建筑工程造价预测模型的设计与实现

王轩, 杨文波

(陕西省建筑职工大学 专业科， 西安 710068)

0 引言

随着建筑工程项目管理的精细化，为更好的满足需求，多种工程造价预测模型应运而生，其中神经网络模型能够做到比较灵活精准的预测，神经网络模型的输入向量的筛选在少部分文献中是依据层次分析法(AHP)完成的，在实际建筑工程中涉及到的内容较多，影响因素错综复杂，对建筑工程造价影响程度较大的工程特征的筛选通常是一个模糊环境下的问题，而层次分析法在权重值的获取上一般只依靠经验或专家判断，未对决策者判断的模糊性进行充分考虑，难以显著提高预测结果的科学性合理性。本文则是在充分考虑决策者判断的模糊性的基础上，通过直觉模糊分析方法的使用，实现其对造价的影响程度系数的求解，在此基础上完成了对建筑工程造价影响程度较大的工程特征的确定，在神经网络模型中作为输入向量，完成建筑工程造价预测模型的构建[1]。

1 建筑工程造价预测的现状

建筑工程在投资决策过程中必做工作之一就是工程造价预估，编制投资计划及控制施工成本等要求造价估算做到准确有效，现阶段经常使用的工程造价估算方法有回归分析法、定额法、类比工程法及人工智能法等，回归分析法无法考虑太多因素，是通过回归模型的建立来完成造价预估的，难以考虑到不确定性因素；定额法的编制工作较为繁杂，需要花费较长的时间编制预算文件，但定额法预估结果的精度较高；类比法所使用的模型相对简单，但其预估结果的精度则相对较低；造价估算如果存在较大的误差，会降低投资决策的合理性，可能影响施工质量，严重时甚至会导致工程停工或返工，造成重大的经济损失。具备较强自适应学习能力的神经网络方法，同时拥有良好的信息处理和非线性映像功能，应用于建筑工程造价预测过程中，能够做到灵活动态的解决问题，可进一步提高预估方法的科学性、便捷性和可靠性[2]。

2 模型输入量选取

本文充分考虑建筑工程造价特征的基础上，针对建筑工程造价的影响因素，通过全面的分析和筛选后，完成了建筑工程造价的影响因素的初步确定，主要包括9个即建筑面积、标准层面积、结构类型、基础类型、建筑层高及层数、抗震等级、平面形状及埋深，并将其作为直觉模糊层次分析法的参与因素。

2.1 直觉模糊互补判断矩阵的构建

依据重要性程度，对上述9个因素两两比较，判断各因素对工程造价的影响程度，完成因素比较表的构造，向工程造价领域的专家咨询，对其意见进行归纳整理，为提高结果的科学性和合理性，在对专家判断存在一定主观模糊性进行考虑的基础上，用i,j分别代表建筑面积、标准层面积、结构类型、基础类型、建筑层高、层数、抗震等级、平面形状、埋深，两两比较根据直觉模糊判断矩阵(徐泽水)得出判断矩阵(Aij)9×9，具体评价等级判断如表1所示[3]。

表1 属性重要程度定义标度表

2.2 确定工程特征影响程度系数

(1)

(ωl)T=[(0.077 4,0.155 9)(0.120 2,0.099 8)(0.120 2,0.099 8)(0.158,0.059)(0.142 9,0.068 3)(0.080 1,0.148 9)(0.080 1,0.148 9)(0.084 1,0.147 1)(0.136 2,0.071 8)]如式(2)。

(2)

λT=[(0.137 6,0.277 2)(0.267 1,0.221 8)(0.267 1,0.221 8)(0.416 9,0.156 1)(0.351 2,0.167 9)(0.144 7,0.268 9)(0.144 7,0.268 9)(0.155 5,0.271 8)(0.325 2,0.171 5)]如式(3)。

(3)

3 网络模型训练

训练神经网络的第一步需先获取训练样本，包括训练数据的收集、分析、选择和预处理等，首先随机选出一些数据作为模型，发现其规律，在大量的测试设局中确定出最主要的输入模式，即对测量数据进行相关性分析，找出其中最主要的量作为输入，在确定了输入量后，对其进行预处理，将数据变化到一定的所需范围，并剔除野点，使得到的数据便于神经网络学习和训练。神经网络属于多层前馈神经网络的一种，网络模型核心过程包括两个，即输入信号从隐含层到输出层的前向传播，误差反向传播，误差在重复运行的条件下能够不断减小，使模型预测的输出结果逐渐接近期望值，最终满足要求为止(具体模型结构如图1所示)。

3.1 训练样本及预处理

工程特征指标包括两种，即数值型和字符型，在本文中为对结构类型进行量化，砖混结构用数字1表示，框架结构用2表示，框剪结构用3表示，量化结果如表2所示。

表2 工程特征表

列示了项目样本的工程特征指标的具体数据(共12个)，为最大程度降低量纲对结果的影响程度，需对数据进行归一化处理，处理使用公式如下：

Y=2 ×(x-xmin)/(xmax-xmin)-1

从而使数据更加均匀、易收敛，均分布在[-1,1]区间范围内。具体的函数语法为：[input, mininput, maxinput, output, output, minoutput, maxoutput]=premnmx(input,output),归一化结果如表3所示[5]。

表3 数据归一化结果

3.2 模型构建

故输入层节点数用n表示，且n=5(上文筛共筛选出5个输入量)，对于三层神经网络，根据柯尔莫哥洛夫定理，其隐含层的节点数为2n+1=11个，样本的目标数据种类(m)决定输出层的节点数(用m表示)，设m=1，其模型结构如图1所示。

图1 模型结构图

对数s型转移函数/线性函数及双曲正切s型函数是比较常用的激活函数，在归一化处理使用premnmx函数的基础上，选择双曲正切s型函数作为隐含层激活函数；BP训练函数traingd(有梯度下降) 和traingdx训练函数(梯度下降自适应学习)应用的较为普遍，本文选用train学习函数和traingdx训练函数；调用神经网络工具箱Matlab，设定均方误差mse为0.001，选择样本的前10组数据，对其进行不断的训练迭代，进而使网络性能得以逐渐优化，相对误差呈逐步下降趋势(经过波动)，直至满足精度要求，收敛过程如图2所示[6]。

图2 训练性能曲线图

4 模型验证

对样本11、12的数集通过训练收敛后的网络完成检测过程，并得到预测值，在此基础上完成反归一化处理(通过使用Postmnmx函数)，依据预测结果，完成实际值与预测值的相对误差的计算，验证结果表明误差区间在[-10%，+10%]之间，满足投资估算(指工程可行性研究分析中)误差率的最高标准，具体结果如表4所示。

表5 误差分析表

证明本文所设计的建筑工程造价模型在实际建筑工程造价预测中实用价值较高[7]。

5 总结

建筑工程在投资决策过程中必做工作之一就是工程造价预估，编制投资计划及控制施工成本等要求造价估算做到准确有效，本文主要对基于模糊逻辑和神经网络方法的建筑工程造价预测模型进行设计，依据建筑工程特征，在对工程复杂性和判断的模糊性进行充分考虑的基础上，定量化处理建筑工程的特征，各工程特征的影响程度系数的确定通过直觉模糊分析方法的使用完成，完成了对建筑工程造价影响程度较大的5个工程特征的确定，筛选出影响较大的工程特征作为模型输入量，从而使常规模型得以简化，提高了模型精度。采用10个样本数据迭代训练模型，对数据模型通过2个工程样本进行验证。经实际验证后表明可对工程特征进行有效筛选，通过神经网络的使用更能适应工程造价的动态变化，预测精度能够满足实际要求，具有较强的实用价值。