特征選擇的降維方法在配網(wǎng)工程項目工期預(yù)測模型中的應(yīng)用

付健藝　王曉輝　石哲方　侯詩洋

摘 要

針對影響配網(wǎng)工程項目工期的因素多，情況復(fù)雜的特點，提出了一種對工程項目數(shù)據(jù)樣本進(jìn)行多步驟降維，提取主要因素的方法。第一步，得到影響配網(wǎng)工程項目工期的因素集合;第二步，利用超限學(xué)習(xí)機(jī)（Extreme Learning Machine， ELM）分類器對工程項目的數(shù)據(jù)樣本進(jìn)行分析，得到數(shù)量少但預(yù)測能力強(qiáng)的主要因素的集合;第三步，利用得到的樣本因素集建立配網(wǎng)工程項目工期的預(yù)測模型。實驗表明，該方法能快速有效地提取配網(wǎng)工程項目數(shù)據(jù)的主要因素，并提高工期時長的預(yù)測精度。

關(guān)鍵詞

工程項目;工期;超限學(xué)習(xí)機(jī);降維;預(yù)測模型

中圖分類號： TM72;F426.61 ? 文獻(xiàn)標(biāo)識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.04.63

0 引言

目前，供電企業(yè)在配網(wǎng)項目工程進(jìn)度管控和工程計劃實時調(diào)整的過程中存在以下難題：一是國家電網(wǎng)對配網(wǎng)工程中各步驟流程的時限沒有明確的標(biāo)準(zhǔn)和規(guī)定，且各地區(qū)配網(wǎng)工程推進(jìn)各有特點，工程中各步驟耗時大不相同，很難以統(tǒng)一的標(biāo)準(zhǔn)來限定，造成公司在工程進(jìn)度的管控中基本依靠經(jīng)驗來判斷“快”和“慢”、“來得及”或者“來不及”，配網(wǎng)工程全過程精益管控很難實現(xiàn);二是由于無法用準(zhǔn)確的數(shù)據(jù)來定量分析工程各階段進(jìn)度的滯后或者超前，導(dǎo)致工程計劃的制定和變更比較粗糙，工程完工的實際耗時與計劃安排大相徑庭;三是公司缺少項目進(jìn)程中對項目總工期的實時預(yù)測能力和超時風(fēng)險評估機(jī)制，造成工程項目超期完工時有發(fā)生。

然而，工期時長的預(yù)測模型的研究并不多見，[1]利用BP神經(jīng)網(wǎng)絡(luò)模型能夠逼近任意復(fù)雜的非線性系統(tǒng)這一特點，建立了一個工程進(jìn)度控制模型，但BP算法有可能陷入局部極值，使訓(xùn)練失敗，并且學(xué)習(xí)速度很慢。[2]利用最小二乘支持向量機(jī)設(shè)計了一種建設(shè)工程項目工序工期的預(yù)測模型。支持向量機(jī)很大程度上簡化了分類和回歸等問題，但由于支持向量機(jī)是借助二次規(guī)劃來求解支持向量，而求解二次規(guī)劃將涉及m階矩陣的計算（m為樣本的個數(shù)），當(dāng)m數(shù)目很大時該矩陣的存儲和計算將耗費大量的機(jī)器內(nèi)存和運(yùn)算時間。[3]通過研究發(fā)現(xiàn)，影響工程進(jìn)度的因素主要有10種，包括工程的前期準(zhǔn)備工作、人力、材料、進(jìn)度安排的精確性、工程進(jìn)展過程中的協(xié)調(diào)、返工、設(shè)備數(shù)量、天氣狀況等各種因素。針對以上問題，并結(jié)合網(wǎng)工程項目工期的因素多，情況復(fù)雜的特點，本文利用超限學(xué)習(xí)機(jī)設(shè)計了一種多步驟降維的方法，提取配網(wǎng)工程項目數(shù)據(jù)樣本的主要因素，得到數(shù)量少但預(yù)測能力強(qiáng)的主要因素，用來建立配網(wǎng)工程項目的預(yù)測模型。能為工程計劃的實時變更提供數(shù)據(jù)支撐，大大減少工程超期完工的可能性，有效提升工程全過程精益化管控能力，加強(qiáng)工程計劃的準(zhǔn)確性，有效降低項目超期風(fēng)險。

1 相關(guān)工作

[4]構(gòu)造了一種命名為“超限學(xué)習(xí)機(jī)”（Extreme learning machine， ELM）的單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該算法中輸入權(quán)和隱層偏置為隨機(jī)生成，僅需求解輸出權(quán)重，因此是一個線性參數(shù)模式（linear-in-the-parameter model），其學(xué)習(xí)過程易于在全局極小值收斂。已知N個學(xué)習(xí)樣本，對包含L個隱層節(jié)點和M個輸出層節(jié)點的超限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練的基本步驟為：

對于給定的N個輸入模式向量x1，x2，…，xN∈Rn和N個相應(yīng)的輸出向量o1，o2，…，oN∈Rm圖1中的N個線性輸出方程可表示為（[5-6]）：

其中輸入權(quán)wi=[wi1，wi2，…，win]T是連接第i個隱層結(jié)點的輸入權(quán)值，輸出權(quán)βi=[βi1，βi2，…，βiL]T是連接第i個隱層結(jié)點的輸出權(quán)值，bi是第i個隱層結(jié)點的偏置，f（wi，bi，x）為第i個隱層節(jié)點的輸出，激活函數(shù)f可以是任意有界的非常量連續(xù)函數(shù)。

本文的第3節(jié)闡述了多步驟降維的具體思路與步驟，第4節(jié)用工程實例來驗證方法的有效性，第5節(jié)對全文進(jìn)行總結(jié)。

2 多步驟降維選主要因素的方法

除了前期準(zhǔn)備工作、人力、材料、進(jìn)度安排的精確性、工程進(jìn)展過程中的協(xié)調(diào)、返工、設(shè)備數(shù)量、天氣狀況等各種共通的因素之外，配網(wǎng)工程項目還有一些獨特的影響因素，我們將高壓線路長度、低壓線路長度、電纜長度、配變?nèi)萘俊⒌乩碚{(diào)整系數(shù)等獨特的因素和工程項目共通的因素合并成一個的影響配網(wǎng)工程項目工期時長的因素集。

選取配網(wǎng)工程項目主要因素的降維算法描述如下：

步1：用上述因素集中的所有因素訓(xùn)練超限學(xué)習(xí)機(jī)分類器，用10折交叉驗證得到分類精度p;

步2：隨機(jī)臨時剔除因素集中的某個因素，重新訓(xùn)練超限學(xué)習(xí)機(jī)分類器，并用10折交叉驗證得到分類精度p;

步3：如果p大于p，則說明被剔除的這個因素對分類結(jié)果有貢獻(xiàn)，應(yīng)該保留;反之則正式剔除;

步4：重復(fù)以上步驟，直到剩下的因素?zé)o法剔除為止;

步5：利用新的因素集訓(xùn)練超限學(xué)習(xí)機(jī)預(yù)測配網(wǎng)工程項目工期時長。

3 實驗

數(shù)據(jù)來源：浙江省麗水市2015年至2017年配網(wǎng)工程項目，天氣數(shù)據(jù)通過麗水統(tǒng)計局網(wǎng)站、中國天氣網(wǎng)、麗水水文信息網(wǎng)等途徑收集。選擇前期準(zhǔn)備工作、人力、材料、進(jìn)度安排的精確性、工程進(jìn)展過程中的協(xié)調(diào)、返工、設(shè)備數(shù)量、天氣狀況、高壓線路長度、低壓線路長度、電纜長度、配變?nèi)萘俊⒌乩碚{(diào)整系數(shù)這13個因素構(gòu)成輸入樣本，對應(yīng)的工期時長（天數(shù)）作為輸出樣本。采用0均值標(biāo)準(zhǔn)化對輸入樣本進(jìn)行歸一化處理。

對于測試集的工期預(yù)測值，我們規(guī)定，如果預(yù)測的工期時長和該項目實際完成的工期時長的相對誤差小于等于10%，則該預(yù)測被認(rèn)為是有效預(yù)測，否則為無效預(yù)測。

實驗中使用的仿真軟件為：python3。Window 7 64位操作系統(tǒng)，Intel Core i3-6100 3.70GHz，8GB內(nèi)存。

實驗采用5-折交叉驗證法，運(yùn)行50次。

配網(wǎng)工程項目數(shù)據(jù)集經(jīng)過多步剔除因素的過程，工期預(yù)測精度達(dá)到85%，主要因素減至5個，分別是進(jìn)度安排的精確性、設(shè)備數(shù)量、天氣狀況、電纜長度、配變?nèi)萘俊?/p>

4 小結(jié)

本文提出了一種降維的特征方法，提取樣本的主要因素，并將該方法用于配網(wǎng)工程項目的工期時長的預(yù)測當(dāng)中，通過工程實例數(shù)據(jù)的測試表明，該方法是有效的，能夠有效提高配網(wǎng)工程項目的工期時長的預(yù)測的準(zhǔn)確率。

參考文獻(xiàn)

[1]孫斌.基于神經(jīng)網(wǎng)絡(luò)BP模型的建筑項目工程進(jìn)度控制[J].科技風(fēng)，2009，16：253-254.

[2]祁神軍，張云波，丁烈云.建設(shè)工程項目工序的LS-SVM工期預(yù)測模型[J].華僑大學(xué)學(xué)報（自然科學(xué)版），2010，31（5）：562-565.

[3]BORERO L F， ALVAREZ M E， Last planner： An advance in planning and controlling construction projects： Case study in the city of Medellin[C].Proc of the 4th Brazilian Symposium on Construction Management and Economics. Porto Alegre： ?[s. n.]， 2005， 1-9.

[4]HUANG G B， ZHU Q Y， SIEW C K， Extreme learning machine： Theory and applications [J].Neurocomputing， 2006，70（1-3）， 489-501.

[5]盧誠波，梅穎.前饋網(wǎng)絡(luò)的一種高精度魯棒在線貫序?qū)W習(xí)算法[J].上海交通大學(xué)學(xué)報（自然版），2015，49（08）：1137-1143.

[6]梅穎，盧誠波.面向不平衡數(shù)據(jù)流的自適應(yīng)加權(quán)在線超限學(xué)習(xí)機(jī)算法[J].模式識別與人工智能，2019（2），144-150.