一种基于清单项目特征值的工程单价快速计算方法及系统

摘要

本发明公开了一种基于清单项目特征值的工程单价快速计算方法及系统，包括：构建历史项目工程的三维立体模型中各施工项目的特征数据作为第一特征；将历史项目工程中的指标数据进行结构化存储，形成造价成果数据库；预估目标项目工程所属类别工程的特征指标以及特征数据作为第二特征；使用欧氏距离计算方法计算目标工程单价在造价成果数据库中各类项目工程的差异情况；筛选出造价成果数据库中差异最小的项目工程，计算与目标工程单价相关性最高的影响系数作为最佳系数生成目标项目工程的目标工程单价分析表，通过目标工程单价分析表计算得到目标项目工程的工程单价即目标工程单价。通过快速计算工程单价，提高了项目工程造价的工作速率。

权利要求

1.一种基于清单项目特征值的工程单价快速计算方法，其特征在于，包括：S100：获取历史项目工程中的技术经济指标数据，根据历史项目工程所在行业的专业类别建立特征体系指标，构建历史项目工程的三维立体模型，通过关键词提取的方式获取三维立体模型中各施工项目的特征数据作为第一特征；

S200：根据第一特征值设定施工组织以及指标体系规范进行造价成果数据整理，将历史项目工程中的指标数据进行结构化存储，形成造价成果数据库；

S300：获取目标项目工程施工情况以及专业类别，预估目标项目工程所属类别工程的特征指标以及特征数据作为第二特征；

还包括：

S400：设置目标项目工程中目标工程单价受各经济指标的影响系数，获取所述第二特征中的特征数据构建欧氏空间，使用欧氏距离计算方法计算目标工程单价在所述造价成果数据库中各类项目工程的差异情况；

S500：筛选出造价成果数据库中差异最小的项目工程，构建指标计算模型并进行反复训练，计算与目标工程单价相关性最高的影响系数作为最佳系数；

S600：获取目标项目工程的相似项目工程，并根据最佳系数生成目标项目工程的目标工程价分析表，通过目标工程单价分析表计算得到目标项目工程的工程单价即目标工程单价；

步骤S200中，所述造价成果数据库，包括：

S201：收集历史项目工程中不同种类的案例工程，并对案例工程进行工程信息提取作为造价指标数据；

S202：对造价指标数据进行预处理，包括历史项目工程中不可竞争费用处理以及缺失值处理；将处理后的造价指标数据纳入造价成果数据库中，造价成果数据库中包括对历史项目工程的特征描述，用于使目标项目工程有选择性的进行检索并模拟与历史项目工程进行特征匹配；

S203：将造价指标数据进行归一化处理，用于对造价指标数据进行精度测算，使造价成果数据库达到预设的数据标准化阈值。

2.根据权利要求1所述的一种基于清单项目特征值的工程单价快速计算方法，其特征在于，步骤S600中，所述根据最佳系数生成目标项目工程的目标工程单价分析表，包括：S601：构建基于神经网络的工程单价测算模型，选取影响造价结果的因素作为关键特征指标，通过在工程单价测算模型中输入目标项目工程相应的关键特征指标数值得到预设的预制率；

S602：在神经网络中设置隐含层，对关键特征指标数据进行处理和变换，并映射出所述预制率的计算函数；

S603：设置隐含层的神经元结点，且每个神经元节点中含有若干个权值，通过确定神经网络的网络结构，计算工程单价测算模型的精准度。

3.根据权利要求2所述的一种基于清单项目特征值的工程单价快速计算方法，其特征在于，步骤S601中，所述选取影响造价结果的因素作为关键特征指标，包括：S6011：获取工程单价测算模型中的关键特征指标，目标项目工程中包含若干个关键特征指标，使用遗传算法对关键特征指标的数值进行优化；

S6012：将关键特征指标中的每一项数值进行编码，并确定初始化群组，使用适应度函数对关键特征指标中优化的数值进行评分，并通过若干个迭代的过程，不断提高评分分数；

S6013：获取历史项目工程中的关键特征指标，将目标项目工程中优化完成的数值进行训练，不断降低与历史项目工程中关键特征指标的误差，直到误差达到预设的范围内。

4.一种基于清单项目特征值的工程单价快速计算系统，其特征在于，包括：模型建立模块：获取历史项目工程中的技术经济指标数据，根据历史项目工程所在行业的专业类别建立特征体系指标，构建历史项目工程的三维立体模型，通过关键词提取的方式获取三维立体模型中各施工项目的特征数据作为第一特征；

结构存储模块：根据第一特征值设定施工组织以及指标体系规范进行造价成果数据整理，将历史项目工程中的指标数据进行结构化存储，形成造价成果数据库；

类别特征模块：获取目标项目工程施工情况以及专业类别，预估目标项目工程所属类别工程的特征指标以及特征数据作为第二特征；

还包括：

差异计算模块：设置目标项目工程中目标工程单价受各经济指标的影响系数，获取所述第二特征中的特征数据构建欧氏空间，使用欧氏距离计算方法计算目标工程单价在所述造价成果数据库中各类项目工程的差异情况；

模型构建模块：筛选出造价成果数据库中差异最小的项目工程，构建指标计算模型并进行反复训练，用于计算与目标工程单价相关性最高的影响系数作为最佳系数；

项目分析模块：获取目标项目工程的相似项目工程，并根据最佳系数生成目标项目工程的目标工程单价分析表，通过目标工程单价分析表计算得到目标项目工程的工程单价即目标工程单价；

所述造价成果数据库，包括：

造价指标子模块：收集历史项目工程中不同种类的案例工程，并对案例工程进行工程信息提取作为造价指标数据；

预处理子模块：对造价指标数据进行预处理，包括历史项目工程中不可竞争费用处理以及缺失值处理；将处理后的造价指标数据纳入造价成果数据库中，造价成果数据库中包括对历史项目工程的特征描述，用于使目标项目工程有选择性的进行检索并模拟与历史项目工程进行特征匹配；

归一化处理子模块：将造价指标数据进行归一化处理，用于对造价指标数据进行精度测算，使造价成果数据库达到预设的数据标准化阈值。

5.根据权利要求4所述的一种基于清单项目特征值的工程单价快速计算系统，其特征在于，所述根据最佳系数生成目标项目工程的目标工程单价分析表，包括：指标计算子模块：构建基于神经网络的工程单价测算模型，选取影响造价结果的因素作为关键特征指标，通过在工程单价测算模型中输入目标项目工程相应的关键特征指标数值得到预设的预制率；

隐含层处理子模块：在神经网络中设置隐含层，对关键特征指标数据进行处理和变换，并映射出所述预制率的计算函数；

精度计算子模块：设置隐含层的神经元结点，且每个神经元节点中含有若干个权值，通过确定神经网络的网络结构，计算工程单价测算模型的精准度。

6.根据权利要求5所述的一种基于清单项目特征值的工程单价快速计算系统，其特征在于，所述选取影响造价结果的因素作为关键特征指标，包括：优化子模块：获取工程单价测算模型中的关键特征指标，目标项目工程中包含若干个关键特征指标，使用遗传算法对关键特征指标的数值进行优化；

评分子模块：将关键特征指标中的每一项数值进行编码，并确定初始化群组，使用适应度函数对关键特征指标中优化的数值进行评分，并通过若干个迭代的过程，不断提高评分分数；

训练子模块：获取历史项目工程中的关键特征指标，将目标项目工程中优化完成的数值进行训练，不断降低与历史项目工程中关键特征指标的误差，直到误差达到预设的范围内。

说明书

一种基于清单项目特征值的工程单价快速计算方法及系统

技术领域

[0001] 本发明涉及工程造价技术，具体涉及一种基于清单项目特征值的工程单价快速计算方法及系统。

背景技术

[0002] 在现阶段，工程造价人员在进行工程单价的估算时，需要定期更新国家或者行业发布的庞大定额编归数据，并且按照造价编制的的步骤，进行定额匹配、调整和各项参数编制，才能完成一个工程单价的计算，但是计算过程比较繁琐，而且，由于施工工艺的改进和先进机械设备的投入使用，还会拉大估算数据与实测数据的偏差，为了降低偏差填写错误将对整体结果造成较大影响，急需提升主要单价快速估价场景下的估价速度和数据准确率。

发明内容

[0003] 本发明提供基于清单特征项目特征值的工程单价快速计算方法及系统，以解决现有技术中存在的上述问题。

[0004] 一种基于清单项目特征值的工程单价快速计算方法，其特征在于，包括：

[0005] S100：获取历史项目工程中的技术经济指标数据，根据历史项目工程所在行业的专业类别建立特征体系指标，构建历史项目工程的三维立体模型，通过关键词提取的方式获取三维立体模型中各施工项目的特征数据作为第一特征；

[0006] S200：根据第一特征值设定施工组织以及指标体系规范进行造价成果数据整理，将历史项目工程中的指标数据进行结构化存储，形成造价成果数据库；

[0007] S300：获取目标项目工程施工情况以及专业类别，预估目标项目工程所属类别工程的特征指标以及特征数据作为第二特征。

[0008] 优选的，一种基于清单项目特征值的工程单价快速计算方法，还包括：

[0009] S400：设置目标项目工程中目标工程单价受各经济指标的影响系数，获取所述第二特征中的特征数据构建欧氏空间，使用欧氏距离计算方法计算目标工程单价在所述造价成果数据库中各类项目工程的差异情况；

[0010] S500：筛选出造价成果数据库中差异最小的项目工程，构建指标计算模型并进行反复训练，计算与目标工程单价相关性最高的影响系数作为最佳系数；

[0011] S600：获取目标项目工程的相似项目工程，并根据最佳系数生成目标项目工程的目标工程价分析表，通过目标工程单价分析表计算得到目标项目工程的工程单价即目标工程单价。

[0012] 优选的，步骤S200中，所述造价成果数据库，包括：

[0013] S201：收集历史项目工程中不同种类的案例工程，并对案例工程进行工程信息提取作为造价指标数据；

[0014] S202：对造价指标数据进行预处理，包括历史项目工程中不可竞争费用处理以及缺失值处理；将处理后的造价指标数据纳入造价成果数据库中，造价成果数据库中包括对历史项目工程的特征描述，用于使目标项目工程有选择性的进行检索并模拟与历史项目工程进行特征匹配；

[0015] S203：将造价指标数据进行归一化处理，用于对造价指标数据进行精度测算，使造价成果数据库达到预设的数据标准化阈值。

[0016] 优选的，步骤S600中，所述根据最佳系数生成目标项目工程的目标工程单价分析表，包括：

[0017] S601：构建基于神经网络的工程单价测算模型，选取影响造价结果的因素作为关键特征指标，通过在工程单价测算模型中输入目标项目工程相应的关键特征指标数值得到预设的预制率；

[0018] S602：在神经网络中设置隐含层，对关键特征指标数据进行处理和变换，并映射出所述预制率的计算函数；

[0019] S603：设置隐含层的神经元结点，且每个神经元节点中含有若干个权值，通过确定神经网络的网络结构，计算工程单价测算模型的精准度。

[0020] 优选的，步骤S601中，所述选取影响造价结果的因素作为关键特征指标，包括：

[0021] S6011：获取工程单价测算模型中的关键特征指标，目标项目工程中包含若干个关键特征指标，使用遗传算法对关键特征指标的数值进行优化；

[0022] S6012：将关键特征指标中的每一项数值进行编码，并确定初始化群组，使用适应度函数对关键特征指标中优化的数值进行评分，并通过若干个迭代的过程，不断提高评分分数；

[0023] S6013：获取历史项目工程中的关键特征指标，将目标项目工程中优化完成的数值进行训练，不断降低与历史项目工程中关键特征指标的误差，直到误差达到预设的范围内。

[0024] 一种基于清单项目特征值的工程单价快速计算系统，其特征在于，包括：

[0025] 模型建立模块：获取历史项目工程中的技术经济指标数据，根据历史项目工程所在行业的专业类别建立特征体系指标，构建历史项目工程的三维立体模型，通过关键词提取的方式获取三维立体模型中各施工项目的特征数据作为第一特征；

[0026] 结构存储模块：根据第一特征值设定施工组织以及指标体系规范进行造价成果数据整理，将历史项目工程中的指标数据进行结构化存储，形成造价成果数据库；

[0027] 类别特征模块：获取目标项目工程施工情况以及专业类别，预估目标项目工程所属类别工程的特征指标以及特征数据作为第二特征。

[0028] 优选的，一种基于清单项目特征值的工程单价快速计算系统，还包括：

[0029] 差异计算模块：设置目标项目工程中目标工程单价受各经济指标的影响系数，获取所述第二特征中的特征数据构建欧氏空间，使用欧氏距离计算方法计算目标工程单价在所述造价成果数据库中各类项目工程的差异情况；

[0030] 模型构建模块：筛选出造价成果数据库中差异最小的项目工程，构建指标计算模型并进行反复训练，用于计算与目标工程单价相关性最高的影响系数作为最佳系数；

[0031] 项目分析模块：获取目标项目工程的相似项目工程，并根据最佳系数生成目标项目工程的目标工程单价分析表，通过目标工程单价分析表计算得到目标项目工程的工程单价即目标工程单价。

[0032] 优选的，所述造价成果数据库，包括：

[0033] 造价指标子模块：收集历史项目工程中不同种类的案例工程，并对案例工程进行工程信息提取作为造价指标数据；

[0034] 预处理子模块：对造价指标数据进行预处理，包括历史项目工程中不可竞争费用处理以及缺失值处理；将处理后的造价指标数据纳入造价成果数据库中，造价成果数据库中包括对历史项目工程的特征描述，用于使目标项目工程有选择性的进行检索并模拟与历史项目工程进行特征匹配；

[0035] 归一化处理子模块：将造价指标数据进行归一化处理，用于对造价指标数据进行精度测算，使造价成果数据库达到预设的数据标准化阈值。

[0036] 优选的，所述根据最佳系数生成目标项目工程的目标工程单价分析表，包括：

[0037] 指标计算子模块：构建基于神经网络的工程单价测算模型，选取影响造价结果的因素作为关键特征指标，通过在工程单价测算模型中输入目标项目工程相应的关键特征指标数值得到预设的预制率；

[0038] 隐含层处理子模块：在神经网络中设置隐含层，对关键特征指标数据进行处理和变换，并映射出所述预制率的计算函数；

[0039] 精度计算子模块：设置隐含层的神经元结点，且每个神经元节点中含有若干个权值，通过确定神经网络的网络结构，计算工程单价测算模型的精准度。

[0040] 优选的，所述选取影响造价结果的因素作为关键特征指标，包括：

[0041] 优化子模块：获取工程单价测算模型中的关键特征指标，目标项目工程中包含若干个关键特征指标，使用遗传算法对关键特征指标的数值进行优化；

[0042] 评分子模块：将关键特征指标中的每一项数值进行编码，并确定初始化群组，使用适应度函数对关键特征指标中优化的数值进行评分，并通过若干个迭代的过程，不断提高评分分数；

[0043] 训练子模块：获取历史项目工程中的关键特征指标，将目标项目工程中优化完成的数值进行训练，不断降低与历史项目工程中关键特征指标的误差，直到误差达到预设的范围内。

[0044] 与现有技术相比，本发明具有以下优点：

[0045] 本发明提供一种基于清单项目特征值的工程单价快速计算方法及系统，通过历史数据的积累，按照欧式距离计算方法获取相似项目单价分析表，实现工程单价估算有据可循，通过遗传算法的优化实现精确估价；通过对传统估价操作步骤简化，大大减少了估价过程中的集中工作量，同时降低了复杂操作步骤和众多系数编制出错的概率，真正实现快速估价；对传统估价过程中繁琐步骤的简化还可以降低工程单价估价的技术门槛，只要熟悉工程施工项目的重要特性，就可以按照本方法进行快速估价。

[0046] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

[0047] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

[0048] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

[0049] 图1为本发明实施例中一种基于清单项目特征值的快速计算方法的结构图；

[0050] 图2为本发明实施例中一种基于清单项目特征值的快速计算方法的造价成果数据库的构建步骤；

[0051] 图3为本发明实施例中一种基于清单项目特征值的快速计算系统中，生成目标工程单价分析表的构建模块图。

具体实施方式

[0052] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

[0053] 本发明实施例提供了一种基于清单项目特征值的快速计算方法，包括：

[0054] S100：获取历史项目工程中的技术经济指标数据，根据历史项目工程所在行业的专业类别建立特征体系指标，构建历史项目工程的三维立体模型，通过关键词提取的方式获取三维立体模型中各施工项目的特征数据作为第一特征；

[0055] S200：根据第一特征值设定施工组织以及指标体系规范进行造价成果数据整理，将历史项目工程中的指标数据进行结构化存储，形成造价成果数据库；

[0056] S300：获取目标项目工程施工情况以及专业类别，预估目标项目工程所属类别工程的特征指标以及特征数据作为第二特征。

[0057] 上述技术方案的工作原理为：本实施例采用的方案是，将需要计算工程单价的项目工程作为目标项目工程，获取历史项目工程中的技术经济指标数据，其中技术经济指标数据包括目标项目工程中的建筑密度、绿化系数、体积系数、消耗指数、单位成本、费用占比等所用到的费用指标，获取目标项目工程所在行业以及专业的类别特征。建立历史项目工程建立特征体系指标，构建历史项目的三维立体模型，通过关键词提取、网络技术爬虫的方式获取历史项目工程的特征值，提取三维立体模型中的各施工项目的特证数据作为第一特征值。获取目标项目工程的施工情况以及专业类别，预估目标项目工程所述相别工程的特征指标以及特征数据作为第二特征。

[0058] 在另一实施例中，一种基于清单项目特征值的工程单价快速计算方法，还包括[0059] S400：设置目标项目工程中目标工程单价受各经济指标的影响系数，获取所述第二特征中的特征数据构建欧氏空间，使用欧氏距离计算方法计算目标工程单价在所述造价成果数据库中各类项目工程的差异情况；

[0060] S500：筛选出造价成果数据库中差异最小的项目工程，构建指标计算模型并进行反复训练，用于计算与目标工程单价相关性最高的影响系数作为最佳系数；

[0061] S600：获取目标项目工程的相似项目工程，并根据最佳系数生成目标项目工程的目标工程单价分析表，通过目标工程单价分析表计算得到目标项目工程的工程单价即目标工程单价。

[0062] 上述技术方案的工作原理为：本实施例采用的方案是，根据在对目标工程项目进行估价时，使用第二特征中的特征数据构建欧式空间，使用欧氏距离计算方法计算目标工程单价在造价成果数据库中的各类项目的差异情况，公式如下：

[0063]

[0064] 其中，n表示造价成果数据库中所有项目工程的数量，x表示目标项目工程中的特征值，xi表示历史项目工程中的相似特征值，pi表示每个目标项目工程的影响系数，最终计算得到与目标项目工程的目标工程单价差异最小的历史项目工程。

[0065] 从造价成果数据库中筛选出差异最小的工程项目，建立指标计算模型，按照业务要求对指标计算模型进行反复训练，按照三维立体模型中的特征体系指标，寻找最贴近目标项目中目标造价的影响系数，对指标计算模型进行完善。使用指标计算模型获取与目标项目工程差异性最小的相似项目工程，获取相似项目工程的单价组成、数量、计算系数、特征值、取费方法等结构化数据，生成目标工程单价分析表，根据需要进行工程单价计算影响系数并进行调整，将目标项目中的各种基础单价带入目标工程单价分析表中，计算目标项目工程的工程单价。

[0066] 上述技术方案的有益效果为：采用本实施例提供的方案，通过历史项目工程中特征数据的积累，按照项目相似的算法获取目标工程单价分析表，实现项目工程单价估算有迹可循，并优化实现精确估价。

[0067] 在另一实施例中，步骤S200中，所述造价成果数据库，包括：

[0068] S201：收集历史项目工程中不同种类的案例工程，并对案例工程进行工程信息提取作为造价指标数据；

[0069] S202：对造价指标数据进行预处理，包括历史项目工程中不可竞争费用处理以及缺失值处理；将处理后的造价指标数据纳入造价成果数据库中，造价成果数据库中包括对历史项目工程的特征描述，用于使目标项目工程有选择性的进行检索并模拟与历史项目工程进行特征匹配；

[0070] S203：将造价指标数据进行归一化处理，用于对造价指标数据进行精度测算，使造价成果数据库达到预设的数据标准化阈值。

[0071] 上述技术方案的工作原理为：本实施例采用的方案是，在建筑项目工程的测算中，通过目标测算，使用项目工程特征指标的方式使用收集不同建筑类型的案例项目工程，并建立项目工程的特征指标与造价指标样本的矩阵，用于对特征指标定量化。对数据中的不可竞争费用以及缺失值进行处理，其中不可竞争费用，例如税金，包括人工费、材料费、施工机使用费、企业管理费、利润以及规费的总和乘以综合税率，用于通过计算得到样本数据对项目工程的工程造价指标测算。缺失值产生的原因有很多，通常包括机械原因，如因数据存储的不完善，人为原因如在搜集过程中，因为个人的失误导致数据缺失，需要对造价成果数据库中的缺失值进行处理。处理方案主要通过删掉有缺失值的案例项目工程，或者使用插补法对缺失值进行处理，包括中位数、众数以及平均数等方法。造价成果数据库，具有集成和共享的特点，

[0072] 建立项目工程的特征指标就是在造价成果数据库中存储案例项目工程的过程。在造价成果数据库中对案例项目工程进行整体描述，根据造价成果数据库，可分为网状数据库、关系型数据库、面向对象型数据库，通过对造价成果数据库的结构体系进行汇总分类，确保造价成果数据库中有足够多的项目工程，便于优选择性的进行检索并与拟建工程进行匹配。最后对样本数据进行归一化处理，通过无量纲化处理，使样本数据与测算数据进行归一化，用于测算样本数据的精度。

[0073] 上述技术方案的有益效果为：采用本实施例提供的方案，通过对样本数据进行数据搜集，以及对样本书进行预处理、构建造价成果数据库，并进行归一化处理，完善了造价流程体系。

[0074] 在另一实施例中，步骤S600中，所述根据最佳系数生成目标项目工程的目标工程单价分析表，包括：

[0075] S601：构建基于神经网络的工程单价测算模型，选取影响造价结果的因素作为关键特征指标，通过在工程单价测算模型中输入目标项目工程相应的关键特征指标数值得到预设的预制率；

[0076] S602：在神经网络中设置隐含层，对关键特征指标数据进行处理和变换，并映射出所述预制率的计算函数；

[0077] S603：设置隐含层的神经元结点，且每个神经元节点中含有若干个权值，通过确定神经网络的网络结构，计算工程单价计算模型的精准度。

[0078] 上述技术方案的工作原理为：本实施例采用的方案是，构建基于神经网络的工程单价测算模型，选取影响造价最直接的因素作为关键特征指标，以石方洞挖为例，关键特征指标有开挖断面、运距以及工作面长度。通过在工程单价计算模型中输入相应的关键特征指标为计算预制构件的预制率和单方面的增量数值作为输入层，目标项目工程通过输入关键特征指标的数值得到预制构件的预制率。在神经网络中设置隐含层，神经网络层数的选取直接影响到神经网络函数的逼近能力和适应能力。隐含层是工程单价测算模型的中间部分，其作用是对信息的处理和变换，在网络结构设计中采用单层的隐含层结构即可以映射出所有神经网络中的函数。

[0079] 设计隐含层的神经元节点，隐含层的神经元节点用于从关键特征指标数据中提取隐含的内在规律，通过神经元节点和神经网络中各个节点的映射，并且每个隐含层的神经元节点都含有若干个权值，因此需隐含层神经网络神经元节点点数的确定是网络结构的关键，并且影响工程单价计算模型的精准度。

[0080] 设置工程单价测算模型的输出层作为工程单价测算模型的计算结果值，并完成对工程单价的关键特征指标进行预测。

[0081] 上述技术方案的有益效果为：采用本实施例提供的方案，通过神经网络的构建，使工程单价的计算精准度更高。

[0082] 在另一实施例中，步骤S601中，所述选取影响造价结果的因素作为关键特征指标，包括：

[0083] S6011：获取工程单价测算模型中的关键特征指标，目标项目工程中包含若干个关键特征指标，使用遗传算法对关键特征指标的数值进行优化；

[0084] S6012：将关键特征指标中的每一项数值进行编码，并确定初始化群组，使用适应度函数对关键特征指标中优化的数值进行评分，并通过若干个迭代的过程，不断提高评分分数；

[0085] S6013：获取历史项目工程中的关键特征指标，将目标项目工程中优化完成的数值进行训练，不断降低与历史项目工程中关键特征指标的误差，直到误差达到预设的范围内。

[0086] 上述技术方案的工作原理为：本实施例采用的方案是，获取工程单价测算模型初始的关键特征指标，在目标项目工程中，含有若干个关键特征指标，通过使用遗传算法对关键特征指标的数值进行计算。对关键特征指标中的每一项数值进行编码，使用二进制编码的方式得到关键特征指标数值的唯一编码，且二进制编码方式最简单方便。继续确定关键特征指标数值的初始群组，初始群组作为遗传算法初始解的集合，群组的规模大小影响遗传算法的收敛速度与可行精度。

[0087] 通过适应度函数对群组进行适应性进化，适应度越大，群组的适应能力越强，计算公式如下：

[0088]

[0089] 其中，M为目标项目工程中的样本数据，j代表一个样本数据个体， 为样本数据个体的适应度，适应度的选择根据神经网络的实际输出与期望输出确定，p、pj分别为期望输出值与实际输出值，N为群组中样本数据个体的数目， 的值越大，代表适应度越强。H则为计算得到的某一个样本数据个体被选中为关键特征指标的概率。

[0090] 上述技术方案的有益效果为：采用本实施例提供的方案，通过遗传算法优化关键特征指标，使工程单价的计算更加准确。

[0091] 在另一实施例中，一种基于清单特征项目的工程单价快速计算系统，包括：

[0092] 模型建立模块：获取历史项目工程中的技术经济指标数据，根据历史项目工程所在行业的专业类别建立特征体系指标，构建历史项目工程的三维立体模型，通过关键词提取的方式获取三维立体模型中各施工项目的特征数据作为第一特征；

[0093] 结构存储模块：根据第一特征值设定施工组织以及指标体系规范进行造价成果数据整理，将历史项目工程中的指标数据进行结构化存储，形成造价成果数据库；

[0094] 类别特征模块：获取目标项目工程施工情况以及专业类别，预估目标项目工程所属类别工程的特征指标以及特征数据作为第二特征。

[0095] 上述技术方案的工作原理为：本实施例采用的方案是，项目工程中的公司通过系统注册为新用户用于计算工程单价，在系统中，通过模型建立模块将需要计算工程单价的项目工程作为目标项目工程，获取历史项目工程中的技术经济指标数据，其中技术经济指标数据包括目标项目工程中的建筑密度、绿化系数、体积系数、消耗指数、单位成本、费用占比等所用到的费用指标，获取目标项目工程所在行业以及专业的类别特征。建立历史项目工程建立特征体系指标，构建历史项目的三维立体模型，通过关键词提取、网络技术爬虫的方式获取历史项目工程的特征值，提取三维立体模型中的各施工项目的特证数据作为第一特征值。构建结构存储模块，通过形成造价成果数据库，用于将历史项目中的指标数据进行结构化存储。在类别特征模块中，获取目标项目工程的施工情况以及专业类别，预估目标项目工程所述相别工程的特征指标以及特征数据作为第二特征。

[0096] 上述技术方案的有益效果为：采用本实施例提供的方案，通过建立第一区别特征与第二区别特征，使工程单价计算更加准确。

[0097] 在另一实施例中，一种基于清单项目特征值的工程单价快速计算系统，还包括：

[0098] 差异计算模块：设置目标项目工程中目标工程单价受各经济指标的影响系数，获取所述第二特征中的特征数据构建欧氏空间，使用欧氏距离计算方法计算目标工程单价在所述造价成果数据库中各类项目工程的差异情况；

[0099] 模型构建模块：筛选出造价成果数据库中差异最小的项目工程，构建指标计算模型并进行反复训练，用于计算与目标工程单价相关性最高的影响系数作为最佳系数；

[0100] 项目分析模块：获取目标项目工程的相似项目工程，并根据最佳系数生成目标项目工程的目标工程单价分析表，通过目标工程单价分析表计算得到目标项目工程的工程单价即目标工程单价。

[0101] 上述技术方案的工作原理为，从造价成果数据库中筛选出差异最小的工程项目，通过模型构建模块建立指标计算模型，按照业务要求对指标计算模型进行反复训练，按照三维立体模型中的特征体系指标，寻找最贴近目标项目中目标造价的影响系数，对指标计算模型进行完善。使用指标计算模型获取与目标项目工程差异性最小的相似项目工程，获取相似项目工程的单价组成、数量、计算系数、特征值、取费方法等结构化数据，通过项目分析模块生成目标工程单价分析表，根据需要进行工程单价计算影响系数并进行调整，将目标项目中的各种基础单价带入目标工程单价分析表中，计算目标项目工程的工程单价。

[0102] 上述技术方案的有益效果为：采用本实施例提供的方案，通过历史项目工程中特征数据的积累，按照项目相似的算法获取目标工程单价分析表，实现项目工程单价估算有迹可循，并优化实现精确估价。

[0103] 在另一实施例中，所述造价成果数据库，包括：

[0104] 造价指标子模块：收集历史项目工程中不同种类的案例工程，并对案例工程进行工程信息提取作为造价指标数据；

[0105] 预处理子模块：对造价指标数据进行预处理，包括历史项目工程中不可竞争费用处理以及缺失值处理；将处理后的造价指标数据纳入造价成果数据库中，造价成果数据库中包括对历史项目工程的特征描述，用于使目标项目工程有选择性的进行检索并模拟与历史项目工程进行特征匹配；

[0106] 归一化处理子模块：将造价指标数据进行归一化处理，用于对造价指标数据进行精度测算，使造价成果数据库达到预设的数据标准化阈值。

[0107] 上述技术方案的工作原理为：本实施例采用的方案是，在建筑项目工程的测算中，通过目标测算，使用项目工程特征指标的方式使用收集不同建筑类型的案例项目工程，并建立项目工程的特征指标与造价指标样本的矩阵，用于对特征指标定量化。对数据中的不可竞争费用以及缺失值进行处理，其中不可竞争费用，例如税金，包括人工费、材料费、施工机使用费、企业管理费、利润以及规费的总和乘以综合税率，用于通过计算得到样本数据对项目工程的工程造价指标测算。缺失值产生的原因有很多，通常包括机械原因，如因数据存储的不完善，人为原因如在搜集过程中，因为个人的失误导致数据缺失，需要对造价成果数据库中的缺失值进行处理。处理方案主要通过删掉有缺失值的案例项目工程，或者使用插补法对缺失值进行处理，包括中位数、众数以及平均数等方法。造价成果数据库，具有集成和共享的特点，

[0108] 建立项目工程的特征指标就是在造价成果数据库中存储案例项目工程的过程。在造价成果数据库中对案例项目工程进行整体描述，根据造价成果数据库，可分为网状数据库、关系型数据库、面向对象型数据库，通过对造价成果数据库的结构体系进行汇总分类，确保造价成果数据库中有足够多的项目工程，便于优选择性的进行检索并与拟建工程进行匹配。最后对样本数据进行归一化处理，通过无量纲化处理，使样本数据与测算数据进行归一化，用于测算样本数据的精度。

[0109] 上述技术方案的有益效果为：采用本实施例提供的方案，通过对样本数据进行数据搜集，以及对样本书进行预处理、构建造价成果数据库，并进行归一化处理，完善了造价流程体系。

[0110] 在另一实施例中，所述根据最佳系数生成目标项目工程的目标工程单价分析表，包括：

[0111] 指标计算子模块：构建基于神经网络的工程单价测算模型，选取影响造价结果的因素作为关键特征指标，通过在工程单价测算模型中输入目标项目工程相应的关键特征指标数值得到预设的预制率；

[0112] 隐含层处理子模块：在神经网络中设置隐含层，对关键特征指标数据进行处理和变换，并映射出所述预制率的计算函数；

[0113] 精度计算子模块：设置隐含层的神经元结点，且每个神经元节点中含有若干个权值，通过确定神经网络的网络结构，计算工程单价测算模型的精准度。

[0114] 上述技术方案的工作原理为：本实施例采用的方案是，本实施例采用的方案是，构建基于神经网络的工程单价测算模型，选取影响造价最直接的因素作为关键特征指标，以石方洞挖为例，关键特征指标有开挖断面、运距以及工作面长度。通过在工程单价计算模型中输入相应的关键特征指标为计算预制构件的预制率和单方面的增量数值作为输入层，目标项目工程通过输入关键特征指标的数值得到预制构件的预制率。在神经网络中设置隐含层，神经网络层数的选取直接影响到神经网络函数的逼近能力和适应能力。隐含层是工程单价测算模型的中间部分，其作用是对信息的处理和变换，在网络结构设计中采用单层的隐含层结构即可以映射出所有神经网络中的函数。

[0115] 设计隐含层的神经元节点，隐含层的神经元节点用于从关键特征指标数据中提取隐含的内在规律，通过神经元节点和神经网络中各个节点的映射，并且每个隐含层的神经元节点都含有若干个权值，因此需隐含层神经网络神经元节点点数的确定是网络结构的关键，并且影响工程单价测算模型的精准度。

[0116] 设置工程单价测算模型的输出层作为工程单价测算模型的计算结果值，并完成对工程单价的关键特征指标进行预测。

[0117] 上述技术方案的有益效果为：采用本实施例提供的方案，采用本实施例提供的方案，通过神经网络的构建，使工程单价的计算精准度更高。

[0118] 在另一实施例中，所述选取影响造价结果的因素作为关键特征指标，包括：

[0119] 优化子模块：获取工程单价测算模型中的关键特征指标，目标项目工程中包含若干个关键特征指标，使用遗传算法对关键特征指标的数值进行优化；

[0120] 评分子模块：将关键特征指标中的每一项数值进行编码，并确定初始化群组，使用适应度函数对关键特征指标中优化的数值进行评分，并通过若干个迭代的过程，不断提高评分分数；

[0121] 训练子模块：获取历史项目工程中的关键特征指标，将目标项目工程中优化完成的数值进行训练，不断降低与历史项目工程中关键特征指标的误差，直到误差达到预设的范围内。

[0122] 上述技术方案的工作原理为：本实施例采用的方案是，在优化子模块中，获取工程单价测算模型初始的关键特征指标，在目标项目工程中，含有若干个关键特征指标，通过使用遗传算法对关键特征指标的数值进行计算。通过评分子模块对关键特征指标中的每一项数值进行编码，使用二进制编码的方式得到关键特征指标数值的唯一编码，且二进制编码方式最简单方便。在训练子模块中继续确定关键特征指标数值的初始群组，初始群组作为遗传算法初始解的集合，群组的规模大小影响遗传算法的收敛速度与可行精度。

[0123] 上述技术方案的有益效果为：采用本实施例提供的方案，通过遗传算法优化关键特征指标，使工程单价的计算更加准确。

[0124] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。