基于BP神经网络的工程造价估算文档格式.docx

基于BP神经网络的工程造价估算文档格式.docx

《基于BP神经网络的工程造价估算文档格式.docx》由会员分享，可在线阅读，更多相关《基于BP神经网络的工程造价估算文档格式.docx（12页珍藏版）》请在冰豆网上搜索。

摘要

工程造价的估算是管理和控制整个建筑工程投资的重要经济指标，本文从投资失控角度引入快速精确造价估算模型——BP神经网络模型。

并对收集到的案例，建立BP模型，进行实证分析，表明该方法的优势和有效性。

同时从技术层面解读BP神经网络依旧存在的局限性和弊端，在此基础上结合造价本身特点提出相关的意见和建议。

关键词

工程造价；

造价估算；

BP神经网络

一、建设项目的投资失控问题

1投资失控问题的提出

建设项目投资失控是我国固定投资领域存在的重要问题，其原因是多方面的，其中很重要的一个方面是存在着造价控制“重施工阶段”而“轻项目策划与可行性研究阶段和设计阶段”的问题。

建设项目实施包括项目可行性研究阶段、设计阶段、采购招标阶段、施工阶段、使用投产阶段。

如图1，从工程造价控制的阶段看，节约投资的可能性在项目策划与可行性研究阶段由100％迅速下降，至施工阶段已降至10％左右，其后变化就相当平缓。

图1节约投资可能性曲线

影响项目投资最大的阶段，是约占工程项目建设周期1/4的技术设计结束前的工作阶段。

因此，可行性研究阶段的投资估算控制就成为项目投资控制的重点之一。

2投资估算现行方法及弊端

投资估算是在建设项目的投资决策阶段，确定拟建项目所需投资数量的费用计算成果文件。

编制投资估算的主要目的，一是作为拟建项目投资决策的依据，二是若决定建设项目以后，则其将成为拟建项目实施阶段投资控制的目标值。

投资估算的现行方法主要有定额估算法和工程量清单估算法。

我国的定额计价工程造价管理体系，一直是自上而下的计划管理模式。

所依据的各种概预算定额及相应的费用定额，仍然由建设部和各个省定额主管部门负责组织编制并颁布执行。

当然，这些定额和费用标准，长期以来一直被广泛使用，至今仍发挥着指导作用，但其统一的价格、定额以及收费标准的特点使得这种方式存在多种弊端。

不能反映市场、不能反映企业、不体现竞争是其最大的缺点。

工程量清单计价方法，是在建设工程招投标中，招标人委托具有资质的中介机构编制反映工程实体消耗和措施性消耗的工程量清单，并作为招标文件的一部分提供给投标人，由投标人依据工程量清单报价的计价方式。

这样的计价方式可以改变过去过分依赖国家发布定额的状况，施工企业可以根据自身条件编制自己的企业定额，对工程价格的控制更具有自主性，有利于市场竞争机制的形成。

建筑工程造价受多种因素的影响，构成复杂、情况多变、具有较大的模糊性，因此，它是一项十分复杂的工作。

如果机械地套用定额，从头到尾进行大量繁琐的计算，虽然结果较为精确，但会浪费大量的人力物力财力。

如果单纯的依靠以往的工作经验和已建工程的资料进行粗略估算，那样的估算结果过于粗糙，投资失控现象出现的频率会大大增加。

因此，现今社会更多地需要一种简单却又比较精确的造价估算方法，这样不仅能够节省时间，而且可以让投资控制在合理的范围之内。

二、基于BP神经网络的造价模型

1BP神经网络模型原理

神经网络模型是一种基于生理学的智能仿生模型，是由大量处理单元即神经元互联组成的非线性大规模自适应动力学系统。

它具有自组织、自适应和自学习能力，以及具有非线性、非局域性、非定常性和非凸性等特色，它以很多神经元的微活动构成神经网络的宏效应，而能模拟人脑的某些智能行为。

神经网络的模型很多，包括BP、BEP、模糊等神经网络，各有各的特点和用途。

BP（Backpropagation）网络是一种最为常用的前馈网络（多层感知器就是一种反向传播网络）。

它有一个输入层，一个输出层，一个或多个隐含层。

每一层上包含若干个节点，每个节点代表一个神经元。

同一层上的各节点之间无连接关系，相邻层采取全互连。

信息从输入层开始在各层之间单向传播，依次经过各隐含层，最后到达输出层。

根据工程造价因素的实际情况，此处采用一种具有多输入单元、多隐含层单元和单输出单元的三层BP神经网络，如图2所示。

图2BP神经网络结构

2模型参数的确定

2.1BP网络模型结构参数确定

网络结构参数的选取十分重要，直接影响网络的表达能力和收敛速度。

模型中输入层和输出层的神经元个数按实际需要确定。

训练样本为

，

=1,2，…，

，表示学习样本的个数。

设输入模式向量为

=

，期望输出为

，而实际网络输出为

。

2.2初始权值的选取

模型中的输入层包含着定量因素和定性因素，对于定量的因素，应进行归一化处理，可以采用“遍除最大值”法，将所有样本的定量因素转化为[0,1]之间的量；

对于定性因素，则按照与定量因素处理相似的原则，将其转化为[0，1]之间的量。

这里可以首先确定一个标准因素，将其取值为0.5，再将其他因素依次与其比较，较优者取值0.5~1.0之间，较劣者取值0~0.5之间。

2.3节点函数的选取

选

函数

为节点输出函数，其导数

，优点是对于任何数据的输入都可以转化成（0,1）之间的数。

3学习算法

BP的学习算法由“模式顺传播”——“误差逆传播”——“记忆训练”——“学习收敛”4个过程组成。

这四个过程又可进一步概括为“正向传播”和“逆向传播”两个过程。

具体算法描述如下：

正向传播：

（1）计算隐含层各单元的输入

式中：

——输入层单元数；

——输入层至隐含层的连接权；

——隐含层单元数；

（2）计算隐含层各单元的输出

由于采用激发函数

函数，故

（3）计算输出层单元的输入

——隐含层至输出层的连接权；

（4）计算输出层单元的输出

采用激发函数

逆向传播：

修正第

层结点的权值

——

层结点

到

的连接权值；

——结点

的输出；

——学习效率；

——当结点

是输出层时，取

，其中，

与

是结点

的实际输出和期望值；

否则取

的实际输出值，

的输出结点个数。

输出单元

的平方误差为：

，则

个样本的总误差为

算法是采用梯度法即在权重空间沿梯度调整权重，使总误差向减小的方向变化，直到最小。

权的修正是所有样本输入后，计算其总的误差后进行的。

采用反向传播的BP算法进行工程造价的预测，可以把收集的并进行加工处理后的已知数据样本作为训练样本，按照编制的程序（如matlab软件）进行迭代，可得到一个训练好的造价预测样本。

将待估工程的各个参数通过必要的整理加工后，输入到程序中，因网络参数己经确定，因此，即可得待估工程的预测造价。

三、基于BP神经网络的实例分析

3.1工程概况

本工程（S）为某开发公司开发的低层住宅楼，每层6户，建筑面积约为4380平方米。

本工程由中建设计院设计，基础采用全部筏基和全部填塘，装饰部分外墙采用清水勾缝，内墙为普通粉刷、油漆地面、油漆墙裙。

3.2工程估价

选择4个相同类型结构的已建典型工程A、B、C、D，并根据工程特点划分为5个分解项目，分别为基础结构、楼层、内装饰、外装饰和房型。

参照工程项目单方直接费统计表，并结合工程的具体特征，对每个分解项目节点分别赋予隶属度（如表1）。

表1类似工程与拟建工程隶属度关系表

工程名称

基础结构

楼层

内装饰

外装饰

房型

土建造价（元/平方米）

A

住宅楼

砌砖条基

五层

普通粉刷

油漆地面

清水勾缝

三室一厅

单阳台

135.30

隶属度

（0.6）

（1.0）

（0.85）

（0.9）

B

少部筏基

少部填塘

四层

二室一厅

双阳台

138.20

（0.95）

（0.8）

C

部分筏基

部分填塘

油漆墙裙

146.60

D

三层

水泥地面

130.80

S

全部筏基

全部填塘

待估

以每个分解项目的隶属度输入模式向量

，以已建典型工程土建单方造价为教师样本

进行学习。

为免在计算时产生溢出，土建单方造价数据同时除以1000，单位化为1000元/平方米。

构造三层BP神经网络，输入层节点数为5，隐含层节点数根据公式

（

为输入层节点数，

为输出层节点数）进行计算为11，输出层节点数为1。

用上述BP算法在计算机上迭代20000次后样本总误差

为

学习样本集及输出结果见表2。

表2学习样本集及输出结果

输入样本

输出样本（1000元/平方米）

期望值

实际输出

0.1353

0.13542

0.1382

0.13851

0.1466

0.14638

0.1308

0.13059

利用修正后的节点权值，对工程（S）进行估价，最终估价结果为147.99元。

将估价结果与工程（S）建成后实际造价值进行比较验证，结果如表3。

表3BP网络模型验证结果值

实际输出（元/平方米）

147.99

期望值（元/平方米）

156.46

误差比率

0.0572

3.3估价结果分析

从计算出的结果可以看出，基于BP神经网络的估价模型的估算精度达到了95%左右。

这在工程项目的早期，尤其是工程项目的方案阶段已经是令人满意的结果了。

因为可行性研究阶段的可以用于造价计算的数据并不多，通常与最终工程造价会有10%的差距。

此处95%的估算精度不仅准确，而且速度也很可观。

因此，实例表明，神经网络估算建筑工程造价的方法是可行的。

它不仅可以避免主观因素对估价者的影响，而且能够达到快速准确的目的。

四、BP神经网络的利弊分析及相关建议

在智能化逐步代替人工化的时代，网络技术越来越进驻企业内部。

BP神经网络便是这样一个网络技术，它能被广泛地运用于各个行业，尤其是本文所着重讲到的造价估算。

由之前的模型以及实例，我们可以很清晰地认识到这样一个网络技术的便捷性与准确性。

造价过程，原本是一个相当复杂的过程，在BP网络技术的支持下，造价人员的工作量可以大大减轻，投资失控的现象也可以大大减少，那么如此神奇的网络技术真的可以完全替代当今的造价估算体系？

其实际运行中又存在着哪些利弊？

我们应该如何去规避这些不利因素？

4.1BP神经网络的利弊

对于BP网络技术本身，其优点是显而易见的：

（1）BP神经网