一种施工质量定量化排名方法与流程

本发明属于质量评估技术领域，特别是涉及一种施工质量定量化排名方法。

背景技术：

近年来，我国的基础投资建设突飞猛进，但也存在一些问题，建设单位与质监单位对工程建设质量的管控能力有限，缺乏客观、科学、统一的质量监管手段。目前很多建设工程的管理层面都实现了信息化、平台化，有必要充分发挥建设质量管理信息化的优势，运用大数据分析手段实现施工质量的定量化建模，通过施工质量指数排名的方式提高建设单位或质监单位的工程质量管控能力，起到对施工单位的警示与鼓励作用。

传统上对施工单位的检评依托于经验法，这种方法可以有效地对施工单位的施工质量进行评估，检查人员以文字与图片的形式反映施工单位的施工质量，该方法通过定性评价方式在一定程度上实现对施工质量的管控，在实际工程中，施工单位的工程实体指标众多，定性评价方法难以考虑到每一个工程实体指标的数据特征，影响施工质量评价的公正性，且定性评价缺乏对比性。该方法依赖检查人员的个人主观经验判断，同时复杂的文案分析也不利于建设单位与质监单位的管理效率，无法充分发挥建设质量管理信息化的优势。

技术实现要素：

本发明所要解决的技术问题是充分发挥建设工程质量管理大数据优势，提供一种基于工程实体指标检测数据的施工质量定量化排名方法。

本发明采用的技术方案如下：

本发明提供一种施工质量定量化排名方法，包括：

获取与施工质量相关的多组检测数据集；所述检测数据集中数据包括项目名称，单位名称，检测日期，实体指标名称，检测组数，检测点数和合格点数；

对所述检测数据集进行预处理；

将预处理后的检测数据集输入施工质量定量评价模型；

基于模型输出结果对所测施工单位进行综合排名。

进一步的，所述获取与施工质量相关的多组检测数据集的方式，包括，

通过现场检测手动录入检测数据，通过智能设备采集检测数据，以及从上传的pdf或excel文件导出检测数据。

进一步的，对所述检测数据集进行预处理，包括：

对检测数据集中的噪声数据进行过滤处理，以及将过滤处理后的检测数据整合为结构化数据。

进一步的，所述施工质量定量评价模型为：

f(x)＝γp，

其中，f(x)为施工单位x的施工质量指数，γ＝(γ1,γ2,...,γn)为权重系数，n为实体指标个数，p＝(p1,p2,...,pn)为实体指标的合格率，γi,i＝1,2,…,n表示第i个实体指标的权重系数，pi,i＝1,2,…,n表示第i个实体指标的合格率。

进一步的，所述权重系数确定如下：

采用聚类分析和分类回归树相结合的算法将检测数据集划分为若干个检测数据子集；

运用层次分析法确定各检测数据子集的权重系数。

进一步的，划分检测数据子集如下：

采用平均轮廓系数法确定检测数据集的最佳聚类个数k；

采用模糊c均值算法计算k个聚类的聚类中心；

以检测数据集中的某一元素为预测变量，结合分类回归树算法细分决策树，并根据聚类中心的分布，形成最终的k个检测数据子集。

进一步的，采用合格率或者检测点数为预测变量。

进一步的，所述运用层次分析法确定各检测数据子集的权重系数，包括：

通过专家对k个检测数据子集进行两两比较，根据重要性标度进行结果赋值形成判断矩阵；

对所述判断矩阵进行向量归一化，并计算特征值，作为各检测数据子集的权重系数。

进一步的，所述基于模型输出结果对所测施工单位进行综合排名，包括：

将指定时间段某建设工程或行政区域所辖的施工单位获取的检测数据集输入所述施工质量定量评价模型，得到各施工单位的施工质量指数；

基于施工质量指数对施工单位进行综合排名。

进一步的，还包括：

将所测施工单位的综合排名在建设单位或质监单位的信息化平台中展示。

本发明的有益效果是：

本发明运用聚类分析算法与层次分析法建立基于检测数据的施工质量定量化评价模型，输入变量是某时间段指定施工单位检测数据集，输出变量是施工质量指数，根据施工质量指数可以实现某建设工程或行政区域的施工质量排名。该方法通过定量化评价与排名方式加强建设管理单位对施工单位的管控力度，实用性强，有较强的市场潜力，对于提高施工质量具有推动作用，有着显著的经济效益与广泛的社会效益。

附图说明

图1是本发明方法总体流程图；

图2是本发明中施工质量定量评价建模流程；

图3是本发明实施例中检测数据集细分决策树过程。

具体实施方式

下面结合具体实施例与附图进一步阐述本发明的技术特点，而不能以此示例来限制本发明的保护范围。

本发明实施例提供的一种施工质量定量化排名方法，参见图1，包括以下步骤：

获取与施工质量相关的检测数据集，并根据施工质量特征确定检测数据集的调用方式与数据库管理方式；

对所述检测数据集进行预处理；

基于所述检测数据集建立施工质量的定量评价模型；

基于所建立的定量评价模型对某时间段某建设工程或某行政区域的所辖施工单位进行综合排名。

本发明实施例中，通过派发检查任务单等方式获取与施工质量相关的检测数据集，并根据施工质量特征确定所述检测数据集的调用方式与数据库管理方式。

具体的，获取与施工质量相关的检测数据集方式包括：

1)检查人员通过现场检测记录手动录入的检测数据；

2)原始检测数据；

3)智能设备采集数据；

4)检查人员上传的pdf或excel文件导出的检测数据。

检测数据主要来源于建设单位或质监单位的检查通报，所以检测数据的获取方式与数据库管理必须具备网络安全性，根据需求设定网络安全级别，不得低于三级，并建立数据恢复机制。对于地级市以上的质监单位及一级公路以上的建设管理单位建议使用云服务器进行托管，保证数据的调用效率与存储的可持续性。检测数据集应当具有项目名称，单位名称，检测日期，实体指标名称，检测组数，检测点数和合格点数七项元素，根据检测点数与合格点数可以计算指定时间内，某项目某单位某实体指标的合格率(合格点数除以检测点数为合格率)。

本实施例中，以检测点数与合格率为基础对施工质量进行定量化建模，后续施工质量定量化的建模过程，是对检测点数n与合格率p两个元素数据集的二维建模。

本发明实施例中，对检测数据集进行预处理，可以获得更为完整，准确性更高的结构化数据，优化后续的建模质量。

具体的，对检测数据集进行预处理包括进行数据清洗和数据集成；

在数据获取的过程中，智能设备的数据获取方式与表单识别的数据获取方式可能会造成检测数据集的噪声，在建模前，需要处理噪声数据，无关数据，删除孤立点数据。可以通过数据与期望值的偏差程度，设定阈值，统计分析补全等方式对噪声数据进行过滤处理。

检测数据集成，实体指标检测可能会因为数据源不同导致数据冗余的问题，需要对检测数据进行整合。

本发明实施例中，建立施工质量的定量评价模型，具体如下：

定量评价模型中的权重系数待确定，运用聚类分析对检测数据集进行分析，结合分类回归树算法细分决策树确定检测数据子集，并运用层次分析法确定所述评价模型中的权重系数。

质量指数计算，基于所获取的权重系数，运用加权平均分法计算指定时间段某施工单位的施工质量指数。

施工质量排名，基于质量指数对指定时间段某建设工程或行政区域所辖的施工质量进行排名。

信息平台展示，施工质量排名表单可以加强建设单位和质监单位对施工质量的管控力度，起到警示作用，该排名表单可以作为质量管理的重要可视化成果展示在建设单位或质监单位的信息化平台中。

如图2所示，施工质量定量评价建模具体包括以下步骤：

采用聚类分析方法对采集的多组检测数据集进行聚类分析，将检测数据集划分为若干检测数据子集；

运用层次分析法确定检测数据子集的权重系数；

基于所获取的权重系数，运用加权平均分法计算指定时间段某施工单位的施工质量指数；

基于施工质量指数对指定时间段某建设工程或行政区域所辖的施工单位进行排名形成施工质量排名表单。

具体的，采用聚类分析方法对采集的多组检测数据集进行聚类分析，包括，

步骤一，确定检测数据集的分组数目，根据平均轮廓系数原则确定检测数据集的最佳聚类个数k。

将采集的检测数据集划分为k个聚类；

计算任一样本xi的轮廓系数sk(xi)，进而求出所有样本的平均轮廓系数sk；

当平均轮廓系数取最大值时，k对应的最优的分组数目。

轮廓系数计算如下：

式中，ak(xi)表示样本xi与其所属聚类中其他样本的平均相异度，bk(xi)表示样本xi与另外一个聚类簇中聚类样本的平均相异度，取平均相异度中最小值为bk(xi)。

步骤二，确定k个聚类中心，即确定所述检测数据子集的分组中心，

应用模糊c均值(fcm)算法对所述检测数据集进行聚类分析，式(7)是基于最小化的目标函数：

式中，k表示聚类个数，v表示聚类编号，mv表示聚类v的中心，uiv²表示样本xi对聚类中心mv的隶属程度，其模糊指数为2，(xif-mif)²表示样本xi与mv间欧氏距离的平方，f表示检测数据的维度编号，n表示检测数据集的数量。

mif由式(8)计算：

步骤三，以检测数据集中的合格率与检测点数为预测变量，结合分类回归树算法细分决策树，具体流程如下：

1)创建节点；

2)在检测数据集中选取一个预测变量，将检测数据集分为两个子集；本发明实施例中，预测变量选择检测点数或者合格率；

3)计算所选取预测变量的基尼指数，选取基尼指数最小的作为最优划分指标，对每个分支重复划分，直至分支所含的样本数过少或节点不纯度过高，生成叶子节点；

4)根据子树的误差验证，剪枝；

5)输出决策树；

6)根据合格率或检测点数的取值范围划分决策树节点的规则，并根据聚类中心的分布，确定k个检测数据聚类区域(即检测数据子集)的具体范围。

具体的，运用层次分析法确定各个检测数据子集的权重系数，具体步骤如下：

(1)确定初始权重系数。初始权重系数的确定采用定性分析和定量分析相结合的方法。组织专家，请各位专家给出自己的判断数据，再综合专家的意见，最终形成初始值。

通过专家调研对k个检测数据子集进行评价，评价规则如表1所示，进行两两比较，根据重要性标度进行结果赋值，依据事先总结的规则(即通过合格率或检测点数划分检测数据集类型)形成判断矩阵r。

表1重要性标度

(2)对判断矩阵进行列向量归一化，并计算特征向量，特征向量即为相应的权重：γ＝(γ1,γ2,...,γk)，其中，γi,i＝1,2,…,k为特征值。

通过建立比较判断矩阵确定权重γ，能够比较客观地将专家意见通过定性分析和定量转化来统一计算权重。

(4)对判断矩阵进行cr检验，计算公式如式(9)所示，

式中，ci为一致性指标，按式(10)计算：

式中，λmax为判断矩阵的最大特征值，ri根据判断矩阵阶数取值如下表取值。

表2ri取值表

本发明实施例中，可以设定时间，根据具体需求不定期调整权重。

具体的，运用加权平均分法计算指定时间段某施工单位的施工质量指数，如下：

根据权重系数取值计算，可以得出最终施工质量的定量评价模型为：

f(x)＝γp，

其中，f(x)为施工质量指数，γ＝(γ1,γ2,...,γn)为权重系数，n代表有n个实体指标，p＝(p1,p2,...,pn)为实体指标中的合格率。

对3917组检测数据集进行统计分析，通过数据归纳总结，可以得出以下结论：当实体指标的检测点数大于等于100时，权重系数无限接近当检测点数小于100时，权重系数无限接近

实施例

获取与施工质量相关的检测数据集，并进行预处理；根据平均轮廓系数原则确定检测数据集的最佳聚类个数，得出本实施例最佳聚类个数为2，实施例的聚类中心如下：

表3

细分规则决策树，利用cart算法，通过基尼系数计算，对检测数据集的细分规则进行学习，得出最终的两组检测数据子集，即以检测点数为划分依据，x1∈(0,100)，x2∈[100,+∞)。

图3是本发明检测数据集分组决策树流程如下：

(1)第一个节点分类，分别计算合格率与检测点数的基尼系数，以聚类中心为依据，将合格率与检测点数作为细分指标，分别对合格率与检测点数的分界点进行多次取值，并计算比较基尼系数，选取基尼系数最小的指标作为最优划分指标，第一节点选取检测点数作为根节点，基尼系数计算公式如式(11)所示；

式中，pi为x样本中属于i类的概率。

(2)划分第二个节点，考虑到本实施例中，检测数据集97.89％的合格率点数分布于(95％，100％)之间，呈正态分布，且节点的不纯度较高，不应继续划分节点。在其他建设工程检测数据集分组决策树学习中，应当根据数据分布状态与聚类分组组数，合理进行细分决策。

根据所述细分规则决策树的划分原则，将检测数据集划分为两组数据子集，运用定性与定量相结合的方法对两组检测数据子集进行权重系数取值，本实施例通过专家调研的方式选取检测数据集的初始权数，并抽选某项目中m个施工单位一年内的各实体指标施工质量进行层次分析。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。