[公开]北京市公安局2026-2029年度物业服务采购项目13-1中标结果公告
中标评审分析官方公示数据
中标原因深度分析独家解读
022/Deep-ECG
/Deep-ECG/src/DeepECG/utils.py
import os
import torch
from torch import nn
import numpy as np
import pandas as pd
from sklearn.metrics import average_precision_score
from sklearn.metrics import roc_auc_score
def compute_auc(y_true, y_score):
return roc_auc_score(y_true, y_score)
def compute_average_precision(y_true, y_score):
return average_precision_score(y_true, y_score)
def save_checkpoint(state, is_best, filename="checkpoint.pth.tar", best_model_file='model_best.pth.tar'):
torch.save(state, filename)
if is_best:
torch.save(state, best_model_file)
def save_checkpoint(state, is_best, filename="checkpoint.pth.tar", best_model_file='model_best.pth.tar'):
torch.save(state, filename)
if is_best:
torch.save(state, best_model_file)
def get_best_model_file(best_model_file='model_best.pth.tar'):
if os.path.exists(best_model_file):
return best_model_file
else:
return 'checkpoint.pth.tar'
def get_best_model(best_model_file='model_best.pth.tar'):
if os.path.exists(best_model_file):
return torch.load(best_model_file)
else:
return torch.load(get_best_model_file(best_model_file))
def get_best_metrics(best_model_file='model_best.pth.tar'):
best_model = get_best_model(best_model_file)
return best_model['metrics']
def get_checkpoint(checkpoint_file="checkpoint.pth.tar"):
if os.path.exists(checkpoint_file):
return torch.load(checkpoint_file)
else:
return None
def get_best_metrics(checkpoint_file="checkpoint.pth.tar"):
checkpoint = get_checkpoint(checkpoint_file)
return checkpoint['metrics']
def get_best_model(checkpoint_file="checkpoint.pth.tar"):
checkpoint = get_checkpoint(checkpoint_file)
return checkpoint['best_model']
def get_best_metrics_from_path(path):
if os.path.isfile(path):
return get_best_metrics(path)
else:
file_name = os.listdir(path)
file_name.sort()
best_model_file = os.path.join(path, file_name[-1])
return get_best_metrics(best_model_file)
def get_checkpoint_from_path(path):
if os.path.isfile(path):
return get_checkpoint(path)
else:
file_name = os.listdir(path)
file_name.sort()
checkpoint_file = os.path.join(path, file_name[-1])
return get_checkpoint(checkpoint_file)
def get_best_model_from_path(path):
checkpoint = get_checkpoint_from_path(path)
return checkpoint['best_model']
def get_best_model_from_path(path):
checkpoint = get_checkpoint_from_path(path)
return checkpoint['best_model']
def load_model(model, model_file, optimizer=None, epoch=-1):
checkpoint = get_checkpoint(model_file)
state_dict = checkpoint['state_dict']
model.load_state_dict(state_dict)
if optimizer is not None:
if epoch == -1:
optimizer.load_state_dict(checkpoint['optimizer'])
else:
for i in range(epoch + 1):
optimizer.load_state_dict(checkpoint['optimizer'][i])
def load_model(model, model_file, optimizer=None, epoch=-1):
checkpoint = get_checkpoint(model_file)
state_dict = checkpoint['state_dict']
model.load_state_dict(state_dict)
if optimizer is not None:
if epoch == -1:
optimizer.load_state_dict(checkpoint['optimizer'])
else:
for i in range(epoch + 1):
optimizer.load_state_dict(checkpoint['optimizer'][i])
def load_model(model, model_file, optimizer=None, epoch=-1):
checkpoint = get_checkpoint(model_file)
state_dict = checkpoint['state_dict']
model.load_state_dict(state_dict)
if optimizer is not None:
if epoch == -1:
optimizer.load_state_dict(checkpoint['optimizer'])
else:
for i in range(epoch + 1):
optimizer.load_state_dict(checkpoint['optimizer'][i])
def load_model_with_best_metrics(model, best_model_file):
checkpoint = get_best_model(best_model_file)
state_dict = checkpoint['state_dict']
model.load_state_dict(state_dict)
optimizer = checkpoint['optimizer']
return model, optimizer
def load_model(model, model_file, optimizer=None, epoch=-1):
checkpoint = get_checkpoint(model_file)
state_dict = checkpoint['state_dict']
model.load_state_dict(state_dict)
if optimizer is not None:
if epoch == -1:
optimizer.load_state_dict(checkpoint['optimizer'])
else:
for i in range(epoch + 1):
optimizer.load_state_dict(checkpoint['optimizer'][i])
def save_model(model, model_file, optimizer=None, epoch=-1):
checkpoint = {}
state_dict = model.state_dict()
checkpoint['state_dict'] = state_dict
if optimizer is not None:
if epoch == -1:
optimizer.load_state_dict(checkpoint['optimizer'])
else:
for i in range(epoch + 1):
optimizer.load_state_dict(checkpoint['optimizer'][i])
torch.save(checkpoint, model_file)
return model_file
def save_model_with_best_metrics(model, best_model_file):
checkpoint = {}
state_dict = model.state_dict()
checkpoint['state_dict'] = state_dict
optimizer = model.optimizer
checkpoint['optimizer'] = optimizer
torch.save(checkpoint, best_model_file)
return best_model_file
def save_checkpoint(state, is_best, filename="checkpoint.pth.tar"):
torch.save(state, filename)
if is_best:
torch.save(state, "model_best.pth.tar")
def get_best_metrics_from_path(path):
if os.path.isfile(path):
return get_best_metrics(path)
else:
file_name = os
一、项目编号：11000026210200172144-XM001
二、项目名称：北京市公安局2026-2029年度物业服务采购项目13-1
三、中标（成交）信息
总中标成交金额：2919.182715 万元（人民币）
中标成交供应商名称、地址及中标成交金额：
中标成交供应商名称：北京高腾物业管理有限公司
中标成交供应商地址：北京市朝阳区北四环东路106号
中标金额：2919.182715万元
| 供应商名称 | 供应商地址 | 统一信用代码 | 中标金额 | 中标成交备注信息 |
|---|---|---|---|---|
| 北京高腾物业管理有限公司 | 北京市朝阳区北四环东路106号 | 9111010570021865X3 | 2919.182715 万元 | 评审总得分(综合评分法)： 96.5 分 |
四、主要标的信息
| 供应商 | 商品名称 | 规格型号 | 数量 | 单价 | 总价 | 服务要求 |
|---|---|---|---|---|---|---|
| 北京高腾物业管理有限公司 | 1 | 2919.182715万元 | 2919.182715万元 | 详见采购文件 |
合同履行日期：市局机关大院办公区：自合同生效之日起 2 年 10 个月 25 天；23号院办公区、打磨厂办公区：自合同生效之日起 3 年。
主要中标标的的名称、规格型号、数量、单价或者标的的基本概况等详见公告附件中标人投标分项报价表。
服务要求、范围、标准等详见公告附件采购文件。
五、评审专家（单一来源采购人员）名单：
罗笑春、杨娟、李继文、王娜、张立军、孔凡博、高政
六、代理服务收费标准及金额：
本项目代理费总金额：0万元（人民币）
本项目代理费收费标准：
无
七、公告期限
自本公告发布之日起1个工作日。
八、其它补充事宜
1、采购文件编号：BGPC-G26190
2、中标人评审总平均分（北京市政府采购电子交易平台评审结果显示为总平均分）：96.5
3、本项目信息公告发布于财政部门指定的政府采购信息发布媒体：中国政府采购网（www.ccgp.gov.cn）和北京市政府采购网（www.ccgp-beijing.gov.cn）
九、凡对本次公告内容提出询问，请按以下方式联系。
1.采购人信息
名 称：北京市公安局警务保障部(一)
地址：东城区东交民巷23号院
联系方式：侯树苹,85223998
2.采购代理机构信息
名 称：北京市公共资源交易中心（北京市政府采购中心）
地 址：北京市丰台区玉林西路45号腾飞大厦
联系方式：宋老师，83916682
3.项目联系方式
项目联系人：宋老师
电 话： 83916682
数据来源：查看官方原文 | 发布日期：2026-06-01