1.基于大数据的工程监理质量评估方法，其特征在于，包括以下步骤：S1：在施工过程中，实时采集施工放线点位数据和开挖深度数据；

S2：对施工放线点位数据进行分析，通过偏差计算判断放线点位与设计值之间的误差，并结合施工区域特性识别放线精度异常点；

S3：对开挖深度数据进行分析，对开挖深度数据进行偏差计算，根据开挖深度与设计深度的数值差异计算偏差累计值，将施工放线数据的精确度与开挖深度的偏差数据进行综合评估，分析放线精度对开挖深度的影响；

S4：根据综合影响分析结果，识别施工过程中的异常点，对施工过程中的偏差影响进行施工调整，并基于时间序列分析动态监控施工过程中偏差趋势，通过综合质量评价系数触发预警机制，优化施工质量；

所述步骤S2包括：

对施工放线点位数据进行实时采集，获取每个放线点的实际坐标值；

计算每个放线点位的偏差值，与设计值进行比较，得到偏差误差；

计算环境影响系数用于修正偏差计算，调整放线数据的精度，并分析修正对偏差的影响；

根据分析结果，计算放线偏差异常系数；

其中，所述放线偏差异常系数的获取过程为：在施工过程中，实时采集每个放线点的实际坐标值：；

其中 为放线点编号，为大于0的正整数，为坐标的维度，为大于0的正整数， 表示第 个放线点的实际坐标值；

获取每个放线点的设计坐标值：

；

其中， 表示第 个放线点的设计坐标值；

计算每个放线点与对应设计坐标之间的偏差值，计算表达式为：；

其中，表示第 个放线点的偏差值；

构建孤立森林模型，通过多棵树的构建与随机划分，计算每个放线点的孤立深度 ，每棵树的孤立深度 为放线点在对应树上的孤立路径长度，通过多棵树计算得出平均孤立深度，计算表达式为：；

式中，表示孤立森林中树的数量，表示孤立森林中的树， 表示第 棵树上第 个点的孤立深度， 表示平均孤立深度；

根据平均孤立深度，计算每个放线点的异常评分，计算表达式为：；

其中， 为常数， 表示第 个放线点的异常评分；

；

式中， 表示第 个放线点的放线偏差异常系数， 表示所有放线点偏差值的最大值。

2.根据权利要求1所述的基于大数据的工程监理质量评估方法，其特征在于，所述识别放线精度异常点，具体包括：判断放线偏差异常系数是否大于等于预设阈值，若是，则记为放线精度异常点，若否，则记为非放线精度异常点。

3.根据权利要求2所述的基于大数据的工程监理质量评估方法，其特征在于，所述环境影响系数的获取过程为：获取实时的环境数据，包括：环境湿度数据 、气压数据 、土地类型 和环境温度数据；

建立贝叶斯网络模型，其中，环境湿度数据 、气压数据 、土地类型 和环境温度数据作为输入节点，施工偏差 作为输出节点，环境影响系数 作为目标变量；

根据环境数据定义各节点之间的条件概率分布，具体包括：环境湿度在给定温度下的条件概率 ，气压在给定温度和湿度下的条件概率，土壤类型在给定湿度、气压和温度下的条件概率 ，施工偏差在给定湿度、气压、温度和土壤类型下的条件概率 ；

计算所有环境因子和施工偏差的联合概率，计算表达式为：；

式中， 表示联合概率；

通过联合概率计算环境影响系数，计算表达式为：；

其中， 表示环境影响系数， 表示加权函数。

4.根据权利要求1所述的基于大数据的工程监理质量评估方法，其特征在于，所述对开挖深度数据进行分析，对开挖深度数据进行偏差计算，根据开挖深度与设计深度的数值差异计算偏差累计值，具体包括：在施工过程中，实时采集每个施工点的开挖深度数据和设计深度数据；

对每个施工点，计算实际开挖深度与设计深度之间的偏差值，计算表达式为：；

式中， 表示第 个点的偏差值， 表示第 个点的实际开挖深度， 表示第 个点的设计开挖深度，表示开挖点；

构建训练数据集，将每个施工点的设计深度数据作为输入特征 ，偏差值 作为目标变量，形成训练数据集；

利用随机森林回归算法训练模型，基于设计深度数据特征，通过多个决策树对偏差值进行预测，其中每棵树的输出偏差预测值为： ；

式中， 表示第 棵树对第 个点的偏差预测， 表示第 个点的输入特征， 表示第棵决策树，表示决策树的编号；

通过平均所有决策树的预测结果得到最终的偏差预测值，计算表达式为：；

式中， 表示第 个点的最终的偏差预测值，表示决策树的总数；

计算所有施工点的偏差预测值之和，得到偏差累计值。

5.根据权利要求1所述的基于大数据的工程监理质量评估方法，其特征在于，所述将施工放线数据的精确度与开挖深度的偏差数据进行综合评估，分析放线精度对开挖深度的影响，具体包括：获取每个放线点的放线偏差异常系数和对应的每个开挖点的偏差累计值；

构建输入数据集 和目标输出数据集 ；

其中， 表示开挖深度的偏差累计值，表示采集点的总数量， 表示放线偏差异常系数，表示放线精度对开挖深度的实际预设影响系数；

所述采集点表示放线采集和对应开挖采集点；

构建支持向量机回归模型，计算表达式为：；

式中， 表示支持向量系数， 表示核函数，表示偏置项，表示采集点，其中，核函数的计算表达式为：；

式中，表示核函数的调节参数；

通过训练后的支持向量机回归模型，预测放线精度与开挖深度的影响值，计算表达式为：；

式中， 表示第 个采集点的预测影响值；

根据预测影响值，计算整体相关影响系数，计算表达式为：；

式中， 表示整体相关影响系数；

所述整体相关影响系数用于评估放线精度对开挖深度的影响。

6.根据权利要求1所述的基于大数据的工程监理质量评估方法，其特征在于，所述根据综合影响分析结果，识别施工过程中的异常点，对施工过程中的偏差影响进行施工调整具体包括：通过实时采集放线偏差异常系数、整体相关影响系数和每个开挖点的偏差累计值，建立动态监测数据矩阵；根据施工过程中的数值波动特性，将放线偏差异常系数和偏差累计值的权重分别设定为 和 ，结合整体相关影响系数进行综合计算，得到综合异常系数，计算表达式为：；

式中， 表示综合异常系数，表示采集点的总数量，表示采集点， 表示第 个采集点对应的开挖深度的偏差累计值， 表示第 个采集点的放线偏差异常系数， 表示整体相关影响系数， 和 表示预设权重因子；

判断综合异常系数是否大于等于预设阈值，若是，则记为施工异常点，若否，则记为施工正常点；

对于识别的异常点，通过调整放线坐标值和重新进行开挖修正，降低累计偏差的影响。

7.根据权利要求1所述的基于大数据的工程监理质量评估方法，其特征在于，所述基于时间序列分析动态监控施工过程中偏差趋势，通过综合质量评价系数触发预警机制，优化施工质量，具体包括：在施工过程中，实时采集施工放线偏差异常系数、开挖深度偏差累计值及整体相关影响系数，以时间序列形式记录数据的动态变化；

通过连续计算各施工点的综合异常系数，对施工过程中偏差趋势进行分析；

当综合异常系数超出预设阈值时，系统触发预警机制，标记异常区域并识别施工过程中潜在的质量问题；

根据预警机制的结果，施工方立即采取优化措施，包括：校准施工放线点位和调整开挖深度操作。

8.基于大数据的工程监理质量评估系统，其特征在于，用于如权利要求1‑7任一项所述的基于大数据的工程监理质量评估方法，包括：数据采集模块，所述数据采集模块用于在施工过程中，实时采集施工放线点位数据和开挖深度数据；

放线异常识别模块，所述放线异常识别模块用于对施工放线点位数据进行分析，通过偏差计算判断放线点位与设计值之间的误差，并结合施工区域特性识别放线精度异常点；

施工偏差和影响评估模块，所述施工偏差和影响评估模块用于对开挖深度数据进行分析，对开挖深度数据进行偏差计算，根据开挖深度与设计深度的数值差异计算偏差累计值，将施工放线数据的精确度与开挖深度的偏差数据进行综合评估，分析放线精度对开挖深度的影响；

综合分析与动态监测评估模块，所述综合分析与动态监测评估模块根据综合影响分析结果，识别施工过程中的异常点，对施工过程中的偏差影响进行施工调整，并基于时间序列分析动态监控施工过程中偏差趋势，通过综合质量评价系数触发预警机制，优化施工质量。