一种价格确定模型及其构建方法

技术领域

本发明具体涉及一种价格确定模型及其构建方法，具体应用在输变电工程铁塔材料价格确定，属于数据处理技术领域。

背景技术

面对社会经济的不断发展，日益复杂的外部建设环境，对电网基建工程管理提出了更大的挑战。在工程评审过程中，设备材料价格一般依次依据合同价格、市场信息价格、电网工程设备材料信息价计列；若出现一些新材料、新设备，缺乏必要的计价依据，一般需要参照近期工程同类设备中标价或市场询价计列，常常会导致计价与工程实际成本出现较大偏差的现象，影响公司资金优化配置及使用效率。在市场经济条件下，新设备、新材料价格除去受自身成本的影响以外，还要受到诸如区域经济发展水平、产业政策、行业垄断等因素的影响，因此，定价方式较为困难，传统定价方式更多依靠人工经验或者简单统计方式，定价科学性有待提升。

发明内容

为解决现有技术中存在的问题，本发明提供一种价格确定模型构建方法，从市场、宏观经济及政策等多方面探究设备材料价格影响因素，利用影响因素挖掘与分析技术对影响设备材料价格的因素进行深度分析，然后结合数据处理技术，构建基于遗传算法优化的神经网络预测分析模型，并对模型预测效果进行评估，实现对设备材料价格的变化趋势进行正确把握，加强设备材料价格分析与定价工作，以助于合理估计电力工程造价，优化投资策略，降低工程投资风险。

本发明的技术方案如下：

本发明提供一种价格确定模型构建方法，包括如下步骤：

S1、处理系统接收经过价格影响因素识别后得到的可影响输变电工程铁塔材料价格的影响因素；

S2、收集与所述影响因素对应的影响因素数据以及输变电工程铁塔材料的实际价格数据，构建基于改进粒子群优化聚类模型的数据预处理模型找出并删除所述影响因素数据以及所述实际价格数据中的异常值与重复值，形成数据集合；

S3、将所述数据集合中的数据输入至遗传算法中，并利用遗传算法优化BP神经网络模型的权值与阈值，得到用于确定输变电工程铁塔材料价格的价格确定模型。

进一步的，所述步骤S2中采用变量均值向量和方差-协方差阵作为先验信息，构建马尔科夫链，通过抽样反复模拟该马尔科夫链，得到平稳的后验分布，产生缺失数据的估计，具体包括如下步骤：

S21、接收连续的数据向量集Y

S22、根据第i项数据设定高斯模型，其中，高斯模型的参数空间为θ，根据所述参数空间θ的估计值θ

S23、根据当前的完整数据与缺失数据发生概率，计算所述参数空间θ的发生概率

其中，N

S24、删除异常值与重复值，最终得到处理后的数据集合。

进一步的，所述方法还包括：对经过步骤S2处理后得到的数据集合中的数据进行相关性分析，基于双变量相关分析模型，分析影响因素和材料价格因变量的相关性有无与强弱关系，并根据强弱关系得到主要影响因素作为价格确定模型的输入对象。

进一步的，所述双变量相关分析模型采用Pearson简单相关系数或假设检验进行分析。

进一步的，所述步骤S3中优化神经网络模型的具体步骤如下：

S31、在BP神经网络模型中，确定网络拓扑结构，获得BP神经网络模型的初始权值、初始阈值长度，将所述初始权值、初始阈值长度代入到遗传算法中，利用所述遗传算法对所述初始权值、初始阈值长度进行编码；

S32、将经过步骤S2预处理后得到的数据集合中的数据输入到所述遗传算法中，将所述数据集合中的数据、编码后的初始权值、编码后的阈值长度经过BP神经网络模型训练后得到的误差作为适应值，将所述适应值依次经过所述遗传算法中的选择操作、交叉操作、变异操作，进行适应度值计算，将不满足结束条件的适应度值循环进入选择操作、交叉操作和变异操作；

S33、将经过步骤S32的遗传算法运算后满足结束条件的适应度值再次代入BP神经网络模型获取最优权值和最优阈值长度，再依次经过误差计算，权值、阈值更新直至满足结束条件后，得到最终预测结果，即最终价格；不满足结束条件的权值和阈值长度循环进入误差计算以及权值、阈值更新，直至满足结束条件。

本发明还提供一种输变电工程铁塔材料价格确定方法，所述方法包括：

获取待定价的输变电工程铁塔材料的数据集合，其中数据集合为价格影响影响因素数据和实际价格数据；

将所述数据集合输入到按照上述的价格确定模型构建方法所构建的价格确定模型中，得到所述待定价的输变电工程铁塔材料的价格。

本发明还提供一种价格确定模型构建装置，包括：

价格影响因素收集模块，用于接收经过价格影响因素识别后得到的可影响输变电工程铁塔材料价格的影响因素；

数据预处理模型构建模块，用于收集与所述影响因素对应的影响因素数据以及输变电工程铁塔材料的实际价格数据，构建基于改进粒子群优化聚类模型的数据预处理模型找出并删除所述影响因素数据以及所述实际价格数据中的异常值与重复值，形成数据集合，以及将所述数据集合中的数据输入至遗传算法中，并利用遗传算法优化BP神经网络模型的权值与阈值，得到用于确定输变电工程铁塔材料价格的价格确定模型。

本发明还提供一种价格确定装置，包括：

获取模块，用于获取待定价的输变电工程铁塔材料的数据集合，其中数据集合为价格影响影响因素数据和实际价格数据；

输入模块，用于将所述数据集合输入到按照上述任一实施方式所述的价格确定模型构建方法所构建的价格确定模型中，得到所述待定价的输变电工程铁塔材料的价格。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述输变电工程铁塔材料价格确定方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述输变电工程铁塔材料价格确定方法。

相较于现有技术，本发明的有益效果在于：

1、本发明结合相关研究成果和样本数据以新材料价格智能确定为研究目标，综合考虑了市场、宏观经济及政策等多方面对于输变电工程铁塔材料价格的影响因素，利用影响因素挖掘与分析技术对影响设备材料价格的因素进行深度分析，然后结合数据处理技术，构建基于遗传算法优化的神经网络预测分析模型，在本发明优化后的模型代入影响因素通过分析计算，最终对设备材料价格进行确定，可以正确把握设备材料价格变化趋势，加强设备材料价格分析与定价工作，以助于合理估计电力工程造价，优化投资策略，降低工程投资风险。

2、本发明中通过构建模型来进行设备材料价格的计算，能够克服现有技术中人工计价或简单统计方式带来的计价依据不清楚、价格调整不合理以及计价与实际工程成本偏差较大等问题，提高定价科学性以及合理性，形成科学合理的新材料价格确定模型，能够进一步提升造价管控的精准程度，进而实现资源的合理配置和企业可持续发展。

附图说明

图1为本发明实施例1中遗传算法优化神经网络示意图；

图2为本发明实施例1中的适应度曲线；

图3为本发明实施例1中优化后GA-BPNN模型与BPNN模型进行定价的结果对比图；

图4为本发明实施例1中优化后GA-BPNN模型与BPNN模型进行定价的相对误差比较图。

具体实施方式

下面结合附图和较佳实施例对本发明做进一步的说明，给出的实施例仅为了阐明本发明，而不是为了限制本发明的范围。

实施例1

一种价格确定模型构建方法，包括如下步骤：

S1、处理系统接收经过价格影响因素识别后得到的可影响输变电工程铁塔材料价格的影响因素；其中，价格影响因素识别过程为：基于指标计算过程、实际运用场景因素进行影响因素选取，从生产成本、市场因素和政策因素三个方面分别提取影响设备材料定价的因素，分析价格形成机理；

S2、数据收集与数据处理：收集影响因素数据以及实际价格数据，构建基于改进粒子群优化聚类模型的数据预处理模型，进行数据预处理，找出并删除数据中的异常值与重复值，形成数据集合；

经过预处理后形成的数据集合包括包括人工成本、原材料价格、产品生命周期、供需关系、通货膨胀程度、行业垄断程度、区域经济发展水平、产业政策、货币政策、人口数量、气温和地形地貌等影响设备材料定价的因素，(具体数据主要是选取招投标厂家、统计局公布的数据等)

S3、构建基于遗传算法优化的神经网络电力工程材料定价模型，将经过步骤S2得到的数据集合中的数据输入至遗传算法中，并利用遗传算法优化BPNN的权值与阈值，对神经网络模型进行优化，进而获得用于确定输变电工程铁塔材料价格的模型，使得价格智能确定。

其中，在本实施例中，可以在步骤S2和步骤S3中加入相关系数验证步骤，在经过步骤S2处理后得到的数据集合中的数据进行相关性分析，基于双变量相关分析模型，分析影响因素和材料价格因变量的相关性有无与强弱，得到主要影响因素，主要影响因素为剔除与预测结构相关性较弱的人口数量、气温、地形地貌等因素，最终作为智能确定模型的输入对象。

在本实施例中，步骤S1中采用鱼骨图的方法，对影响因素进行识别与分析，根据大要因、重要因和小要因进行区分，包括人工成本、原材料价格、产品生命周期、供需关系、通货膨胀程度、行业垄断程度、区域经济发展水平、产业政策、货币政策、人口数量、气温和地形地貌，共12项影响因素。

在本实施例中，步骤S2中利用变量均值向量和方差-协方差阵作为先验信息，构建马尔科夫链，保证其元素的分布可以收敛到一个平稳分布，通过抽样反复模拟该马尔科夫链，得到平稳的后验分布，产生缺失数据的估计，针对缺失数据进行估计为缺失数据估计值(不能直接统计收集或不能提供完全数据的为缺失数据，例如：知道前后几年或者几个月的数据，进而估计当前年份或月份数据)，具体包括如下步骤：S21、接收连续的数据向量集Y

S22、根据第i项数据设定高斯模型，其中，高斯模型的参数空间为θ，根据所述参数空间θ的估计值θ

S23、根据当前的完整数据(能够直接统计收集并能完全获得的数据为完整数据)与缺失数据发生概率，例如：知道前后几年或者几个月的数据，进而估计当前年份或月份数据)计算所述参数空间θ的发生概率

其中，N

S24、针对异常值与重复值均采取删除的方法，异常值是指数据当中的突兀值，重复值是指两个有嵌套关系的数据，最终得到处理后的数据集合。

在本实施例中，双变量相关分析模型可以采用Pearson简单相关系数或假设检验进行分析；

其中，若采用Pearson简单相关系数用来度量定距变量的线性相关关系，其计算公式如(Ⅱ)所示：

其中n为样本数，x

根据变量特征求出相关系数后，可对其进行分析；当r＝0时表示两个变量之间不存在线性相关关系；当0<|r|≤0.3时，表示二者微弱相关；当0.3<|r|≤0.5时，二者低度相关；当0.5<|r|≤0.8时，二者显著相关；当0.8<|r|<1时，二者高度相关；当r＝1时，二者完全线性相关；

在输变电工程造价影响因素分析中，可以通过判断因素之间是否具有显著的线性关系，为后续的多因素降维、关键因素筛选等奠定基础。

其中，若采用加设检验来进行相关性分析时，预先设定两个变量的联合分布为二维正态分布：X取任意值时，Y的条件分布为正态分布；Y取任意值时，X的条件分布为正态分布，而由于抽样的随机性、样本容量较少等原因，基于抽取样本得到的结果不能直接用来说明总体，需要通过假设检验的方法进行推断，步骤如下：

(1)提出原假设，两个变量之间并无显著的线性相关关系；

构造检验统计量；Pearson相关系数的检验统计量为T统计量，T～t(n-2)；

计算检验统计量的观测值，查表得到观测值对应的显著性(Sig)，将其与显著性水平进行比较；若小于显著性水平，则拒绝原假设，认为两个变量间存在显著的线性相关关系；反正，则接受原假设；

(2)灰色关联聚类分析

设有n个观测对象，每个对象观测m个特征数据，得到序列如下：

X

其中，ε

临界值τ(0<τ≤1)的大小可根据实际问题的需要而定，一般τ>0.5；τ越接近1，则分类越细，每一类中的特征就越少；τ值越小则分类越粗，这时每一类中的特征则相对较多；当ε

由于当X

根据上述任一相关性分析方法对影响因素与价格两种变量进行分析后，选出相应的主要影响因素，上述影响因素作为后续遗传算法的输入数据，如下表所示：

其中，在本实施例中，所述步骤S3中优化神经网络模型的具体步骤如图1所示：

S31、在BP神经网络模型中，确定网络拓扑结构，获得BP神经网络模型的初始权值、初始阈值长度，将所述初始权值、初始阈值长度代入到遗传算法中，利用所述遗传算法对所述初始权值、初始阈值长度进行编码；

S32、将经过步骤S2预处理后得到的数据集合中的数据输入到所述遗传算法中，将所述数据集合中的数据、编码后的初始权值、编码后的阈值长度经过BP神经网络模型训练后得到的误差作为适应值，将所述适应值依次经过所述遗传算法中的选择操作、交叉操作、变异操作，进行适应度值计算，将不满足结束条件的适应度值循环进入选择操作、交叉操作和变异操作；

其中，结束条件是当适应度值趋于平稳，即选出最优的BP神经网络的权值和阈值，可带入下一步BP神经网络中去；例如，利用设置好参数的遗传算法优化BP神经网络的权值和阈值，遗传算法在寻优过程中适度值的变化如图2所示，从图2可以看出，当进化到19代时，平均适应度趋于平稳，其值接近1.3，得到优化后的BP神经网络权值和阈值，结果如下：

输入层到隐含层的连接权值：

隐含层到输出层的连接权值：W

输入层到隐含层的阈值：b

隐含层到输出层的阈值：b

S33、将经过步骤S32的遗传算法运算后满足结束条件的适应度值再次代入BP神经网络模型获取最优权值和最优阈值长度，再依次经过误差计算，权值、阈值更新直至满足结束条件后，得到最终预测结果，即最终价格；不满足结束条件的权值和阈值长度循环进入误差计算以及权值、阈值更新，直至满足结束条件；

S33、将经过步骤S32的遗传算法运算后满足结束条件的适应度值再次代入BP神经网络运算获取最优权值和阈值长度，再依次经过误差计算，权值、阈值更新直至满足结束条件后，得到最终预测结果，即最终价格；不满足结束条件的权值和阈值长度循环进入误差计算以及权值、阈值更新，直至满足结束条件，此时，结束条件为满足测算之前设定的误差目标值；

具体来说，在步骤S4中应用遗传算法优化BP神经网络对电力工程材料进行定价；首先，对遗传算法和BP神经网络的参数进行设置，将BP神经网络的输出值和实际值之间的均方差作为遗传算法的适应度值；将BP神经网络的输入层节点数设置为14，隐含层节点数设置为10，输出层节点数设置为1，构建BP神经网络结构为14-10-1的BP神经网络结构；其他参数设置见表1；

表1其余参数设置

在本实施例，为了验证模型有效性，选取了35组铁塔价格为样本数据，选取前25组作为定价模型的训练数据，后10组作为模型的测试数据，以14项影响因素作为输入，检验模型的有效性；

将根据上述优化的参数代入BPNN定价模型中，进行电力工程材料定价。为了显示优化后的GA-BPNN模型的有效性，引入BPNN模型定价结果作为对比，结果如表2和图3所示，由表和图可得，对于10个测试样本工程而言，GA-BPNN结果的平均绝对百分比误差为7.55％，优于BPNN结果的平均绝对百分比误差14.63％。

表2结果对比表

由表3和图4可得，GA-BPNN模型在样本4、样本7、样本9的结果相对误差劣于BPNN模型；其余7个工程的结果的相对误差均优于BPNN，综上，GA-BPNN模型在电力工程材料定价结果精度明显优于BPNN模型，具有一定的实用性。

实施例2

本实施例提供一种输变电工程铁塔材料价格确定方法，所述方法包括：

获取待定价的输变电工程铁塔材料的数据集合，其中数据集合为价格影响影响因素数据和实际价格数据；

将所述数据集合输入到按照上述任一实施方式中的价格确定模型构建方法所构建的价格确定模型中，得到所述待定价的输变电工程铁塔材料的价格。

实施例3

本实施例提供一种价格确定模型构建装置，包括：

价格影响因素收集模块，用于接收经过价格影响因素识别后得到的可影响输变电工程铁塔材料价格的影响因素；

数据预处理模型构建模块，用于收集与所述影响因素对应的影响因素数据以及输变电工程铁塔材料的实际价格数据，构建基于改进粒子群优化聚类模型的数据预处理模型找出并删除所述影响因素数据以及所述实际价格数据中的异常值与重复值，形成数据集合，以及将所述数据集合中的数据输入至遗传算法中，并利用遗传算法优化BP神经网络模型的权值与阈值，得到用于确定输变电工程铁塔材料价格的价格确定模型。

实施例4

本实施例提供一种价格确定装置，包括：

获取模块，用于获取待定价的输变电工程铁塔材料的数据集合，其中数据集合为价格影响影响因素数据和实际价格数据；

输入模块，用于将所述数据集合输入到按照如实施例1所述的价格确定模型构建方法所构建的价格确定模型中，得到所述待定价的输变电工程铁塔材料的价格。

实施例5

本实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例1所述的输变电工程铁塔材料价格确定方法。

实施例6

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例1所述的输变电工程铁塔材料价格确定方法。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中；其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。