基于大数据的工程管理决策支持系统研究

基于大数据的工程管理决策支持系统研究

田志国

612321197807201715

摘要：本研究聚焦于基于大数据的工程管理决策支持系统。阐述了工程管理决策的特性与大数据的特征，详细描述系统架构，包括数据采集、存储、处理与分析、决策支持模块，分析系统的功能模块与关键技术，探讨应用面临的挑战并提出应对策略。

一、引言

工程管理决策在工程项目的成功实施中起着关键作用。随着信息技术的发展，大数据为工程管理决策带来了新的机遇。构建基于大数据的工程管理决策支持系统，有助于提高决策的科学性、准确性和效率。

二、工程管理决策与大数据的特性

（一）工程管理决策的特性

1. 多目标性

   工程管理决策需同时考虑成本、质量、进度、安全等多个目标。例如，在建筑工程中，既要控制成本，又要确保质量达标且按时完工。

2. 动态性

   工程建设过程中存在诸多变化因素，如市场价格波动、天气变化等，决策需要根据这些动态因素不断调整。

（二）大数据的特征

1. 海量性

   工程管理中的数据来源众多，如项目管理系统、传感器、市场调研等，产生的数据量巨大。

2. 多样性

   数据类型包括结构化（如工程预算表）、半结构化（如项目文档）和非结构化（如施工现场图像）数据。

3. 高速性

   数据实时产生，如施工现场传感器每秒都在采集数据，需要及时处理。

三、基于大数据的工程管理决策支持系统架构

（一）数据采集层

1. 内部数据采集

   从企业内部的项目管理信息系统（PMIS）采集项目基本信息、进度数据、资源分配等数据。例如，从企业的ERP系统获取人力资源和物资供应数据。

2. 外部数据采集

   通过网络爬虫从互联网获取市场价格、行业动态等数据，同时与气象部门合作获取气象数据等外部环境数据。

（二）数据存储层

1. 存储技术

    采用分布式文件系统（如Hadoop的HDFS）存储海量数据，使用关系型数据库（如MySQL）存储结构化程度高、查询频繁的数据。

2. 数据组织

   根据项目、数据类型、时间等对数据进行分类存储，便于数据的检索和管理。

（三）数据处理与分析层

1. 数据清洗

    去除重复、错误、不完整的数据。例如，对采集到的成本数据进行清洗，去除异常值。

2. 数据分析方法

   运用数据挖掘技术（如关联规则挖掘）发现数据间的关系，利用机器学习算法（如线性回归分析成本与进度的关系）进行预测。

（四）决策支持层

1. 决策模型构建

   根据工程管理决策目标，如成本控制、进度优化等构建相应的决策模型。

2. 决策方案推荐

   -基于数据分析结果，为决策者提供多个可行的决策方案，并对方案进行评估和排序。

四、基于大数据的工程管理决策支持系统功能模块

（一）成本管理模块

1. 成本估算

   利用历史成本数据和项目特征数据，通过数据挖掘和机器学习算法准确估算项目成本。

2. 成本控制

   实时监控成本数据，与预算对比，当成本偏差超过阈值时发出预警，并提出控制措施。

（二）进度管理模块

1. 进度计划制定

    分析历史进度数据、项目任务逻辑关系和资源情况，制定合理的进度计划。

2. 进度跟踪与调整

   实时跟踪项目进度，通过传感器和进度报告数据，及时发现进度偏差并调整计划。

（三）质量管理模块

1. 质量标准设定

  依据行业标准和企业要求，结合历史质量数据设定质量标准。

2. 质量监控

   采集质量数据，如原材料检测数据、施工过程质量数据，及时发现质量问题。

（四）风险管理模块

1. 风险识别

   从内部（如项目团队能力）和外部（如市场风险）多方面识别风险因素。

2. 风险评估与应对

   评估风险发生的概率和影响程度，制定风险应对策略，如风险规避、减轻或转移。

五、基于大数据的工程管理决策支持系统关键技术

（一）数据挖掘技术

1. 关联规则挖掘

在工程管理这个复杂的领域中工程涉及众多的参与方与大量的要素，工程材料供应商就是其中一个关键要素。通过关联规则挖掘，可以深入探寻工程材料供应商与工程质量之间隐藏的关联关系。这种关联关系的挖掘对于决策具有重要意义。当项目进行材料供应商的选择时，就可以基于这样的关联分析结果，排除那些可能对工程质量产生不良影响的供应商，从而保障工程的顺利进行，提高工程的整体质量水平。

2. 聚类分析

聚类分析是对工程项目进行有效管理的重要手段。工程项目具有多种属性，如规模的大小、复杂度的高低等。将工程项目按照这些特征进行聚类，可以实现分类管理和科学决策。对于规模庞大且复杂度高的项目集群，可以集中优势资源，采用更为精细化的管理模式，调配经验丰富的团队进行运作；而对于规模较小、复杂度较低的项目，则可以采用相对简洁高效的管理流程。这种分类管理方式能够根据项目的实际情况制定针对性的管理策略，提高管理效率，减少资源的浪费，同时也为决策提供了更为清晰的框架，有助于在不同类型的项目中做出更为精准的决策。

（二）机器学习技术

1. 线性回归分析

线性回归分析在工程管理决策支持系统中是一种强有力的工具。工程管理中的成本、进度等变量之间存在着复杂的关系，而线性回归分析能够很好地剖析这些变量之间的线性关系。以成本和工程规模为例，随着工程规模的不断扩大，成本也会相应地发生变化。通过收集大量的工程样本数据，包括不同规模的工程及其对应的成本数据，利用线性回归分析方法，可以构建一个反映成本与工程规模之间关系的数学模型。这个模型能够根据新的工程规模数据准确地预测成本的大致范围，从而为成本预算的制定提供科学依据。

2. 决策树算法

在工程管理中的风险评估环节，决策树算法展现出独特的优势。风险评估需要综合考虑多个风险因素，并得出相应的决策结果。决策树算法通过构建决策树模型，以一种直观的方式展示风险因素与决策结果之间的关系。在工程建设过程中，面临着诸如技术风险、市场风险、环境风险等多种风险因素。例如，技术风险可能包括新技术的不成熟、技术人员的能力不足等；市场风险可能涉及原材料价格波动、市场需求变化等；环境风险可能涵盖自然灾害、政策法规变化等。决策树模型可以将这些风险因素作为树的节点，根据不同的风险状况分支到不同的决策结果。这种直观的展示方式使得决策者能够快速理解风险与决策之间的逻辑关系，从而更准确地评估风险，制定有效的应对策略。

六、基于大数据的工程管理决策支持系统应用面临的挑战与策略

（一）挑战

1. 数据质量问题

   数据来源广泛导致数据质量参差不齐，影响分析结果的准确性。

2. 数据安全与隐私保护

  工程管理数据包含企业机密和个人隐私，数据泄露风险高。

3. 人才短缺

  既懂工程管理又懂大数据技术的复合型人才匮乏。

（二）策略

1. 数据质量管理

  建立数据质量评估指标体系，加强数据清洗和验证工作。

2. 数据安全保障

   采用加密技术、访问控制等手段保护数据安全和隐私。

3. 人才培养与引进

  高校和企业合作培养复合型人才，积极引进相关领域专家。

七、结论

基于大数据的工程管理决策支持系统为工程管理决策提供了有力支持。虽然面临挑战，但通过有效的策略可不断完善，提升工程管理决策水平。

参考文献：

[1]李启明. 土木工程施工项目管理[M]. 中国建筑工业出版社, 2001.

[2]维克托·迈尔 - 舍恩伯格, 肯尼思·库克耶. 大数据时代：生活、工作与思维的大变革[M]. 浙江人民出版社, 2013.

[3]丁烈云. 数字建造——数字技术与土木工程的深度融合[J]. 土木工程学报, 2019, 52(1): 1 - 6.

[4]杨德钦, 杨静, 董晓清等. 大数据在建设工程管理中的应用[J]. 工程管理学报, 2016, 30(3): 1 - 5.

[5] 刘仁辉, 刘猛. 工程管理中的数据挖掘技术应用研究[J]. 工程管理学报, 2016, 29(5): 1 - 5.