应用于智慧工地的大数据分析方法及系统与流程

1.本发明涉及大数据技术领域，具体而言，涉及一种应用于智慧工地的大数据分析方法及系统。


背景技术：

2.智慧工地是智慧地球理念在工程领域的行业具现，是一种崭新的工程全生命周期管理理念。智慧工地是指运用信息化手段，通过三维设计平台对工程项目进行精确设计和施工模拟，围绕施工过程管理，建立互联协同、智能生产、科学管理的施工项目信息化生态圈，并将此数据在虚拟现实环境下与物联网采集到的工程信息进行数据挖掘分析，提供过程趋势预测及专家预案，实现工程施工可视化智能管理，以提高工程管理信息化水平，从而逐步实现绿色建造和生态建造。智慧工地将更多人工智能、传感技术、虚拟现实等高科技技术植入到建筑、机械、人员穿戴设施、场地进出关口等各类物体中，并且被普遍互联，形成"物联网"，再与"互联网"整合在一起，实现工程管理干系人与工程施工现场的整合。智慧工地的核心是以一种"更智慧"的方法来改进工程各干系组织和岗位人员相互交互的方式，以便提高交互的明确性、效率、灵活性和响应速度。
3.其中，在现有技术中，基于一定的需求，需要对施工的异常程度（如是否存在异常，以及，存在异常的时，对应的异常程度）进行确定，但是，在现有技术中，存在着施工异常分析的可靠度不高的问题。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种应用于智慧工地的大数据分析方法及系统，以提高施工异常分析的可靠度。
5.为实现上述目的，本发明实施例采用如下技术方案：一种应用于智慧工地的大数据分析方法，包括：采集到目标施工工程对应的人员施工行为描述信息和施工行为结果描述信息，所述施工行为结果描述信息包括多个施工环节的信息；通过目标施工异常分析神经网络，分析输出所述人员施工行为描述信息对应的施工行为维度异常分析信息和所述施工行为结果描述信息对应的施工结果维度异常分析信息，所述施工行为维度异常分析信息和所述施工结果维度异常分析信息各自用于反映所述施工行为结果描述信息中的每一个施工环节对应的异常程度可能性参数分布；对于所述施工行为结果描述信息中的每一个施工环节，依据所述施工行为维度异常分析信息，筛选出每一个施工异常程度对应的目标可能性参数，以标记为行为维度可能性参数，以及，依据所述施工结果维度异常分析信息，筛选出每一个施工异常程度对应的目标可能性参数，以标记为结果维度可能性参数，以及，依据所述行为维度可能性参数对应的施工异常程度和所述结果维度可能性参数对应的施工异常程度，确定出所述施工环节对应的施工异常程度；
基于每一个所述施工环节对应的施工异常程度，融合形成所述目标施工工程对应的目标施工异常程度。
6.在一些优选的实施例中，在上述应用于智慧工地的大数据分析方法中，所述目标施工异常分析神经网络的网络优化处理，包括：采集到包括第一示例性施工信息簇和第二示例性施工信息簇的示例性施工信息簇，所述第一示例性施工信息簇中的每一个示例性施工信息具有人员施工行为描述信息、施工行为结果描述信息和所述施工行为结果描述信息对应的实际施工异常程度信息，所述第二示例性施工信息簇的至少部分中的示例性施工信息包括人员施工行为描述信息、施工行为结果描述信息和不具有所述施工行为结果描述信息对应的实际施工异常程度信息；对于所述示例性施工信息簇中的每一个示例性施工信息：依据所述示例性施工信息具有的人员施工行为描述信息，挖掘出对应的行为描述信息代表向量，以及，依据所述示例性施工信息具有的施工行为结果描述信息，挖掘出对应的结果描述信息代表向量，所述示例性施工信息具有的施工行为结果描述信息包括多个施工环节的信息；依据所述行为描述信息代表向量和所述结果描述信息代表向量，分析输出人员施工行为维度和施工行为结果维度各自对应的维度异常分析信息、维度还原异常分析信息和维度还原信息，每一个维度信息对应的维度异常分析信息用于反映依据对应的维度信息的描述信息代表向量分析出的所述多个施工环节中的每一个施工环节的异常程度可能性参数分布，每一个维度信息对应的维度还原异常分析信息用于反映依据对应的维度信息的描述信息代表向量还原出其它的维度信息的描述信息代表向量分析出的所述多个施工环节中的每一个施工环节的异常程度可能性参数分布，每一个维度信息对应的维度还原信息用于反映依据对应的维度信息的描述信息代表向量还原出的其它的维度信息的还原描述信息；依据所述示例性施工信息簇包括的每一个示例性施工信息的人员施工行为维度和施工行为结果维度各自对应的维度异常分析信息、维度还原异常分析信息和维度还原信息，将初始施工异常分析神经网络进行网络优化处理，以形成对应的目标施工异常分析神经网络。
7.在一些优选的实施例中，在上述应用于智慧工地的大数据分析方法中，所述第一示例性施工信息簇包括多个分割形成的批次第一示例性施工信息子簇，所述第二示例性施工信息簇包括多个分割形成的批次第二示例性施工信息子簇，通过依次轮询所述第一示例性施工信息簇包括的多个批次第一示例性施工信息子簇和所述第二示例性施工信息簇包括的多个批次第二示例性施工信息子簇，以使得通过当前轮询到的示例性施工信息对所述初始施工异常分析神经网络进行网络优化。
8.在一些优选的实施例中，在上述应用于智慧工地的大数据分析方法中，所述目标施工异常分析神经网络的网络优化处理，还包括：基于配置的目标规则，将所述示例性施工信息簇中的每一个示例性施工信息的人员施工行为描述信息和施工行为结果描述信息进行遮盖操作，以形成至少一个示例性施工信息对应的人员施工行为描述遮盖信息和施工行为结果描述遮盖信息；所述依据所述示例性施工信息具有的人员施工行为描述信息，挖掘出对应的行为
描述信息代表向量，以及，依据所述示例性施工信息具有的施工行为结果描述信息，挖掘出对应的结果描述信息代表向量的步骤，包括：依据所述示例性施工信息的人员施工行为描述信息或人员施工行为描述遮盖信息，挖掘出对应的所述行为描述信息代表向量，以及，依据所述示例性施工信息的施工行为结果描述信息或施工行为结果描述遮盖信息，挖掘出对应的所述结果描述信息代表向量，所述示例性施工信息的行为描述信息代表向量和结果描述信息代表向量中的一个以上描述信息代表向量对应的信息不属于描述遮盖信息。
9.在一些优选的实施例中，在上述应用于智慧工地的大数据分析方法中，所述目标规则包括：对所述示例性施工信息簇中的每一个示例性施工信息的人员施工行为描述信息进行遮盖操作的可能性等于行为维度遮盖可能性；对所述示例性施工信息簇中的每一个示例性施工信息的施工行为结果描述信息进行遮盖操作的可能性等于结果维度遮盖可能性。
10.在一些优选的实施例中，在上述应用于智慧工地的大数据分析方法中，所述基于配置的目标规则，将所述示例性施工信息簇中的每一个示例性施工信息的人员施工行为描述信息和施工行为结果描述信息进行遮盖操作，以形成至少一个示例性施工信息对应的人员施工行为描述遮盖信息和施工行为结果描述遮盖信息的步骤，包括：分别对确定出的需要进行遮盖操作的每一个示例性施工信息的人员施工行为描述信息和施工行为结果描述信息中的一个以上的描述信息分割为属于目标长度的多个描述信息片段；依据配置的目标比例，将每一个维度的描述信息分割形成的属于目标长度的所述多个描述信息片段进行筛除处理，完成遮盖操作。
11.在一些优选的实施例中，在上述应用于智慧工地的大数据分析方法中，所述依据所述行为描述信息代表向量和所述结果描述信息代表向量，分析输出人员施工行为维度和施工行为结果维度各自对应的维度异常分析信息、维度还原异常分析信息和维度还原信息的步骤，包括：依据所述行为描述信息代表向量，通过所述初始施工异常分析神经网络包括的行为维度异常分析单元，分析出人员施工行为维度对应的施工行为维度异常分析信息，以及，依据所述结果描述信息代表向量，通过所述初始施工异常分析神经网络包括的结果维度异常分析单元，分析出施工行为结果维度对应的施工结果维度异常分析信息；依据所述行为描述信息代表向量，通过所述初始施工异常分析神经网络包括的行为维度还原异常分析单元，分析出人员施工行为维度对应的施工行为维度还原异常分析信息，以及，依据所述结果描述信息代表向量，通过所述初始施工异常分析神经网络包括的结果维度还原异常分析单元，分析出施工行为结果维度对应的施工结果维度还原异常分析信息；依据所述行为描述信息代表向量，通过所述初始施工异常分析神经网络包括的行为维度还原单元，还原出人员施工行为维度对应的行为维度还原信息，以及，依据所述结果描述信息代表向量，通过所述初始施工异常分析神经网络包括的结果维度还原单元，还原出施工行为结果维度对应的结果维度还原信息。
12.在一些优选的实施例中，在上述应用于智慧工地的大数据分析方法中，所述依据所述示例性施工信息簇包括的每一个示例性施工信息的人员施工行为维度和施工行为结果维度各自对应的维度异常分析信息、维度还原异常分析信息和维度还原信息，将初始施工异常分析神经网络进行网络优化处理，以形成对应的目标施工异常分析神经网络的步骤，包括：对于所述示例性施工信息簇包括的每一个示例性施工信息：倘若所述示例性施工信息不具有所述实际施工异常程度信息，则分析出所述施工行为维度异常分析信息和所述施工结果维度还原异常分析信息之间的第一学习代价指标，并分析出所述施工结果维度异常分析信息和所述施工行为维度还原异常分析信息之间的第二学习代价指标，并分析出所述行为维度还原信息和所述示例性施工信息的施工行为结果描述信息之间的第三学习代价指标，并分析出所述结果维度还原信息和所述示例性施工信息的人员施工行为描述信息之间的第四学习代价指标；倘若所述示例性施工信息具有所述实际施工异常程度信息，分析出所述施工行为维度异常分析信息和所述示例性施工信息的实际施工异常程度信息之间的第五学习代价指标，分析出所述施工结果维度异常分析信息和所述示例性施工信息的实际施工异常程度信息之间的第六学习代价指标；依据所述示例性施工信息簇的每一个示例性施工信息对于的每一个学习代价指标，将所述初始施工异常分析神经网络进行网络优化处理，以形成对应的目标施工异常分析神经网络。
13.在一些优选的实施例中，在上述应用于智慧工地的大数据分析方法中，依据第一学习代价指标确定规则，分析出所述施工行为维度异常分析信息和所述施工结果维度还原异常分析信息之间的第一学习代价指标、所述施工结果维度异常分析信息和所述施工行为维度还原异常分析信息之间的第二学习代价指标；依据第二学习代价指标确定规则，分析出所述行为维度还原信息和所述施工行为结果描述信息之间的第三学习代价指标、所述结果维度还原信息和所述人员施工行为描述信息之间的第四学习代价指标；依据第三学习代价指标确定规则，分析出所述施工行为维度异常分析信息和所述示例性施工信息的实际施工异常程度信息之间的第五学习代价指标、所述施工结果维度异常分析信息和所述示例性施工信息的实际施工异常程度信息之间的第六学习代价指标，所述第一学习代价指标确定规则、所述第二学习代价指标确定规则和所述第三学习代价指标确定规则不同。
14.本发明实施例还提供一种应用于智慧工地的大数据分析系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上所述的应用于智慧工地的大数据分析方法。
15.本发明实施例提供的一种应用于智慧工地的大数据分析方法及系统，可以采集到人员施工行为描述信息和施工行为结果描述信息；分析输出施工行为维度异常分析信息和施工结果维度异常分析信息；对于每一个施工环节，依据施工行为维度异常分析信息，筛选出目标可能性参数，以标记为行为维度可能性参数，依据施工结果维度异常分析信息，筛选出目标可能性参数，以标记为结果维度可能性参数，依据行为维度可能性参数和结果维度
可能性参数对应的施工异常程度，确定出施工环节对应的施工异常程度；基于每一个施工环节对应的施工异常程度，形成目标施工异常程度。基于此前述的内容，分析出的目标施工异常程度，在融合后各个施工环节对应的施工异常程度的情况下，还是基于人员施工行为描述信息和施工行为结果描述信息这两个维度的描述信息确定的，使得分析的依据更为全面，从而可以提高施工异常分析的可靠度，进而改善现有技术中的不足之处。
16.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
17.图1为本发明实施例提供的应用于智慧工地的大数据分析系统的结构框图。
18.图2为本发明实施例提供的应用于智慧工地的大数据分析方法包括的各步骤的流程示意图。
19.图3为本发明实施例提供的应用于智慧工地的大数据分析装置包括的各模块的示意图。
具体实施方式
20.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
21.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.如图1所示，本发明实施例提供了一种应用于智慧工地的大数据分析系统。其中，所述应用于智慧工地的大数据分析系统可以包括存储器和处理器，所述应用于智慧工地的大数据分析系统还可以包括其它器件。
23.详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的应用于智慧工地的大数据分析方法。
24.可以理解，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器（random access memory，ram），只读存储器（read only memory，rom），可编程只读存储器（programmable read-only memory，prom），可擦除只读存储器（erasable programmable read-only memory，eprom），电可擦除只读存储器（electric erasable programmable read-only memory，eeprom）等。所述处理器可以是一种通用处理器，包括中央处理器（central processing unit，cpu）、网络处理器（network processor，np）、片上系统(system on chip，soc)等；还可以是数字信号处理器（dsp）、专用集成电路（asic）、现场可
编程门阵列（fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
25.可以理解，在一些实施方式中，所述应用于智慧工地的大数据分析系统可以是一种具备数据处理能力的服务器。
26.结合图2，本发明实施例还提供一种应用于智慧工地的大数据分析方法，可应用于上述应用于智慧工地的大数据分析系统。其中，所述应用于智慧工地的大数据分析方法有关的流程所定义的方法步骤，可以由所述应用于智慧工地的大数据分析系统实现。
27.下面将对图2所示的具体流程，进行详细阐述。
28.步骤s110，采集到目标施工工程对应的人员施工行为描述信息和施工行为结果描述信息。
29.在本发明实施例中，所述应用于智慧工地的大数据分析系统可以采集到目标施工工程对应的人员施工行为描述信息和施工行为结果描述信息（示例性地，所述人员施工行为描述信息是指反映施工人员的施工行为的信息，所述施工行为结果描述信息是指反映施工行为的结果的信息，如描述形成的工程的信息，所述人员施工行为描述信息和所述施工行为结果描述信息的具体数据形式不受限制，例如，可以是在个施工环节进行记录形成的文本数据）。所述施工行为结果描述信息包括多个施工环节的信息。
30.步骤s120，通过目标施工异常分析神经网络，分析输出所述人员施工行为描述信息对应的施工行为维度异常分析信息和所述施工行为结果描述信息对应的施工结果维度异常分析信息。
31.在本发明实施例中，所述应用于智慧工地的大数据分析系统可以通过目标施工异常分析神经网络，分析输出所述人员施工行为描述信息对应的施工行为维度异常分析信息和所述施工行为结果描述信息对应的施工结果维度异常分析信息。所述施工行为维度异常分析信息和所述施工结果维度异常分析信息各自用于反映所述施工行为结果描述信息中的每一个施工环节对应的异常程度可能性参数分布（即施工行为维度的异常程度可能性参数分布和施工结果维度的异常程度可能性参数分布）。
32.步骤s130，对于所述施工行为结果描述信息中的每一个施工环节，依据所述施工行为维度异常分析信息，筛选出每一个施工异常程度对应的目标可能性参数，以标记为行为维度可能性参数，以及，依据所述施工结果维度异常分析信息，筛选出每一个施工异常程度对应的目标可能性参数，以标记为结果维度可能性参数，以及，依据所述行为维度可能性参数对应的施工异常程度和所述结果维度可能性参数对应的施工异常程度，确定出所述施工环节对应的施工异常程度。
33.在本发明实施例中，所述应用于智慧工地的大数据分析系统可以对于所述施工行为结果描述信息中的每一个施工环节，依据所述施工行为维度异常分析信息，筛选出每一个施工异常程度对应的目标可能性参数，以标记为行为维度可能性参数，以及，依据所述施工结果维度异常分析信息，筛选出每一个施工异常程度对应的目标可能性参数，以标记为结果维度可能性参数，以及，依据所述行为维度可能性参数对应的施工异常程度和所述结果维度可能性参数对应的施工异常程度，确定出所述施工环节对应的施工异常程度（示例性地，所述目标可能性参数可以是指对应的异常程度可能性参数分布中具有最大值的异常程度可能性参数，所述异常程度可能性参数分布可以由多个异常程度和每一个异常程度对应的可能性参数组成；另外，可以基于所述行为维度可能性参数对应的施工异常程度和所
述结果维度可能性参数对应的施工异常程度中较大的维度可能性参数对应的施工异常程度，作为所述施工环节对应的施工异常程度，或者，还可以基于所述行为维度可能性参数和所述结果维度可能性参数，对对应的施工异常程度进行加权求和计算，以得到所述施工环节对应的施工异常程度）。
34.步骤s140，基于每一个所述施工环节对应的施工异常程度，融合形成所述目标施工工程对应的目标施工异常程度。
35.在本发明实施例中，所述应用于智慧工地的大数据分析系统可以基于每一个所述施工环节对应的施工异常程度，融合形成所述目标施工工程对应的目标施工异常程度（示例性地，可以对每一个所述施工环节对应的施工异常程度进行加权均值或均值或求和计算，以形成所述目标施工工程对应的目标施工异常程度）。
36.基于此前述的内容，分析出的目标施工异常程度，在融合后各个施工环节对应的施工异常程度的情况下，还是基于人员施工行为描述信息和施工行为结果描述信息这两个维度的描述信息确定的，使得分析的依据更为全面，从而可以提高施工异常分析的可靠度，进而改善现有技术中的不足之处（即存在的施工异常分析的可靠度不佳的问题）。
37.可以理解，在一些实施方式中，上述描述中的所述目标施工异常分析神经网络的网络优化处理，可以进一步包括以下具体的实施过程：采集到包括第一示例性施工信息簇和第二示例性施工信息簇的示例性施工信息簇，所述第一示例性施工信息簇中的每一个示例性施工信息具有人员施工行为描述信息、施工行为结果描述信息和所述施工行为结果描述信息对应的实际施工异常程度信息，所述第二示例性施工信息簇的至少部分中的示例性施工信息包括人员施工行为描述信息、施工行为结果描述信息和不具有所述施工行为结果描述信息对应的实际施工异常程度信息（示例性地，所述第二示例性施工信息簇包括的示例性施工信息中可以部分示例性施工信息不具有对应的实际施工异常程度信息）；对于所述示例性施工信息簇中的每一个示例性施工信息：依据所述示例性施工信息具有的人员施工行为描述信息，挖掘出对应的行为描述信息代表向量（示例性地，可以通过所述目标施工异常分析神经网络包括的特征挖掘单元，对所述人员施工行为描述信息进行特征挖掘，以挖掘出对应的行为描述信息代表向量，具体来说，可以先对所述人员施工行为描述信息进行特征空间映射处理，以得到对应的第一空间映射向量，然后，可以对所述第一空间映射向量进行滤波处理、注意力机制的分析处理等，以得到对应的行为描述信息代表向量），以及，依据所述示例性施工信息具有的施工行为结果描述信息，挖掘出对应的结果描述信息代表向量（示例性地，可以通过所述目标施工异常分析神经网络包括的特征挖掘单元，对所述施工行为结果描述信息进行特征挖掘，以挖掘出对应的结果描述信息代表向量，具体来说，可以先对所述施工行为结果描述信息进行特征空间映射处理，以得到对应的第二空间映射向量，然后，可以对所述第二空间映射向量进行滤波处理、注意力机制的分析处理等，以得到对应的结果描述信息代表向量），所述示例性施工信息具有的施工行为结果描述信息包括多个施工环节的信息；依据所述行为描述信息代表向量和所述结果描述信息代表向量，分析输出人员施工行为维度和施工行为结果维度各自对应的维度异常分析信息、维度还原异常分析信息和维度还原信息，每一个维度信息对应的维度异常分析信息用于反映依据对应的维度信息的
描述信息代表向量分析出的所述多个施工环节中的每一个施工环节的异常程度可能性参数分布，每一个维度信息对应的维度还原异常分析信息用于反映依据对应的维度信息的描述信息代表向量还原出其它的维度信息的描述信息代表向量分析出的所述多个施工环节中的每一个施工环节的异常程度可能性参数分布，每一个维度信息对应的维度还原信息用于反映依据对应的维度信息的描述信息代表向量还原出的其它的维度信息的还原描述信息；依据所述示例性施工信息簇包括的每一个示例性施工信息的人员施工行为维度和施工行为结果维度各自对应的维度异常分析信息、维度还原异常分析信息和维度还原信息，将初始施工异常分析神经网络进行网络优化处理，以形成对应的目标施工异常分析神经网络。
38.可以理解，在一些实施方式中，所述目标施工异常分析神经网络的网络优化处理还包括：基于配置的目标规则，将所述示例性施工信息簇中的每一个示例性施工信息的人员施工行为描述信息和施工行为结果描述信息进行遮盖操作，以形成至少一个示例性施工信息对应的人员施工行为描述遮盖信息和施工行为结果描述遮盖信息（示例性地，可以对部分描述信息进行遮盖操作，以得到对应的描述遮盖信息，如所述人员施工行为描述遮盖信息和所述施工行为结果描述遮盖信息；其中，遮盖操作可以针对所述示例性施工信息簇中的任意确定的至少一个示例性施工信息的人员施工行为描述信息和施工行为结果描述信息，并且，该至少一个示例性施工信息中的每一个示例性施工信息可以仅对人员施工行为描述信息和施工行为结果描述信息中的一种描述信息进行遮盖操作，或者，也可以对两种描述信息都进行遮盖操作）。基于此，上述描述中的所述依据所述示例性施工信息具有的人员施工行为描述信息，挖掘出对应的行为描述信息代表向量，以及，依据所述示例性施工信息具有的施工行为结果描述信息，挖掘出对应的结果描述信息代表向量的步骤，可以进一步包括以下具体的实施过程：依据所述示例性施工信息的人员施工行为描述信息或人员施工行为描述遮盖信息，挖掘出对应的所述行为描述信息代表向量（如前相关描述），以及，依据所述示例性施工信息的施工行为结果描述信息或施工行为结果描述遮盖信息，挖掘出对应的所述结果描述信息代表向量（如前相关描述），所述示例性施工信息的行为描述信息代表向量和结果描述信息代表向量中的一个以上描述信息代表向量对应的信息不属于描述遮盖信息。
39.可以理解，在一些实施方式中，上述描述中的所述目标规则，可以进一步包括以下具体的规则内容：对所述示例性施工信息簇中的每一个示例性施工信息的人员施工行为描述信息进行遮盖操作的可能性等于行为维度遮盖可能性（示例性地，所述行为维度遮盖可能性可以预先配置得到，具体数值不受限制）；对所述示例性施工信息簇中的每一个示例性施工信息的施工行为结果描述信息进行遮盖操作的可能性等于结果维度遮盖可能性（示例性地，所述结果维度遮盖可能性可以预先配置得到，具体数值不受限制）。
40.可以理解，在一些实施方式中，每一个示例性施工信息同步加载到所述初始施工异常分析神经网络中进行网络优化时不能都是描述遮盖信息，即至少有一个示例性施工信息是未经遮盖操作的人员施工行为描述信息，并且，也不能只对一种维度信息的示例性施
工信息进行遮盖操作，例如，不能只对人员施工行为描述信息或仅对施工行为结果描述信息进行遮盖操作，即两种维度信息都需要具有未经遮盖操作的示例性施工信息和遮盖操作后的示例性施工信息。也就是说，在对初始施工异常分析神经网络进行网络优化处理的过程中，对于每一个示例性施工信息，一个人员施工行为描述信息与一个施工行为结果描述信息或者对应的一个施工行为结果描述遮盖信息进行组合，以加载到初始施工异常分析神经网络中，或者一个施工行为结果描述信息与一个人员施工行为描述信息或者对应的一个人员施工行为描述遮盖信息进行组合，以加载到初始施工异常分析神经网络中，如此，通过将遮盖操作后的一种维度信息的示例性施工信息与未遮盖操作的另一种维度信息的示例性施工信息进行组合，可以使初始施工异常分析神经网络学习到更多的人员施工行为维度-施工行为结果维度的对应关系。
41.可以理解，在一些实施方式中，上述描述中的所述基于配置的目标规则，将所述示例性施工信息簇中的每一个示例性施工信息的人员施工行为描述信息和施工行为结果描述信息进行遮盖操作，以形成至少一个示例性施工信息对应的人员施工行为描述遮盖信息和施工行为结果描述遮盖信息的步骤，可以进一步包括以下具体的实施过程：分别对确定出的需要进行遮盖操作的每一个示例性施工信息的人员施工行为描述信息和施工行为结果描述信息中的一个以上的描述信息分割为属于目标长度的多个描述信息片段（示例性地，所述目标长度可以是指描述信息的数据量，如字数、词语数量、语句数量等）；依据配置的目标比例，将每一个维度的描述信息分割形成的属于目标长度的所述多个描述信息片段进行筛除处理，完成遮盖操作（示例性地，可以将所述多个描述信息片段中所述目标比例的描述信息片段进行筛除掉，从而实现对应的遮盖操作）。
42.可以理解，在一些实施方式中，上述描述中的所述依据所述行为描述信息代表向量和所述结果描述信息代表向量，分析输出人员施工行为维度和施工行为结果维度各自对应的维度异常分析信息、维度还原异常分析信息和维度还原信息的步骤，可以进一步包括以下具体的实施过程：依据所述行为描述信息代表向量，通过所述初始施工异常分析神经网络包括的行为维度异常分析单元，分析出人员施工行为维度对应的施工行为维度异常分析信息，以及，依据所述结果描述信息代表向量，通过所述初始施工异常分析神经网络包括的结果维度异常分析单元，分析出施工行为结果维度对应的施工结果维度异常分析信息；依据所述行为描述信息代表向量，通过所述初始施工异常分析神经网络包括的行为维度还原异常分析单元，分析出人员施工行为维度对应的施工行为维度还原异常分析信息（示例性地，所述行为维度还原异常分析单元可以学习到行为描述信息代表向量和结果描述信息代表向量之间的对应关系，然后，可以基于该对应关系还原出该行为描述信息代表向量对应的还原行为描述信息代表向量，然后可以基于该还原行为描述信息代表向量分析出对应的施工行为维度还原异常分析信息，也就是说，所述施工行为维度还原异常分析信息用于反映结果维度的异常分析信息），以及，依据所述结果描述信息代表向量，通过所述初始施工异常分析神经网络包括的结果维度还原异常分析单元，分析出施工行为结果维度对应的施工结果维度还原异常分析信息（示例性地，所述结果维度还原异常分析单元可以学习到结果描述信息代表向量和行为描述信息代表向量之间的对应关系，然后，可以基
于该对应关系还原出该结果描述信息代表向量对应的还原结果描述信息代表向量，然后，可以基于该还原结果描述信息代表向量分析出对应的施工结果维度还原异常分析信息，也就是说，所述施工结果维度还原异常分析信息用于反映行为维度的异常分析信息）；依据所述行为描述信息代表向量，通过所述初始施工异常分析神经网络包括的行为维度还原单元，还原出人员施工行为维度对应的行为维度还原信息（示例性地，所述行为维度还原单元可以学习到行为描述信息代表向量和行为维度还原信息之间的对应关系，然后，可以基于所述行为描述信息代表向量还原出人员施工行为维度对应的行为维度还原信息，所述行为维度还原信息可以是指结果维度的信息），以及，依据所述结果描述信息代表向量，通过所述初始施工异常分析神经网络包括的结果维度还原单元，还原出施工行为结果维度对应的结果维度还原信息（示例性地，所述结果维度还原单元可以学习到结果描述信息代表向量和结果维度还原信息之间的对应关系，然后，可以基于所述结果描述信息代表向量还原出人员施工结果维度对应的结果维度还原信息，所述结果维度还原信息可以是指依据行为维度的向量还原出的行为维度的信息）。
43.可以理解，在一些实施方式中，上述描述中的所述依据所述示例性施工信息簇包括的每一个示例性施工信息的人员施工行为维度和施工行为结果维度各自对应的维度异常分析信息、维度还原异常分析信息和维度还原信息，将初始施工异常分析神经网络进行网络优化处理，以形成对应的目标施工异常分析神经网络的步骤，可以进一步包括以下具体的实施过程：对于所述示例性施工信息簇包括的每一个示例性施工信息：倘若所述示例性施工信息不具有所述实际施工异常程度信息，则分析出所述施工行为维度异常分析信息和所述施工结果维度还原异常分析信息之间的第一学习代价指标，并分析出所述施工结果维度异常分析信息和所述施工行为维度还原异常分析信息之间的第二学习代价指标，并分析出所述行为维度还原信息和所述示例性施工信息的施工行为结果描述信息之间的第三学习代价指标，并分析出所述结果维度还原信息和所述示例性施工信息的人员施工行为描述信息之间的第四学习代价指标；倘若所述示例性施工信息具有所述实际施工异常程度信息，分析出所述施工行为维度异常分析信息和所述示例性施工信息的实际施工异常程度信息之间的第五学习代价指标，分析出所述施工结果维度异常分析信息和所述示例性施工信息的实际施工异常程度信息之间的第六学习代价指标；依据所述示例性施工信息簇的每一个示例性施工信息对于的每一个学习代价指标（如前所述的第一学习代价指标、第二学习代价指标、第三学习代价指标、第四学习代价指标、第五学习代价指标以及第六学习代价指标，示例性地，可以进行加权求和以得到目标学习代价指标，然后，基于目标学习代价指标进行网络优化处理），将所述初始施工异常分析神经网络进行网络优化处理，以形成对应的目标施工异常分析神经网络。
44.可以理解，在一些实施方式中，可以依据第一学习代价指标确定规则，分析出所述施工行为维度异常分析信息和所述施工结果维度还原异常分析信息之间的第一学习代价指标、所述施工结果维度异常分析信息和所述施工行为维度还原异常分析信息之间的第二学习代价指标。可以依据第二学习代价指标确定规则，分析出所述行为维度还原信息和所述施工行为结果描述信息之间的第三学习代价指标、所述结果维度还原信息和所述人员施
工行为描述信息之间的第四学习代价指标。可以依据第三学习代价指标确定规则，分析出所述施工行为维度异常分析信息和所述示例性施工信息的实际施工异常程度信息之间的第五学习代价指标、所述施工结果维度异常分析信息和所述示例性施工信息的实际施工异常程度信息之间的第六学习代价指标，所述第一学习代价指标确定规则、所述第二学习代价指标确定规则和所述第三学习代价指标确定规则不同（示例性地，所述第一学习代价指标确定规则、所述第二学习代价指标确定规则和所述第三学习代价指标确定规则的具体类型不受限制，如最小绝对值偏差、最小平方误差、交叉熵、smooth mean absolute error、log-cosh loss、hinge loss等）。
45.其中，可以理解，在一些实施方式中，上述描述中的所述行为维度异常分析单元和所述结果维度异常分析单元中的每一个单元包括变化滤波子单元（在所述变化滤波子单元中，包括的过滤器或滤波矩阵在测试期间会随着输入数据的不同而变化）和向量参数映射子单元（在所述向量参数映射子单元中，可以包括softmax函数）。所述行为维度还原异常分析单元和所述结果维度还原异常分析单元中的每一个单元包括全连接子单元（所述全连接子单元可以实现输入数据和输出数据之间的非线性映射，也可以称为敏感度识别单元）和向量参数映射子单元。所述行为维度还原单元和结果维度还原单元中的每一个单元包括非线性映射子单元（所述非线性映射子单元也可以实现数据和输出数据之间的非线性映射）。
46.其中，可以理解，在一些实施方式中，上述描述中的所述依据所述行为描述信息代表向量，通过所述初始施工异常分析神经网络包括的行为维度异常分析单元，分析出人员施工行为维度对应的施工行为维度异常分析信息的步骤，可以进一步包括以下具体的实施过程：依据所述结果描述信息代表向量，分析出用于将所述行为描述信息代表向量进行变化滤波处理的行为维度影响力参数分布（示例性地，所述结果描述信息代表向量可以在经过全连接子单元的非线性映射处理之后，形成该行为维度影响力参数分布，该全连接子单元的参数可以在对所述初始施工异常分析神经网络进行网络优化的过程中进行更新优化。该行为维度影响力参数分布的维度可以和所述行为描述信息代表向量的维度一致）；依据所述行为维度影响力参数分布，将所述行为描述信息代表向量中每一个施工环节的描述信息代表向量进行变化滤波处理，以输出每一个施工环节对应的滤波描述信息代表向量（示例性地，可以对所述行为维度影响力参数分布和所述描述信息代表向量进行乘法运算，以得到每一个施工环节对应的滤波描述信息代表向量），以及，依据每一个施工环节对应的滤波描述信息代表向量，通过所述向量参数映射子单元，输出每一个施工环节对应的施工异常程度维度异常分析信息；依据每一个施工环节对应的施工异常程度维度异常分析信息，分析出人员施工行为维度对应的施工行为维度异常分析信息。
47.其中，可以理解，在一些实施方式中，上述描述中的所述依据所述结果描述信息代表向量，通过所述初始施工异常分析神经网络包括的结果维度异常分析单元，分析出施工行为结果维度对应的施工结果维度异常分析信息的步骤，可以进一步包括以下具体的实施过程：依据所述行为描述信息代表向量，分析出用于将所述结果描述信息代表向量进行变化滤波处理的结果维度影响力参数分布（示例性地，所述行为描述信息代表向量可以在
经过全连接子单元的非线性映射处理之后，形成该结果维度影响力参数分布，该全连接子单元的参数可以在对所述初始施工异常分析神经网络进行网络优化的过程中进行更新优化。该结果维度影响力参数分布的维度可以和所述结果描述信息代表向量的维度一致）；依据所述结果维度影响力参数分布，将所述结果描述信息代表向量中每一个施工环节的描述信息代表向量进行变化滤波处理，以输出每一个施工环节对应的滤波描述信息代表向量（示例性地，可以对所述结果维度影响力参数分布和所述描述信息代表向量进行乘法运算，以得到每一个施工环节对应的滤波描述信息代表向量），以及，依据每一个施工环节对应的滤波描述信息代表向量，通过所述向量参数映射子单元，输出每一个施工环节对应的施工异常程度维度异常分析信息；依据每一个施工环节对应的施工异常程度维度异常分析信息，分析出施工行为结果维度对应的施工结果维度异常分析信息。
48.可以理解，在一些实施方式中，所述第一示例性施工信息簇包括多个分割形成的批次第一示例性施工信息子簇，所述第二示例性施工信息簇包括多个分割形成的批次第二示例性施工信息子簇，通过依次轮询所述第一示例性施工信息簇包括的多个批次第一示例性施工信息子簇和所述第二示例性施工信息簇包括的多个批次第二示例性施工信息子簇，以使得通过当前轮询到的示例性施工信息对所述初始施工异常分析神经网络进行网络优化（示例性地，可以先利用第一个批次第一示例性施工信息子簇对所述初始施工异常分析神经网络进行网络优化，然后，利用第一个批次第二示例性施工信息子簇对所述初始施工异常分析神经网络进行网络优化，之后，利用第二个批次第一示例性施工信息子簇对所述初始施工异常分析神经网络进行网络优化，然后，利用第二个批次第二示例性施工信息子簇对所述初始施工异常分析神经网络进行网络优化，以此类推）。
49.结合图3，本发明实施例还提供一种应用于智慧工地的大数据分析装置，可应用于上述应用于智慧工地的大数据分析系统。其中，所述应用于智慧工地的大数据分析装置可以包括以下内容：施工描述信息采集模块，用于采集到目标施工工程对应的人员施工行为描述信息和施工行为结果描述信息，所述施工行为结果描述信息包括多个施工环节的信息；异常信息分析模块，用于通过目标施工异常分析神经网络，分析输出所述人员施工行为描述信息对应的施工行为维度异常分析信息和所述施工行为结果描述信息对应的施工结果维度异常分析信息，所述施工行为维度异常分析信息和所述施工结果维度异常分析信息各自用于反映所述施工行为结果描述信息中的每一个施工环节对应的异常程度可能性参数分布；异常程度确定模块，用于对于所述施工行为结果描述信息中的每一个施工环节，依据所述施工行为维度异常分析信息，筛选出每一个施工异常程度对应的目标可能性参数，以标记为行为维度可能性参数，以及，依据所述施工结果维度异常分析信息，筛选出每一个施工异常程度对应的目标可能性参数，以标记为结果维度可能性参数，以及，依据所述行为维度可能性参数对应的施工异常程度和所述结果维度可能性参数对应的施工异常程度，确定出所述施工环节对应的施工异常程度；异常程度融合模块，用于基于每一个所述施工环节对应的施工异常程度，融合形成所述目标施工工程对应的目标施工异常程度。
50.综上所述，本发明提供的一种应用于智慧工地的大数据分析方法及系统，可以采集到人员施工行为描述信息和施工行为结果描述信息；分析输出施工行为维度异常分析信息和施工结果维度异常分析信息；对于每一个施工环节，依据施工行为维度异常分析信息，筛选出目标可能性参数，以标记为行为维度可能性参数，依据施工结果维度异常分析信息，筛选出目标可能性参数，以标记为结果维度可能性参数，依据行为维度可能性参数和结果维度可能性参数对应的施工异常程度，确定出施工环节对应的施工异常程度；基于每一个施工环节对应的施工异常程度，形成目标施工异常程度。基于此前述的内容，分析出的目标施工异常程度，在融合后各个施工环节对应的施工异常程度的情况下，还是基于人员施工行为描述信息和施工行为结果描述信息这两个维度的描述信息确定的，使得分析的依据更为全面，从而可以提高施工异常分析的可靠度，进而改善现有技术中的不足之处（即存在的施工异常分析的可靠度不佳的问题）。
51.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。