通信線路工程全過程時限管理解決方案

【摘要】 對通信線路工程各類型項目階段進行細分，設計了一種針對傳輸線路工程項目工期的評估模型。針對不同類型的任務，用調研和回歸的方式來對工期進行估算，從而達到可以評估項目進程的目的。

【關鍵詞】 線性回歸 梯度下降 工期估計

一、引言

隨著通信技術的不斷發展以及日益擴大的市場需求，運營商的網絡建設規模正在逐年擴大，工程總量不斷加大，這就勢必對項目工程建設的整體管理提出更高的要求。

但總體而言，項目管理只能怪存在一些普遍問題，部門間的銜接、專業間的銜接依然不足，工程進度管理手段缺乏，工期管理缺乏統籌規劃，工程各環節沒有標準化的工期，各工程階段的管理往往依靠項目經理工作經驗，項目責任界面劃分不明確，部分工期階段實施時間較長，沒有相關考核依據等，造成了項目管理效率較低下等問題。因此實現對項目全生命周期范圍內的可視、可管、可計劃成為了解決這些問題的當務之急。

二、時限管理體系

根據目前的現狀，本文提出了一種傳輸線路工程項目工期評估模型。針對傳輸線路工程中的子任務性質，該評估模型將任務分成固定型和回歸預測型。固定型包含項目審批、設計委托以及一系列手續申請等任務。回歸預測型主要包含了四種傳輸線路工程：直埋線路工程、架空線路工程、管道線路工程和復掛線路工程。對于回歸預測型，我們采用了數據挖掘的方式構建了多元回歸模型來對傳輸線路工程的工期進行估計。

最終，我們將固定型任務的預估工期和針對回歸預測型任務估計的工期進行整合，得到完整的工程項目的預計工期，從而對傳輸線路工程的實際工期進行評估。

2.1 調研階段

固定型任務的工期主要通過問卷調查和專家調研兩種方式收集數據進行估計。而回歸預測型任務為了更精確的預測工程工期，則需在調研數據基礎上針對多種工程特征進行建模。接下來，我們簡要介紹傳輸線路工程的特征：

（1）人力特征

a）工人數量p：參與工程的施工人員數量。

b）工人熟練度q：參與工程的施工人員的技術水平。

（2）設備支持度

a）機械化程度m：工程機械化程度的度量指標，數值范圍[0，1]。0表示純手工，1表示純機械化。

b）大型器械數量n：工程使用大型器械的數量

（3）地形環境特性

a）地理位置d：包含了若干類的工程施工地點，如城區、平原、丘陵、山區等不同的施工地形。

b）天氣氣候因素c：包含了可影響工程施工進度的氣候因素。如是否存在凍土期、雨季等。

根據上述特征分類，在調研階段設計一系列的工程工期調研表格，并做細致的分類。例如將敷纜鋪設這項任務的施工地區劃分為平原、丘陵水田城區、山區等三類。

2.2多元回歸模型建模

為了對傳輸線路工程工期進行評估，本文采用多元的線性回歸模型對傳輸線路工程工期進行建模。考慮到不同的特征對傳輸線路工程工期存在影響，我們需要在模型中同時體現出不同特征的權重。

為此，我們將這些特征進行線性組合，通過權重值wi表示特征i的重要程度。多元回歸模型如下所示：

其中，xi表示特征i的特征值，wi表示特征i的權重值。同時，為了考慮不同特征之間的關聯性，在模型中我們也引入了表示兩個特征之間關聯程度的權重vij。至此，如果已知所有的wi和vij，可以通過f（x）計算出給定參數的情況下傳輸線路工程所需的工期。

2.3參數訓練

該多元回歸模型中包含了6個特征，21個參數（6個wi，15個vij）。如何選取一個有效的方法來進行參數訓練，是我們要討論的問題。

在數據挖掘領域中，一類主要的訓練參數的方法叫隨機梯度下降法。其原理是首先針對要訓練的模型構建優化函數L（x）：

當f（x）中的參數足夠準確的情況下，求得的f（x）應足夠的接近于yi，L（x）將達到最小值。根據這樣的分析，參數訓練問題就轉變成尋找一組參數，使得L（x）最小的數學問題。我們采用隨機剃度下降法來對參數進行近似求解。隨機梯度下降法示意圖如圖1所示，圖中所表示是包含了兩個參數的優化函數的曲面。

為了找到最小值點，在求解過程中，我們首先給參數進行隨機賦值，計算L（x），再根據預測值和實際值的差距來更新參數的取值。如此反復迭代，直到L（x）達到足夠小，或者達到給定的迭代次數。圖中經過7次迭代達到了相對滿意的結果。

針對我們提出的多遠回歸模型，每次迭代都通過下面的公式對參數的更新。

2.4實驗驗證

當用傳輸線路工程項目工期評估模型對項目進行評估的時候，我們需要提取待評估項目的所有特征。如果特征存在缺失，則用0代替。

針對固定型任務，我們使用調研的數據來直接預測，對于適用于回歸預測的任務，我們則使用已經訓練好的多元回歸模型進行工期預測。

（1）項目建設規模

施工總公里數531.3km，其中直埋線路工程1.3km，架空線路工程160km，管道線路工程90km，復掛線路工程280km。

（2）工期對比

經模型測算出總工期約為523天，不計算初驗后工程階段，工期約為229天。

實際工期為8個月（約250天），誤差約為8.4%。

通過上述的對比可以看到，此工期計算模型由于考慮了多種變量參數，按照工期計算模型測算的時間有一定的準確度，可用來提高項目管理的精確度、縮減項目管理周期。

四、總結

本文系統的對傳輸線路項目全生命周期各階段工期標準化進行了研究，實現了抽象流程定量化。但受實際情況限制，本文中所用的訓練數據量有限，預測結果的準確度難免存在偏差，因此本文旨在提出一種合理有效的計算模型，計算的結果仍可待后期獲得更多的訓練數據后再進行優化。

本文聚焦標準化工期的研究與實施，能夠規范并有效銜接計劃建設各個環節的工作，約束各主要相關責任主體，保障運營商傳輸線路工程進度與質量，合理控制建設成本，全面提升計劃建設管理的響應速度與響應質量。

參 考 文 獻

[1] Friedman， J.， and Bogdan E. Popescu. Gradient directed regularization for linear regression and classification. Technical Report， Statistics Department， Stanford University， 2003.

[2] Kutner， Michael H. Applied linear statistical models. Vol. 4. Chicago： Irwin， 1996.

[3] Theil， Henri. “A rank-invariant method of linear and polynomial regression analysis.” Henri Theil’s Contributions to Economics and Econometrics. Springer Netherlands， 1992. 345-381.

[4] Rendle， Steffen. “Factorization machines with libFM.” ACM Transactions on Intelligent Systems and Technology （TIST） 3.3 （2012）： 57.

[5]林彬. 多元線性回歸分析及其應用[J]. 中國科技信息， 2010 （9）： 60-61.

[6]汪寶彬， 汪玉霞. 隨機梯度下降法的一些性質 （英文）[J]. 數學雜志， 2011， 6： 012.