本发明涉及工程预测领域，尤其涉及一种基于特征选择的配网工程项目工期预测方法。
背景技术：
有资料显示，目前供电企业在配网项目工程进度管控和工程计划实时调整的过程中存在着难题，首先是国家电网对配网工程中各步骤流程的时限没有统一标准，且各地区配网工程推进各有特点，工程中各步骤耗时大不相同，难以使用规定好的标准限定，导致公司在管控中基本依靠经验来判断工程进度，难以实现配网工程全过程的精益管控。同时由于无法用准确的数据来定量分析工程各阶段进度的滞后或者超前，导致工程计划的制定和变更比较粗糙，工程完工的实际耗时与计划安排难以匹配，因此使得公司缺少项目进程中对项目总工期的实时预测能力和超时风险评估机制，造成工程项目超期完工时有发生。
中国专利文献cn109784556a公开了一种“基于往期数据的基站设备安装项目工期预测方法”。采用k-means聚类、bp神经网络等机器学习方法，构建工期划分机制，完成区域、规模两大属性划分。同时，结合项目阶段属性基于往期相关项目数据信息给出不同区域、不同规模、不同阶段基站设备安装项目的稳健估计值。利用各阶段稳健估计值，最终输出基站设备安装项目工期预测结果。虽然解决了现有技术中未考虑项目所处区域的社会、经济、自然等因素，但无法准确的预测项目工期的技术问题。
上述技术方案采用的bp算法的学习速度很慢，并且有可能陷入局部极值，导致训练失败。也有研究利用最小二乘支持向量机设计一种建设工程项目工序工期的预测模型，支持向量机很大程度上简化了分类和回归等问题，但由于支持向量机是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。
技术实现要素：
本发明主要解决原有的工期预测计算耗时过长，可能导致预测失败的技术问题，提供一种基于特征选择的配网工程项目工期预测方法，利用超限学习机设计了一种多步骤降维的方法，提取配网工程项目数据样本的主要因素，得到数量少但预测能力强的主要因素，用来建立配网工程项目的预测模型，为工程计划的实时变更提供数据支撑，大大减少工程超期完工的可能性，有效提升工程全过程精益化管控能力，加强工程计划的准确性，有效降低项目超期风险。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
(1)选择影响工程进度的因素，以及配网工程项目独特的因素，构造因素集；
(2)用上述因素集中的所有因素训练超限学习机分类器，用10折交叉验证得到分类精度p；
(3)随机临时剔除因素集中的某个因素，重新训练超限学习机分类器，并用10折交叉验证得到分类精度p′；
(4)如果p大于p′，则说明被剔除的这个因素对分类结果有贡献，应该保留；反之则正式剔除；
(5)重复以上步骤，直到剩下的因素无法剔除为止；
(6)利用新的因素集训练超限学习机预测配网工程项目工期时长。
作为优选，所述的步骤(1)中影响工程进度的因素包括工程的前期准备工作、人力、材料、进度安排的精确性、工程进展过程中的协调、返工、设备数量和天气状况。上述每个因素都需构造成因素集参与降维计算以筛选预测能力较强的因素，从而在保证工期预测准确的基础上减少计算量，影响工程进度的因素并不固定，根据具体工程状况进行选择。
作为优选，所述的步骤(2)将因素集分为10份，轮流将其中9份作为训练数据，1份作为测试数据，计算β0＝ht(hht)-1t,测试数据的工期时长输出为o＝h(x)β0，得到分类精度p。如果预测的工期时长和该项目实际完成的工期时长的相对误差小于等于10％，则该预测被认为是有效预测，否则为无效预测。
作为优选，所述的步骤(6)对超限学习机给定n个训练样本(xi,ti),训练样本x的隐层输出表示为一个行向量h(x)＝[h1(x),h2(x),…,hl(x)]。通过对大量样本数据进行计算以确保工期预测更为准确。
作为优选，所述的步骤(6)中设h为隐层输出矩阵，β为输出权，t为目标项目工期矩阵，其中
计算
作为优选，所述的对于待预测的样本x对应的工期时长输出为o＝h(x)β。
本发明的有益效果是：利用超限学习机设计了一种多步骤降维的方法，提取配网工程项目数据样本的主要因素，得到数量少但预测能力强的主要因素，用来建立配网工程项目的预测模型，为工程计划的实时变更提供数据支撑，大大减少工程超期完工的可能性，有效提升工程全过程精益化管控能力，加强工程计划的准确性，有效降低项目超期风险。
具体实施方式
下面通过实施例对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种基于特征选择的配网工程项目工期预测方法，包括以下步骤：
(1)选择影响工程进度的因素，以及配网工程项目独特的因素，构造因素集。通过研究发现，影响工程进度的因素主要有10种，包括工程的前期准备工作、人力、材料、进度安排的精确性、工程进展过程中的协调、返工、设备数量、天气状况等各种因素，且影响工程进度的因素并不固定，根据具体工程状况进行选择。
(2)用上述因素集中的所有因素训练超限学习机分类器，用10折交叉验证得到分类精度p。将因素集分为10份，轮流将其中9份作为训练数据，1份作为测试数据，计算β0＝ht(hht)-1t,测试数据的工期时长输出为o＝h(x)β0，得到分类精度p。我们规定，如果预测的工期时长和该项目实际完成的工期时长的相对误差小于等于10％，则该预测被认为是有效预测，否则为无效预测。
(3)随机临时剔除因素集中的某个因素，重新训练超限学习机分类器，并用10折交叉验证得到分类精度p′。
(4)如果p大于p′，则说明被剔除的这个因素对分类结果有贡献，应该保留；反之则正式剔除。
(5)重复以上步骤，直到剩下的因素无法剔除为止。
(6)利用新的因素集训练超限学习机预测配网工程项目工期时长。
给定n个训练样本(xi,ti),训练样本x的隐层输出表示为一个行向量h(x)＝[h1(x),h2(x),…,hl(x)].设h为隐层输出矩阵，β为输出权，t为目标项目工期矩阵，其中
计算
其中c为常数，i为单位矩阵，
对于待预测的样本x对应的工期时长输出为o＝h(x)β。
通过对大量样本数据进行计算以确保配网工程项目的工期预测更为准确。