基于BP神经网络的工程造价估算模型研究_李晓娟

0 引言
确定工程造价是建设工作中重要的一环 , 特 别是建设前的估算是工作的重点 , 它是成本控制 的基础 , 是进行成本控制的起点 . 通过工程造价的 估算, 业主单位能在进行设计招标之前大致确定 该工程的造价 . 现如今市场经济竞争十分激烈, 实 际招投标工作要求能快速准确地进行工程造价的 估算, 业主与承包商都需要快速和准确确定出工 程造价 , 这些要求了各单位需高效率工作, 而且还 得保证所计算出数字的精确性 . 建筑工程估价是 利用以往类似工程的数据, 并运用一定的模型而 进行计算的. 但估算由于影响因素多 , 加之所收集 数据的随机性、 模糊性等影响, 往往难以达到人们 满意的精度. 神经网络 ( Art ificial Neural Net w or k) 技 术 是根据生物神经系统的作用原理发展起来的并行 信息处理系统 , 它能够处理复杂非线性问题 , 具有 自组织、 自学习以及容错性等特点, 与传统的数学 方法不同 . 它是基于数据的建模 , 通过学习, 能够 有效地计算出隶属函数的最佳参数, 使得设计出 的推理系统能够最好地模拟出希望的或是实际的 输入输出关系 , 系统中的模糊隶属函数及规则是 通过对大量已知数据的学习得到的, 而不是基于 经验或是直觉任意给定的. 这对于那些特性还不 被人们所完全了解或者特性非常复杂的系统是非 常重要的, 本文正 是利用这一优点, 分析 基础类 型、 墙体形式、 内、 外墙装饰、 楼地面等 5 种主要因 素与每平方米造价和每 100 平方米的钢材、 水泥
表 2 检测结果分析 T ab. 2
测试值与序号 实际值 预测值 误差值 / % Q1 1 560 1 650 5. 7
果分别为每平方米造价和每 100 平方米的钢材、 水泥用量. 从建立模型以及估算结果来看 , 其评估 精度是令人满意的及结论是可行的. 因此 , 只要选 取的工程特征能够代表工程本质、 选取的训练样 本和待估工程类似 , 具有较好的应用价值 . 参考文献:
输入项 I1 1 1 0. 65 0. 4 1 1 1 1 0. 65 0. 4 0. 2 0. 65 0. 8 1 0. 8 I2 1 1 1 0. 8 0. 8 0. 8 1 0. 8 0. 8 0. 8 0. 8 0. 8 1 0. 8 1 I3 1 0. 6 0. 6 0. 8 0. 4 1 1 1 0. 5 0. 8 0. 5 1 1 0. 55 1 I4 1 1 1 1 1 0. 25 0. 25 0. 25 0. 05 1 1 1 1 1 1 I5 1 1 1 1 0. 7 0. 7 0. 4 0. 2 0. 1 0. 2 0. 1 0. 4 0. 7 0. 4 0. 7 Q1 1520 1630 1230 1420 1320 1238 1668 1679 1454 1762 1324 1456 1325 1568 1123 输出项 Q2 40. 3 35. 4 33. 5 35. 9 38. 3 36. 7 34. 8 39. 7 36. 8 36. 7 38. 7 39. 5 43. 8 34. 5 44. 7 Q3 265. 3 235. 6 243. 5 238. 9 256. 3 268. 3 278. 3 289. 6 246. 5 256. 3 245. 3 265. 1 278. 5 253. 6 286. 3
ificialneuralnetwo是根据生物神经系统的作用原理发展起来的并行信息处理系统它能够处理复杂非线性问题具有自组织自学习以及容错性等特点与传统的数学方法不同它是基于数据的建模通过学习能够有效地计算出隶属函数的最佳参数使得设计出的推理系统能够最好地模拟出希望的或是实际的输入输出关系系统中的模糊隶属函数及规则是通过对大量已知数据的学习得到的而不是基于经验或是直觉任意给定的这对于那些特性还不被人们所完全了解或者特性非常复杂的系统是非常重要的外墙装饰楼地面等种主要因素与每平方米造价和每100平方米的钢材水泥基于算模型基于神经网络的工程造价估神经网络的工程造价估算模型的结人工神经网络是以计算机网络系统模拟生物神经网络的智能计算系统网络上的每个结点相当于一个神经元可以记忆存储处理一定的信息与其它结点并行工作
序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
第4期
李晓娟 : 基于 BP 神 经网络的工程造价估算模型研究 Nhomakorabea49
量化结果. 1. 3. 2 建立估算模型 本文采用三层 BP 网络 模型, 该模型的输入单元为 5 个, 分别为 基础类 型、 墙体形式、 内、 外墙装饰、 楼地面等 5 种主要因 素作为工程特征, 用 I 1 - I 5 表示; 输出单元为 3 个 , 分别为每平方米造价和每 100 平方米的钢材、 水泥用量, 用 O1 - O 3 表示 ; 隐层单元为 15 个. 共 收集了训 练样本 13 个, 测试 样本 2 个, 模型 用 M atlab 7. 0 编程实现 . 表 1 列出了 15 个典型样 本的特征类目定量化数据和预算资料 . 1. 3. 3 检测结果分析 用收敛后的网络对第 14 和 15 组数据进行检测 , 详细结果见表 2. 从测试结果看 , 总体误差比率较小, 已经基本 能满足工程可行性研究的投资估算需要和初步设 计的概算需求 , 这说明模型的泛化能力较好 , 估算 模型较为成功 . 个别工程误差大 , 是由于网络对有 些特征学习不够 , 其原因主要在于学习样本数量 有限, 但即便是如此, 与其他模型相比 , 其优越性 也是明显的. 随着样本的充实和数据的积累 , 误差 将不断缩小, 也必将取得非常理想的结果.
k 数 , 工程造价估算作为输出变量由 Y K = ( y k 1, y 2,
连接通路反向传播 , 以修正权值 . ( 5 ) 网络进行学习训练直至达到误差精度要 求. 上述过程结束后, 即网络学习过程结束, 此时 可认为网络获得一组最佳权值 , 即为估算模型的 参数 , 从而采用进行估算. 根据 BP 神经网络的原 理 , 利用 M at lab7. 0 编制程序对上述步骤予以实 现. 1 . 3 实例分析 1. 3. 1 输入 、 输出数据分析 所谓工程特征是指
[ 1] 龙艳云 . 建设工 程造价 管理 浅析 [ J] . 广西大 学学 报 : 自然科学版 , 2004, 29( 4) : 116 118. [ 2] 温国锋 . 建设项目 投资 估算模 型分 析 [ J] . 北 京 : 中国 煤炭经济 学院学报 , 2000, 45( 3) : 19 22. [ 3] 飞思科技产品研发中心 . 神经网络理论与 M A T L AB7 实现[ M ] . 北京 : 电子工业出版社 , 2005. [ 4] 沈世镒 . 神经网络系统理论及其应 用 [ M ] . 西安 : 西安 电子科技大学出版社 , 1996. [ 5] 飞思科技产品研发中 心 . M atlab6. 5 辅 助神经 网络分 析与设计 [ M ] . 北京 : 电子出版社 , 2003. [ 6] 王潇洲 . 工程造价动态快速预测的模 糊数学方法 [ J] . 基建优化 , 2001, 22( 2) : 24 27. [ 7] 王峰 . 利 用模 糊数 学动 态估 算工 程 投资 成本 的 方法 [ J] . 学术之窗 , 2007, 24( 2) : 305 310. [ 8] 朱江 , 王运福 . 用模糊 综合评 判法估 算建 筑工程 造价 的适用性 [ J] . 沈阳大学学报 , 2003, 15( 4) : 20 22.
能体现工程特点 , 且能反映工程的主要成本构成 的重要因素 , 工程特征的选取, 应参照历史工程资 料的统计和分析 , 工程模糊集合各个特征元素的 系数, 通常是根据经验或者统计数据 , 并结合工程 具体情况, 由专家的经验确定. 通过对典型住宅工 程的造价组成及建筑结构参数变化对造价的影响 进行分析, 我们确定基础类型、 墙体形式、 内、 外墙 装饰、 楼地面等 5 种主要因素作为工程特征. 列举 工程特征的不同类目, 依据定额水平及工程特征 对造价影响的相关性导致平方米造价的改变 , 从 小到大排序 , 并主观给定对应的量化数据 , 结果见 表 1. 依据表 1, 可以给任意一个住宅工 程模式进 行定量化描述 , 以 T i = ( ti 1 , t i 2 , , ti 5 ) 表示 , 其中 , T i 表示第 i ( i = 1, 2, ) 个工程的序列号; tij ( j = 1, 2, , 5 表示第 i 个工程的第 j 个特征的定量化 数值. 如果某特征由几种类目混合构成, 可按比例 计算其加权平均值作为该特征的
收稿日期 : 2011 04 12.
用量之间的关系, 提出了基于 BP 神经 网络的工 程造价估算方法.
1 基于 BP 神经网络的工程造价估 算模型
1 . 1 基于 BP 神经网络的工程造价估算模型的结 构 人工神经网络 ( ANN) 是以计算机网络系统 模拟生物神经网络的智能计算系统 , 网络上的每 个结点相当于一个神经元, 可以记忆 ( 存储 ) 、 处理 一定的信息 , 与其它结点并行工作. 人工神经网络 BP 模型是复杂非线性映射的一种新方法. 人工神经网络 BP 模型是复杂非线性映射的 一种新方法 . 它具有两层或两层以上的阶层型神 经网络 , 层间神经元实现全连接 . 本文选择这个模 型是基于以下原因: ( 1) BP 网络是神经网络模型 中理论最完善, 使用最广的一种 ; ( 2) 工程造价估 算要求有一定准确度; ( 3) 工程造价估算允许较长 的训练时间 , 但得出结论的时间必须越快越好;
, y ) 表示. 其算法描述如下 : ( 1 ) 数值和阈 值初始化 . 给各 连接权 { w ij } 、 { v j t } 及阈值 { 值; ( 2 ) 给定输入 A = ( a , a , 出Y = (y ,y ,
K k 1 k 2 K k 1 k 2 j
k n
}、 { r t } , 赋予 ( - 1 , + 1) 间 的随机 , a ) 和 目标输
k n
, y );
k n
( 3 ) 计算神经网络前向传播信号 . 对于输入层 ( n 个节点 ) 、 隐含层 ( p 个节点 ) 和输出层 ( q 个节 点 ) 的三层网络而言, 输入隐含层的输出信号为 bj = f [ 隐含层 ck j = f [
k
w ij a i -
k
j
] ; j = 1, 2,
, p.
输出层和输入层的输出信号为 v j tb k j - r t ] ; t = 1, 2, , q.
( 4) 修正权值. 从输出层开始 , 将误差信号沿
表 1 典型样本特征类目定量 化数据及预算资料表 T ab. 1 F eatur e quantifafive data and budget mat erials of ty pical sample p r ojects
图1
基于 BP 神经网络的工程造价估算模型结构图 co st estimation mode
F ig. 1 T he basic structure of the construction
基金项目 : 福建省教育厅科研项目 ( JA D7075) ; 校青年基金 . 作者简介 : 李晓娟 ( 1979 ) , 女 , 福 建古田人 , 福建农林大学讲师 , 博士 , 主要从事工程管理方面的 研究 .
48
甘肃联合大学学报 ( 自然科学版 )
第 25 卷
( 4) 工程造价估算没有实时的要求它具有两层或 两层以上阶层型神经网络, 层间神经元实现连接 . 典型的 BP 网络是三层前馈阶层网络 , 即: 输 入层、 隐含层和输入层 . 其模型结构如图 1 所示 . 1 . 2 基于 BP 神经网络的工程造价估算模型的原 理和算法 神经网络具有识别复杂非线性系统的特性 , 因此, 神经网络需要足够的样本进行训练, 这样当 网络运行( 测试) 时 , 能完成从 n 维输入空间至 m 维输出空间的正确映射, 从而提出 了利用 BP 神 经网络 来间 接建立 这种预 测模型 的方法 . 借 助 M atlab7. 0, 应用 BP 神经网络来间接建立这种估 算模型的方法 . 以影响工程造价估算的影响因素 k A K = ( ak 1 , a2 , , ak n ) , n 为所考虑 影响因素的 个
第 25 卷第 4 期 2011 年 7 月
甘肃 联合大学学报 ( 自然科学版 ) Journal o f Gansu L ianhe U niv ersit y ( N atural Sciences)
V ol. 25 N o. 4 Jul. 2011
文章编号 : 1672 691X ( 2011) 04 0047 04
基于 BP 神经网络的工程造价估算模型研究
李晓娟
( 福建农林大学 交通学 院 , 福建 福州 350002) 摘 要 : 根据神经网络原理和工程造价估算的特点 , 通过研究工程造价的构成 , 建立了工程造价估算模型 . 从模 型调试和测试结果来看 , 经测算其精度基本可以满足 实际工程投资估算的需要 , 模型具有较好的应用价值 . 关键词 : 工程估价 ; 人工神经网络 BP 模型 ; 估价模型 中图分类号 : T U 9 文献标识码 : A