《Information》：Dynamic Cost Prediction for State Grid Engineering Projects Based on Multi-Source Business Data Fusion and Data-Driven Methods
编辑推荐：
准确的动态成本预测对于国家电网项目的预算优化和风险缓解至关重要。然而，传统模型甚至最近的深度学习方法存在不足，因为它们将成本驱动因素独立处理，采用简单的拼接方式破坏了源结构，或无法处理不规则采样和部分缺失的多源数据。本文提出了一种新颖的数据驱动框架，通过分层张
准确的动态成本预测对于国家电网项目的预算优化和风险缓解至关重要。然而，传统模型甚至最近的深度学习方法存在不足，因为它们将成本驱动因素独立处理，采用简单的拼接方式破坏了源结构，或无法处理不规则采样和部分缺失的多源数据。本文提出了一种新颖的数据驱动框架，通过分层张量融合机制和混合时空架构整合多源业务数据。该问题被形式化为具有不规则采样和缺失模态的多变量时间序列预测。该框架包含三个协同创新：一个可微分的低秩CANDECOMP/PARAFAC (CP)分解层，带有自适应注意力权重，在实现紧凑降维的同时保留跨源结构；一个基于时空注意力的双向门控循环单元（Bi-GRU），用于捕获长程时间依赖关系；以及一个图卷积网络（GCN），显式学习成本驱动因素之间的相互关系，这是大多数现有预测方法所不具备的能力。整个系统通过自定义损失函数进行端到端训练，该损失函数结合了均方误差、分位数损失和时间一致性正则化。在三个国家电网变电站项目上的大量实验表明，所提方法在平均绝对百分比误差（MAPE）上优于最先进的基线方法12.7%–18.4%，并在高达40%数据缺失的情况下保持稳健性能。这些结果证实，在统一融合框架中显式建模时间演化和驱动因素相互依赖关系是大规模基础设施项目可靠成本预测的关键。
**论文解读文章**
**研究背景与问题**
国家电网工程项目（高压变电站和输电线路）具有资本支出大、周期长、质量与安全要求严格等特点，生命周期成本估算与动态预测对于预算优化、风险管理和资源分配至关重要。然而，成本受多种时变因素影响——材料价格、劳动力、设备、天气、进度指标和政策变化——这些因素来自异构系统，采样频率不匹配（每小时到每月），且存在数据缺失，导致成本动态高度非线性且驱动因素间存在强相互依赖关系。
现有成本估算方法可分为三类：确定性方法（单价法、参数估计、类比模型）依赖固定成本-驱动关系，无法适应动态变化且不能捕捉非线性交互；统计时间序列模型（ARIMA、指数平滑、回归分析）假设线性和平稳性，实际施工过程难以满足；早期机器学习方法（支持向量回归SVR、随机森林、梯度提升XGBoost）虽能建模部分非线性，但通常独立处理每个时间步，未显式编码时间演化或驱动因素间的关系结构。近年来，深度学习方法（循环神经网络RNN、长短期记忆网络LSTM、门控循环单元GRU、Transformer）在时间序列预测中取得进展，但直接应用于国家电网成本预测面临三个根本挑战：多源异构性与不规则采样（现有模型要求均匀采样、完全观测输入，简单拼接会丢失源结构，简单插补引入偏差）；忽视驱动因素间依赖关系（大多数方法将成本驱动因素视为独立变量，实际中材料价格波动通过供需链影响劳动力成本，天气条件影响设备效率和劳动力生产率，这些图结构关系未被标准序列网络捕获）；缺乏不确定性与动态适应（点预测无置信区间，无法支持风险决策，且模型静态，不能适应长期项目中的概念漂移）。
针对上述空白，研究人员提出了一种新颖的数据驱动框架，通过分层张量融合机制和混合时空架构进行动态成本预测。该框架的原创性在于将架构设计与国家电网成本预测问题的内在结构进行原则性对齐。论文发表在《Information》。
**主要关键技术方法**
研究人员为开展研究使用了以下主要关键技术方法：基于核插补（Epanechnikov核）的数据预处理，将异构源对齐到公共小时网格并处理缺失；基于可微分的低秩CANDECOMP/PARAFAC (CP)分解的分层张量融合层，带有自适应注意力权重，保留跨源结构并实现紧凑降维；基于双向门控循环单元（Bi-GRU）的时空注意力编码，捕获长程时间依赖关系；基于图卷积网络（GCN）的驱动因素关系建模，通过领域知识初始化邻接矩阵并利用可学习掩码微调；基于多头注意力机制的时空特征融合；结合均方误差、分位数损失和时间一致性正则化的自定义损失函数，实现端到端训练。样本来源为江苏、陕西、广东三个500 kV变电站建设项目，采集24个月（2022年1月至2023年12月）的六类多源业务数据（材料价格数据库、劳动力工资系统、设备传感器网络、天气API、项目管理软件提供的挣值管理EVM指标、政策与法规数据库）。
**研究结果**
**4.2 整体性能比较**
通过五个基线方法（SVR、XGBoost、LSTM、Transformer、时空图卷积网络ST-GCN）的对比实验，研究人员提出的模型在平均绝对百分比误差（MAPE）为4.27%、均方根误差（RMSE）为77.6 k$、平均绝对误差（MAE）为61.2 k$、分位数得分（QS）为0.076上均取得最优。相对于第二好的Transformer，MAPE改进12.7%，RMSE改进17.7%，QS改进22.5%。在鲁棒性测试中，研究人员人工移除测试集10%至50%的数据（包括随机点缺失和块缺失模式），所提模型在40%缺失率下MAPE仍低于6%，而SVR升至18.5%、XGBoost升至14.2%、LSTM升至9.2%、Transformer升至8.1%。在50%缺失率下，所提模型MAPE为8.2%，所有基线均超过11%。训练损失收敛曲线显示，所提模型收敛更快且最终损失更低。注意力热图（跨时间步和特征源）显示，挣值管理（EVM）指标和材料价格在最近时间步获得最高注意力权重，天气相关特征在后期步骤中影响力增加。敏感性分析通过扰动每个输入特征组±10%并测量预测成本相对变化，发现材料价格影响最大（0.28），其次是劳动力费率（0.22）和EVM指标（0.20），天气和政策指数敏感性较低，与领域知识一致。
**4.3 模型优越性讨论**
研究人员从四个互补角度剖析性能提升原因：CP张量融合层比简单拼接贡献显著，去除该融合后MAPE从4.27%升至5.6%；GCN模块捕获驱动因素间的因果关系（如钢价上涨影响材料成本并间接延误工期，增加劳动力和设备费用），这一能力在LSTM和Transformer中缺失；双向时间建模和时空注意力使模型能整合回溯窗口内的过去和未来上下文，对成本延迟响应尤为关键；复合损失函数中的时间一致性项平滑了纯MSE优化模型常见的不切实际的成本跳跃，去除该项后MAPE升至4.8%且预测更振荡。模型优越性源于所有四个机制的协同作用，而非单一组件。
**结论与未来工作**
研究人员提出的数据驱动动态成本预测框架，其原创性在于将基于张量的多源融合、图结构驱动因素建模和时空注意力在统一架构中进行原则性集成。与现有方法不同，该设计显式匹配问题内在结构：CP分解保留跨源相关性，GCN捕获因果关系，Bi-GRU与注意力处理延迟和时变响应。在真实变电站项目上的实验表明，该集成实现4.27% MAPE，相对于LSTM降低RMSE 18.4%，并在40%缺失数据下保持稳健性能。注意力热图和敏感性分析进一步提供可解释性见解，识别材料价格和挣值指标为最影响因素，与领域知识一致，验证了模型透明度。
**研究结论部分翻译**：本文提出了一种数据驱动的国家电网工程项目动态成本预测框架，其原创性在于将基于张量的多源融合、图结构驱动因素建模和时空注意力在统一架构中进行原则性集成。与现有方法不同，该设计显式匹配问题内在结构：CP分解保留跨源相关性，GCN捕获因果关系，Bi-GRU与注意力处理延迟和时变响应。在真实变电站项目上的实验表明，该集成实现4.27% MAPE，相对于LSTM降低RMSE 18.4%，并在40%缺失数据下保持稳健性能。注意力热图和敏感性分析进一步提供可解释性见解，识别材料价格和挣值指标为最影响因素，与领域知识一致，验证了模型透明度。
