施工企业基于人工神经网络模型在建筑工程成本预测的实例应用

丁瑞丰,肖程耀

(四川省第六建筑有限公司，四川成都 610081)

随着建筑业的竞争越来越激烈，建筑管理领域面临着越来越复杂的决策困境。这些困境通常是动态的，不可重复的，并且有许多变量。这些变量通常是不确定的。在解决这些问题的过程中，传统的成本预测理论存在收集数据、分析因素和选择变量的一些缺点。人工神经网络(ANN)是人工智能领域新兴的综合子学科，它能很好地处理该领域问题的多样性和复杂性，避免了传统方法不足。它利用了历史数据驱动、“黑箱”建模方式，而且不需要先进行统计上的信息验证，因此，有必要将人工神经网络作为非线性分析工具引入建筑工程管理领域。人工神经网络最显著特点是学习并存储历史数据，从而去自适应某个系统内部特有模式，具有解决建筑经济管理领域中复杂问题的巨大潜力。

1 成本预测国内外现状简要说明

在工程项目的成本管理中，成本预测和成本控制是首要任务。因此，更准确的成本预测在提高成本计划的科学性，降低成本和提高经济效益方面发挥着重要作用。在进行成本预测时，通常使用定量预测方法。从广义上讲，建筑工程的定量预测是基于历史成本数据和成本影响因素之间建立某种数学关系。通过数学模型，并根据相应函数算法和编程语言获得预测结果。

国外对成本预测的研究开始较早，其方法的演变过程经历了三个阶段：第一阶段是“工程造价信息服务部”预测模型，它考虑的时间、工程质量和规模的项目成本，主要是基于类似项目的历史成本数据信息。第二阶段是基于回归分析模型。该模型量化影响成本定性因素，并且使用系数的方法建立回归方程来实现成本的预测。在第三阶段，考虑到影响成本大量不确定因素，并利用计算机软件来建立预测模型。

2 人工神经网络简介及基本原理

人脑的神经系统中有大约1 000亿个神经元。神经系统是这些神经元的复杂网络，具有高度的组织性并按功能区域相互作用。典型的生物神经元具有树突结构，其从细胞体延伸到其它神经元，与称为突触的连接处接收电信号，在累积这些电信号达到某些阈值时，便形成神经信号通路。有些信号倾向于激发该细胞，另一些信号倾向于抑制其激发。细胞沿其称为轴突的结构向其它神经元细胞发送相应的信号。数千亿神经元组成的庞大神经网络成为人类意识、记忆、认知和学习等高级智能产生的主要原因。图1是典型生物神经元的简单模型的示意图。

图1 典型生物神经元模型

人工神经网络(ANN)技术是20世纪80年代以来人工智能领域的研究热点。它便是人脑结构的抽象、简化的模拟。它基于模拟大脑神经网络结构和功能的信息处理系统，具有自学习、自组织、自适应和非线性函数逼近功能，有很强的容错能力。是信息预测、分类和模式识别领域强大数据处理工具。人工神经网络模型有许多类型。本文中选用应用最为广泛的BP(Back-Propagation，误差反向传播)神经网络模型。

相关理论证明了BP网络模型可以实现任意函数的逼近。BP神经网络是多层的，包括节点和连接作用两种主要元素。其中节点的作用是相当于神经元细胞，连接作用是反映节点连接关系。典型的BP神经网络由输入层、隐藏层(可以包含多级隐藏层)和输出层组成，如图2所示。输入层的节点本身没有计算功能，它只负责数据输入。隐藏层和输出层节点分别具有“加权求和”以及激活函数(激活或者抑制)计算功能。隐藏层节点和输出层节点的主动计算功能是BP神经网络的基本原理。

图2 误差反向传播 (BP) 神经网络结构

通过历史数据反复训练和学习来预测未知变量是人工神经网络最重要的特征之一。学习的实质是：将相同训练集的样本输入和输出重复应用于网络，网络根据一定的训练规则自动调整神经元节点之间的连接强度并记忆其特有通路，使实际输出满足要求。

3 成本预测模型技术实现

本文主要研究建筑工程中土建施工成本的预测。利用人工神经网络(BP神经网络)原理，研究了11个实际完成项目的真实成本。进行可行性实证研究。BP神经网络模型由Matlab软件中的Nntraintool(神经网络训练工具箱)模块构建。在11个竣工工程中，随机选取9个工程当作神经网络的训练集，剩余的2个工程当作测试集。在输入层端代入9个训练集工程中和成本显著相关的9个工程特征值(即建筑面积、基础指标、主体结构指标、装饰指标、楼层数、层高、地下层数、建设中期工程造价指数、建设中期材料价格指数)，在输出端代入9个工程所对应的实际成本费用，进行迭代训练学习。训练完成后，选定剩余的2个工程测试集用于对比模型预测成本费用值与实际成本费用的误差率，当误差率小于5 %，证明该人工神经网络模型与建筑工程成本预测相结合是可行的。图3为BP神经网络成本预测模型构建流程。

4 实例应用

本文选取了从2010～2015年笔者所在分公司承建的11个已竣工工程的土建工程成本费用作为研究对象(实际工程名称均以工程编号替代)。整理后得到的工程数据如表1所示。

表1 工程样本

4.1 建筑工程样本定性变量处理

在BP神经网络算法中，需要特定的数据来处理问题，影响工程成本的因素主要分为定量变量和定性变量。可直接使用定量因子，而定性因子需要转换为定量因子。根据一般工程经验，定性变量处理规则如表2所示。定性变量处理后的工程样本数据如表3所示。

4.2 工程样本特征值归并化处理

本文将11个建筑工程样本特征值归并化处理成为9个建筑工程特征值。根据一般工程经验，基础指标的权重值取0.1，主体指标的权重值取0.4，装饰指标的权重值取0.25(表4)。

表1 工程样本(续)

表2 定性变量处理

4.3 划分训练集和测试集

对于BP神经网络模型的训练集和测试集的划分本例中采用随机的划分方式，从而规避主观对数据进行筛选。11个施工工程样本，随机分为9个样本集合作为训练集，使用剩余的2个样本集合作为测试集。

表3 工程特征值

表4 工程特征值(归并处理后)

4.4 成本预测结果检验

运行Matlab软件，使用9个训练集的训练样本作为输入变量在神经网络训练工具模块中进行训练，训练完成后，对2个建筑工程测试集的预测成本费用与真实成本费用进行比较，其所得的结果如图4、表5所示。

图4 本例模型预测成本费用与实际成本费用对比

表5 本例检验样本结果

由表5可以看出，模型对2个测试集所预测出的工程样本土建成本费用值分别为1 434.3 元/m2和2 239.8 元/m2，而这2个工程的实际土建成本费用分别为1 371.5 元/m2和2 327.6 元/m2，它们的实际工程样本值与BP神经网络预测出的工程样本值的相对误差率分别为4.58 %和3.77 %，两个误差值均小于目标误差5 %。因此，该BP神经网络建立的建筑工程成本预测模型是可用的。

5 结束语

目前，建筑业面临的压力和竞争日趋激烈，企业的生存和发展面临诸多挑战。企业进行合理的成本管理尤为重要和迫切。客观上社会经济环境、政府政策的方向以及项目本身的未知因素都时刻变化，主观方面包括从业人员成本估算的理论知识水平、专业经验技巧等，这些因素对项目成本的估算有重大影响。本文采用人工神经网络信息技术建立成本预测模型，并进行了一系列研究。笔者所在分公司承建的建设工程项目，其中大部分是商业住宅，结构类型相对单一，由于有许多工程特征及经济指标均会影响成本预测，因此在选择项目成本预测数据时不可避免地存在一些低精度问题。仅收集了11个工程数据，对于一个机器学习类模型来说，数据量极少，且数据特征值种类也较少，训练出来的预测模型还有很大的扩展空间。

如果将成本数据进行长期系统化收集，不断完善工程特征值的建立规则，那么运用人工神经网络技术进行成本预测模型的创建将具有广泛适应性和通用性，通过推广到各个工程分公司进行实际应用，从而整体提高全公司的成本管理水平，进一步提升公司在建筑市场的核心竞争力。