数据挖掘技术在工程项目管理中的应用研究.pdf

工程管理121工程技术研究 第 8 卷 总第 140 期 2023 年 6 月摘要：随着大数据技术的兴起，数据挖掘技术在工程项目管理中的应用日益广泛。文章分析了数据挖掘技术的特点和分类，以及数据挖掘过程，探讨了数据挖掘技术在公路勘测质量管理、桥梁典型病害管理、路基滑坡管理中的应用，并以 BP 人工神经网作为数据挖掘模型，预测了公路项目投资额，研究成果可为数据挖掘技术在路桥工程中的应用提供理论指导。关键词：数据挖掘；公路桥梁；勘测管理；造价管理；灾害管理Abstract:With the rise of big data technology,data mining technology is widely used in engineering project management.The characteristics and classification of data mining technology and the process of data mining are analyzed.The application of data mining technology in highway survey quality management,bridge typical disease management and subgrade landslide management is discussed.BP artificial neural network is used as data mining model to predict the investment amount of highway project.The research results can provide theoretical guidance for the application of data mining technology in road and bridge engineering.Key Words:data mining;highway bridge;survey management;cost management;disaster management分类号：TU712工程管理方法是以某一具体项目为管理对象，通过对项目的全过程管理实现工程整体建设目标。路桥工程在设计、施工、运营等过程中会产生大量无规则信息，导致其工程管理难度越来越大。随着大数据概数据挖掘技术在工程项目管理中的应用研究罗 辰贵州省交通规划勘察设计研究院股份有限公司，贵州 贵阳 550081Research on the Application of Data Mining Technology in Engineering Project ManagementLUO ChenGuizhou Transportation Planning Survey&Design Academe Co.,Ltd.,Guiyang 550081,Guizhou,China039.DOI:10.19537/ki.2096-2789.2023.12.念的提出和推广，数据挖掘技术开始蓬勃发展，并逐渐被应用于工程管理项目，从而大幅度提升了工程管理各环节的信息处理效率，为项目决策提供重要依据，提高了项目的建设质量和经济效益1。但是，关于数据挖掘技术的研究主要集中在建筑工程领域，在路桥工程中的成果不多，且大多数工程技术人员对数据挖掘技术的了解较肤浅。因此，进一步研究数据挖掘技术在路桥工程管理中的应用具有重要的工程意义2。1 数据挖掘技术的特点和分类数据挖掘是利用算法从海量数据中搜索与工程项目管理相关的信息，具有以下特点：（1）数据处理量大，工程项目建设日益复杂，其数据量大幅度增加，且种类繁多、混乱无序，利用数据挖掘技术的算法可以快速处理海量数据；（2）针对性强，应用数据挖掘技术的目的是获取有用信息或摒弃无用信息，应针对用户的具体需求编写算法；（3）自动化程度高、人工干预少，能高效准确地处理数据。数据挖掘技术分类方法多样，目前尚未统一的标准。文章从挖掘对象、技术类型两方面对数据挖掘技术进行了分类，如表 1（见下页）所示。2 数据挖掘过程数据挖掘包括数据预处理、挖掘运行、结果整理等，三个过程层层递进，密不可分。（1）数据预处理。工程管理中涉及的专业知识复杂、数据量庞大。如果不对原始数据进行预处理，会直接影响数据挖掘的质量。数据预处理具体步骤如下：数据抽取数据清洗数据集成与转换数据归约。作者简介：罗辰，男，本科，工程师，研究方向为工程项目管理。工程管理 1222023 年 第 12 期 总第 140 期 工程技术研究（2）挖掘运行。挖掘运行是数据挖掘技术的核心环节，此时应先分析、确认数据挖掘的目的，结合数据环境和用户要求选择挖掘算法，并构建数据挖掘模型。（3）结果整理。数据挖掘结果一般较为混乱，需梳理和总结，从而直观地展示给需求者。如果挖掘结果达不到用户目标，需重新挖掘数据。3 数据挖掘技术在公路勘测质量管理中的应用公路勘测产生的数据量庞大，控制测量作为各项勘测工作的基础，其质量控制尤为重要。目前，主要根据公路勘测规范（JTG C102007）、数字测绘成果质量检查与验收（GB/T 183162008）等规范验收控制测量成果，但对中间测量数据的质量控制较薄弱。一旦测量结果不满足设计要求，将难以快速、精准地找到问题，数据挖掘技术则可以很好地解决上述问题3。公路勘测项目中的数据挖掘方式可分为文本挖掘、图像挖掘，其中文本包括原始观测数据、计算书、平差报告等，图像包括控制点分布、控制网等图件。数据挖掘技术在公路勘测项目管理中的具体应用体现在三个方面。（1）数据清理。公路测量过程中不可避免地存在粗差或错误数据，如一组观测数据中的某个观测值误差超过了设定阈值，可认定为粗差；GNSS 静态观测数据中天线高错误、观测值超限等，可认定数据不合格。利用数据挖掘技术可自动清理粗差或错误数据。（2）空间位置分析。控制点空间位置应以点位精度为基准开展数据挖掘分析。例如，在平差报告中，将规范中相应等级控制网的控制点点位精度要求设定为阈值，从平差结果报告中提取控制点的点位中误差。当点位中误差大于阈值时，标记出此控制点，按精度超限处理。（3）关联分析。数据挖掘技术可归纳与分析各勘测数据，找到数据的变化规律和内在联系。例如，在高程控制测量平差中，挖掘提取各测段的高差、路线长度等参数，计算水准路线的闭合差。4 数据挖掘技术在公路投资额管理中的应用4.1 数据挖掘模型神经网络模型是一种高维非线性模型，由输入层、隐含层、输出层组成，利用层与层间复杂的相互连接关系学习数据之间的规律4。文章以 BP 人工神经网络作为数据挖掘模型预测高公路投资额。采用 4 层神经网络模型，将公路里程、设计速度、桥梁个数和长度、隧道个数和长度、路基里程、互通区个数等工程规模信息作为输入层；将公路投资额作为输出层。为了验证数据挖掘模型的有效性，用平均绝对百分比误差表示其误差程度，计算公式如下：100PAMAPEA=（1）式中：MAPE 为平均绝对百分比误差，该值越小，表明数据挖掘模型的预测结果越准确；P 为预测值；A为实际值。4.2 案例分析文章收集省内多条已交工高速公路的信息特征与投资额数据用于案例分析，以其中 90%的数据作为学习集，以 10%数据作为测试集（项目编号 1 6），数据挖掘技术预测结果如图 1 所示。123456300400500600700800900投资额/亿测试集实际值预测值投资额/亿元图 1 数据挖掘技术预测结果由图 1 可知，数据挖掘模型对公寓投资额的预测结果可能高于实际值，也可能低于实际值。项目编号1 6 的 MAPE 值 分 别 为 0.8%、1.5%、9.1%、8.1%、7.6%、24.7%，因此数据挖掘模型的预测平均误差为分类原则挖掘技术说明挖掘对象图像型挖掘对象不同，挖掘方式不同文本型视频型技术类型查询与随原始数据类型相关，通常多种技术联合使用，以提高挖掘效率交互归纳集成表 1 数据挖掘技术分类工程管理123工程技术研究 第 8 卷 总第 140 期 2023 年 6 月10.2%，满足高速公路投资额估算 20%误差的要求，说明将数据挖掘技术应用于高速公路项目建议书阶段投资额预测中是可行的，大幅度提高了工作效率。5 数据挖掘技术在路桥灾害管理中的应用5.1 桥梁灾害管理挖掘收集的检测数据，可以得到桥梁典型病害的发生位置和数量占比，从而有针对性地开展桥梁工程日常巡查养护工作。（1）数据预处理。文章收集省内多座桥梁的检测数据，包括桥梁名称、各构件对应的典型病害、建桥时间等。为了提高数据挖掘结果的准确性，需对检测数据进行预处理。检测数据预处理的关键有两方面：一是删除内容缺失严重或重复录入的信息，二是把所有文本类型数据转换为数值格式5。（2）数据挖掘结果分析。利用数据挖掘技术统计下部结构的典型病害，如图 2 所示。2088715558505468182剥落露筋蜂窝麻面钢筋锈蚀空洞裂缝冲蚀2 5002 0001 5001 0005000出现次数/次典型病害2 088715558典型病害出现次数/次505468182图 2 桥梁下部病害统计由图 2 可知：桥梁下部结构的典型病害主要有剥落露筋、蜂窝麻面、钢筋锈蚀、空洞、裂缝、冲蚀，其中混凝土剥落露筋病害出现次数最多，占比高达46.2%；冲蚀病害出现次数最少，占比仅 4.1%；其他下部结构病害占比相差不大，为 10%16%。5.2 路基滑坡灾害管理（1）滑坡数据库建立。滑坡灾害防治需先整合与滑坡相关的基础资料，如滑坡位置、工程地质、水文地质、地形地貌及历史滑坡等。随后将上述信息分别放入不同数据库，以便于滑坡预测预报时准确挖掘有用数据。数据库体系包括数据获取层、数据存储层和数据访问层，在计算机系统中分别对应后端层、数据仓库层、用户层，路基滑坡数据库如图 3 所示。在图 3中，后端层用于传回数据，并对数据进行集成和转换；数据仓库层用于保存数据；用户层用于处理和分析数据、数据挖掘等。数据仓库层数据统计预测预报数据挖掘时间数据库管理数据库空间数据库后端层用户层图 3 路基滑坡数据库（2）滑坡预测。滑坡数据库建好后，将致滑因子划分为区域滑坡概况、赋存环境、诱发因素、潜在受灾对象四个层次。各致滑因子的叠加使用 Logistic 函数进行回归分析，最终计算滑坡概率：11 eYP=+（2）01122 nnYCC XC XC X=+（3）式中：e 为自然常数；Y 为拟合因变量；C0 Cn为相关系数，表示各致滑因子对滑坡的影响程度；X1 Xn为致滑因子评分。6 结论（1）数据挖掘对象是海量数据，挖掘过程包括数据预处理、挖掘运行、结果整理；（2）公路勘测项目中的数据挖掘方式可分为文本挖掘、图像挖掘，可实现数据清理、空间位置分析、关联分析等；（3）以 BP 人工神经网作为数据挖掘模型，可准确预测公路在项目建议书阶段的投资额，且预测误差低于 20%；（4）通过挖掘桥梁病害检测信息、滑坡基础数据等，可预测桥梁结构典型病害或路基滑坡概率，为路桥工程灾害管理提供依据。参考文献1 秦文涛,郭小坤,郭军峰,等.数据仓库和数据挖掘技术在滑坡预测预报中的应用J.岩土工程技术,2022,36(3):185-189.2 任青,薛晓娟,王佐,等.基于数据挖掘的高速公路建设项目投资额预测研究J.公路,2022,67(5):220-223.3 魏传佳.基于大数据分析的实时交通安全监测与预警研究J.西安文理学院学报(自然科学版),2022,25(2):58-62,110.4 于雷.基于数据挖掘的道路交通事故分析及预防对策研究D.重庆:重庆交通大学,2022.5 向荣荣,李松,王守彬.数据挖掘技术在公路勘测质量控制中的应用J.地理空间信息,2021,19(1):99-101.