

其中F

另外，判断每个类别数据是否异常，并将所述异常的数据由该类别数据的平均值替换。

最后删除所述未列明数据和异常数据，完成样本数据的处理。

请参照图3所示，编码模块302，用于将所述直接成本数据、间接成本数据和其他成本数据，分别输入到卷积神经网络中进行神经网络计算，包括：通过第一卷积神经层进行最多值过滤，通过第二卷积神经层进行最多值过滤，通过第三卷积神经进行最多值过滤。

所述卷积神经网络中分为三个卷积层，数据输入到所述卷积神经网络中后，将分别进行三个卷积层的计算，最后并到一起的获得最终结果。

具体的，所述直接成本数据、间接成本数据和其他成本数据分别输入到卷积神经网络中进行最多值过滤。优选的，所述最多值是多个。例如：设置一个阈值X，当所述直接成本数据中，某个数据相同值的个数超过所述阈值X，则视为最多值。

过滤最多值，是指提取所述最多值，将部署最多值的参数进行删除。

具体的过滤表达式如下：

其中，所述S是缩放参数，所述A、C是任意两个模糊范围的中位数，所述B、D是对应于所述A、C的模糊范围的平均值，所述F、M是对应所述模糊范围的数量个数的值。

所述A-B或者C-D是指中位数和平均值的差，用于表示所述模糊范围划分的可靠性。

将每两个模糊区间进行上述公式判断，将最后选出模糊区间的输出值所对应的F作为卷积神经每一层的输出值。

所述直接成本数据、间接成本数据和其他成本数据分别输入到第一卷积层进行过滤，获得第一层直接成本数据，第一层间接成本数据和第一层其他成本数据。

然后将所述第一层直接成本数据，第一层间接成本数据和第一层其他成本数据输入到第二卷积层，获得第二层直接成本数据，第二层间接成本数据和第二层其他成本数据。

最后将所述第二层直接成本数据，第二层间接成本数据和第二层其他成本数据输入到第三卷积层，获得第三层直接成本数据，第三层间接成本数据和第三层其他成本数据。

请参照图3所示，解码模块303，用于将过滤后的所述直接成本数据、间接成本数据和其他成本数据输入到融合层，根据所述项目标签，融合生成多个项目成本，其中，若数据缺少则采用过滤后数据的平均值替代。

本申请所述过滤后的所述直接成本数据、间接成本数据和其他成本数据即第三层直接成本数据，第三层间接成本数据和第三层其他成本数据。

具体的融合方式是，根据所述数据的标签进行项目匹配，获得完整的项目成本数据，其若有丢失的数据，则进行提取所述样本数据的本值进行替换，即样本数据在其模糊范围的平均值。其中，所述丢失数据在替换时，需要判断所述丢失的数据个数，若丢失的数据个数大于预设阈值，则将该项目成本数据整体删除，优选的，所述预设阈值是2。

最后，获得多个融合后的历史项目成本数据。

请参照图3所示，验证模块304，用于对比所述多个项目成本和真实报价之间的差异，并调整所述卷积神经网络的过滤参数，以上模块的执行，直到与所述真实报价差异在预设范围内，获得预测模型。

将所述融合后的历史项目成本数据，与最终的项目完成后的真实报价进行对比，获得融合后的项目成本和真实报价之间的差异，并根据所述差异进行卷积神经网络参数的调整，包括调整所述阈值。然后重复步骤分割模块301、编码模块302和解码模块303，直到与所述真实报价差异在预设范围内，获得预测模型。

本申请中，可以根据所述历史项目数据，生成项目类别集，并根据不同集分别训练不同的卷积神经网络；将所述不同的卷积神经网络存储到存储器中。