买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东电网有限责任公司

摘要：本发明涉及智能评标技术领域，具体为智能辅助评标方法及系统，方法包括：基于预处理后的投标数据集，采用自回归积分滑动平均模型，对数据进行时间序列分析，提取时间趋势和季节性特征，识别评标关键阶段，生成评标流程关键时间节点预测结果。本发明中，通过运用自回归积分滑动平均模型和循环神经网络，不仅能够深入分析投标数据集，还能提取关键的时间趋势和季节性特征，从而更精准地预测评标流程的关键时间节点。使得评标过程能够更好地适应市场动态和项目需求的变化，提升了评标结果的准确性和适应性。通过贝叶斯网络和决策树分析，创新方案对投标方案的成功概率和风险水平进行了深入的概率决策分析。为评标决策提供了更多的数据支持。

主权项：1.一种智能辅助评标方法，其特征在于，所述方法包括：基于预处理后的投标数据集，采用自回归积分滑动平均模型，对数据进行时间序列分析，提取时间趋势和季节性特征，识别评标关键阶段，生成评标流程关键时间节点预测结果；基于所述评标流程关键时间节点预测结果，采用循环神经网络，对投标文件的内容，包括技术规格、成本效益、项目可行性的关键参数，进行深度学习和分析，解析投标文件质量，生成投标文件质量评估模型；基于所述投标文件质量评估模型，采用贝叶斯网络，对多投标方案的成功概率和风险水平进行概率决策分析，评估多种评标决策路径的预测效果，生成概率决策分析结果；基于所述概率决策分析结果，采用地理信息系统和数据模式识别技术，对评标流程进行分析，包括评标过程的时间管理、信息流通和参与人员的协调，识别流程中的瓶颈和改进点，提出优化评标流程的措施，生成评标效率优化结果；基于所述评标效率优化结果，采用层次分析法，对每个投标方案进行综合评估，包括技术合规性、成本效益、创新性和可持续性，并进行综合排名，生成投标方案综合评估结果；基于所述投标方案综合评估结果，采用机器学习算法和情景分析技术进行数据分析，包括使用预测模型分析未来市场趋势、评估投标方案在多市场情况下的表现，模拟市场变化对评标结果的影响，并对评标过程中的风险因素进行识别和评估，生成智能决策支持分析结果；基于所述智能决策支持分析结果，采用遗传算法和粒子群优化技术，对评标策略进行实时调整和优化，包括匹配市场变化、调整评标标准、优化评分机制，自动匹配多变的市场环境和项目需求，生成动态评标策略调整模型；所述评标流程关键时间节点预测结果包括指定阶段的开始日期、预计的持续时长，以及预测日期，所述投标文件质量评估模型包括投标文件在技术规格准确度、成本效益比较、项目可行性分析方面的评分指标，所述概率决策分析结果包括每个投标方案的成功率百分比、风险水平评级，以及优先排序，所述评标效率优化结果包括流程改进措施，以及预计改进措施的实施时间表，所述投标方案综合评估结果包括方案在技术合规性、成本效益、创新性、可持续性方面的评级，以及总体排名情况，所述智能决策支持分析结果包括市场趋势的预测值、多市场情况下的方案表现评分，以及评标风险因素的识别列表，所述动态评标策略调整模型包括根据市场变化自动更新的评标标准、优化后的评分机制细节，以及对应的实施时间节点；基于预处理后的投标数据集，采用自回归积分滑动平均模型，对数据进行时间序列分析，提取时间趋势和季节性特征，识别评标关键阶段，生成评标流程关键时间节点预测结果的步骤，包括：基于预处理后的投标数据集，进行统计分析，使用Python中的Pandas库的corr和skew函数进行操作，计算数据集中变量的相关性系数和偏度，评估变量间的关联性和分布形态，生成数据关联性分析结果；基于所述数据关联性分析结果，采用自回归积分滑动平均模型，在Python中使用statsmodels库的ARIMA类进行时间序列建模，设定模型的阶数，估计自回归系数和滑动平均系数，通过残差的Durbin-Watson统计量进行模型拟合度验证，生成时间序列模型；基于所述时间序列模型，执行时间趋势和季节性特征的提取，运用模型的分解功能将时间序列分解为趋势、季节性和随机成分，识别和提取评标过程中的关键阶段和周期性模式，生成时间趋势和季节性特征分析结果；基于所述时间趋势和季节性特征分析结果，执行关键时间节点的预测，利用ARIMA模型的forecast方法进行即时预测，估算未来多个时间点的关键事件发生概率和时间，生成评标流程关键时间节点预测结果；基于所述评标流程关键时间节点预测结果，采用循环神经网络，对投标文件的内容，包括技术规格、成本效益、项目可行性的关键参数，进行深度学习和分析，解析投标文件质量，生成投标文件质量评估模型的步骤，包括：基于所述评标流程关键时间节点预测结果，执行投标文件内容的初步分析，使用自然语言处理技术，运用Python中的NLTK库进行文本分析，执行词频统计和关键词提取，识别技术规格、成本效益和项目可行性关键参数，生成投标文件内容初步分析结果；基于所述投标文件内容初步分析结果，采用循环神经网络，使用TensorFlow和Keras库构建循环神经网络模型，定义模型结构，包括添加LSTM层捕捉时间序列数据的特性，使用Dense层进行分类，设置优化器为Adam，损失函数选择mean_squared_error，使用fit方法进行模型训练，应用evaluate方法进行模型验证，生成深度学习训练模型；基于所述深度学习训练模型，执行投标文件质量的综合评估，利用训练后的循环神经网络模型分析关键参数对投标文件质量的影响，执行特征重要性排序，生成投标文件质量综合评估结果；基于所述投标文件质量综合评估结果，完善和调整循环神经网络模型，调整模型参数，包括学习率和正则化项，优化模型在新数据上的预测准确度和泛化能力，生成投标文件质量评估模型；基于所述投标文件质量评估模型，采用贝叶斯网络，对多投标方案的成功概率和风险水平进行概率决策分析，评估多种评标决策路径的预测效果，生成概率决策分析结果的步骤，包括：基于所述投标文件质量评估模型，采用贝叶斯网络，使用Python中的pgmpy库构建贝叶斯模型，定义贝叶斯网络的节点和边，设置先验概率和条件概率分布，通过TabularCPD类定义节点的条件概率分布表，根据收集到的投标方案数据，使用predict方法更新节点的概率值，反映新的市场条件和历史表现，生成初始概率评估结果；基于所述初始概率评估结果，采用蒙特卡罗模拟方法，在Python中使用numpy库进行随机数生成和重复抽样，执行多次模拟，计算每个投标方案在多种市场条件下的概率分布，为每个方案提供在多情景下的概率预测，使用matplotlib库进行概率分布的可视化展示，生成概率分布模拟结果；基于所述概率分布模拟结果，采用决策树分析，使用Python中的sklearn.tree库中的DecisionTreeClassifier构建决策树模型，通过fit方法训练模型，采用predict方法对多种决策路径进行初步预测，生成决策树预测模型；基于所述决策树预测模型，进行多种评标决策路径的评估，再次在Python中使用sklearn.tree库的DecisionTreeClassifier对模型进行训练，通过fit方法针对训练数据集进行模型的深度学习，使用predict方法对多种评标决策路径进行细化预测，优化解析能力的同时，分析每个路径下的概率和潜在风险，生成概率决策分析结果；基于所述概率决策分析结果，采用地理信息系统和数据模式识别技术，对评标流程进行分析，包括评标过程的时间管理、信息流通和参与人员的协调，识别流程中的瓶颈和改进点，提出优化评标流程的措施，生成评标效率优化结果的步骤，包括：基于所述概率决策分析结果，采用地理信息系统技术，使用ArcGIS或QGIS软件处理空间数据，进行评标流程的地理分布分析，识别多地区对评标的影响和趋势，生成地理影响分析结果；基于所述地理影响分析结果，采用数据模式识别技术，在Python中使用pandas进行数据整理和预处理，使用scikit-learn库中的聚类和分类算法识别评标过程中的数据流和信息流通模式，分析信息流的效率和潜在瓶颈，生成信息流通模式分析结果；基于所述信息流通模式分析结果，应用系统动态模型，使用Vensim软件进行评标流程的模拟，通过模拟预测流程中出现的延误和冲突，识别和解决潜在问题，生成流程模拟分析结果；根据评标流程的特点和历史数据，建立系统动态模型；基于所述流程模拟分析结果，综合参照瓶颈和改进点，使用BPMN进行流程再设计，采用Lean或SixSigma方法识别和消除浪费，进行时间管理的改善、信息流通的优化和参与人员的协调，生成评标效率优化结果。

全文数据：

权利要求：

百度查询： 广东电网有限责任公司 一种智能辅助评标方法及系统