公路工程造价预估模型探究与应用

李楠

（新疆交通投资有限公司，新疆 乌鲁木齐 830000）

为有效控制公路工程成本，实现公路工程造价科学管理，以及保证后期公路养护的资金充足，相关部门需在保证公路工程质量的基础上，对公路工程造价做到精准预估[1，2]。目前用于公路工程造价预估的有效手段为预估模型，即根据实际情况及目前市场劳动力和施工材料价格，构建相应的公路工程造价预估模型，利用模型实现对公路工程造价的精准预估[3]。但是，现有的预估模型在实际应用中存在较大的误差，导致预估模型的kappa系数值较低，无法满足预估需求，为此提出公路工程造价预估模型探究与应用。

一、公路工程造价预估模型设计

（一）公路工程造价预估模型输入神经元的选取

将公路工程造价视为一个抽象的开放系统，其受到多种因素影响，为了准确预估出公路工程造价，必须要准确选取造价影响因素，确定相关变量，将其视为预估模型的神经元，从而组建预估模型的模糊逻辑。首先利用模糊理论将所有公路工程造价影响因素构建一个因素集，并为影响因素之间建立合理的模糊偏好关系，从模糊偏好关系中导出因素的优先权重，根据该权重值排序各个影响因素，对于影响因素的优先权重的计算采用顺序求合法计算，将排序好的因素组成一个序列集，从而构建出预估模型的模糊理论，计算出公路工程特征各个变量的影响长度系数，选择出公路工程造价预估模型输入神经元。

（二）基于神经网络构建预估模型

根据模糊理论选取的神经元作为公路工程造价预估的重要指标，对其预处理。将选取的神经元输入到神经网络中，作为特征指标体系，将预估值作为神经网络的输出集指标。本文结合神经网络特征及公路工程造价预估需求，采用数字1、2、3分别代表路基结构、框架结构和框剪结构予以量化。为了消除结构量化对公路工程造价预估结果的影响，归一化处理量化后的数据，处理公式如式（1）所示：。式中，y表示归一化处理后的神经元数值；k表示归一化处理系数，通常情况下该系数值为0.1；x表示量化后的神经元数值。利用上述公式归一化处理量化后的神经元数值，数据分别在[0-1]区间内。将处理好的神经元构建神经网络结构，神经网络结构由输入层、输出层和隐含层组成，最关键的是确定神经网络隐含层神经元的数量，数量过多或过少都会影响到公路工程造价计算精度。根据科尔莫科洛夫定理确定神经网络隐含层神经元数量，计算公式如式（2）所示：。式中，x表示神经网络隐含层神经元数量；n表示神经网络输入层节点数量。利用上述公式计算出神经网络隐含层的数量，组建适用于公路工程造价预估的神经网络，从而构建公路工程造价预估模型，其步骤分为三步。

第一步：在神经网络中选取newff函数作为公路工程造价相关变量参数设置函数，该函数如式（3）所示：。式中，net表示公路工程造价预估模型的神经网络；表示模型输入向量的取值范围；S1表示神经网络输入层的神经元数量；q1表示神经网络输入层的传递函数；p表示神经网络的训练函数；B表示神经网络对公路工程造价相关变量优先权值学习函数。利用该函数设置输入工程公路造价预估模型的相关变量。

步骤二：设置公路工程造价预估模型相关变量后，在神经网络中选中TYY函数训练公路工程造价相关变量，该函数如式（4）所示：。式中，net表示步骤一已经训练好的神经网络；e表示公路工程造价相关变量训练过程记录；NET表示待训练的公路工程造价相关变量数据；Q表示公路工程造价预估模型输入数据矩阵；E表示公路工程造价预估模型输出数据矩阵；T表示神经网络初始化输入层条件；U表示神经网络初始化输出层条件。利用式（4）训练和学习输入到神经网络的公路工程造价相关变量。

步骤三：在步骤二的基础上，在神经网络中选择PPR函数作为预估模型的预测函数，该预测函数如式（5）所示：。式中，PPR表示预估函数；w表示最终预估值；net表示训练好的神经网络；x表示神经网络输入的公路工程造价相关数据。利用式（5）完成对公路工程造价的最终预估计算，将其作为神经网络输出数据，从而得出公路工程造价预估模型计算结果。

二、实验论证分析

实验以某公路工程为对象，该公路工程预计历时36天，建设面积为5963.26m，修建长度为1562m，修建宽度为22.5m，实验利用此次设计模型与传统模型预估该公路工程造价。实验中两个模型的计算均在MATLAB操作平台上，操作过程如下：首先打开MATLAB操作平台中神经网络工具箱编辑神经网络，然后在神经网络中输入100组样本数据反复学习训练，不断调整神经网络的预测性能，在训练达到90步时神经网络精度达到实验要求。此时，在MATLAB操作平台中打开设计模型，将相关数据输入到模型中，并将剩余的样本数据的指标数据输入到神经网络中，利用预估模预测造价，并在该操作平台上完成预估值的反归一化处理。最后比较两个模型的预估结果与实际值，利用IJGD软件计算两个模型的kappa系数值，kappa系数是反应预估结果与实际值的一致性，如果kappa系数值越大，则表示模型预估结果与实际值越接近，模型的预估精度越高。kappa系数值在0.5～1.5之间，将其作为实验结果，对比分析两个公路工程造价预估模型kappa系数值，实验结果如表1所示。

表1 两个模型kappa系数值对比

从上表可以看出，此次设计的公路工程造价预估模型kappa系数值基本接近于1.5，说明该模型预估结果与实际值基本相符，预估误差较小；而传统模型kappa系数值最高仅为0.96，最小kappa系数值为0.59，说明传统模型预估结果与实际值相差较远，预估误差较大。这是因为本文涉及的公路工程造价预估模型应用了神经网络技术，利用神经网络训练功能大量反复训练造价数据，不断提高预估精度。通过以上实验数据证明了本文设计模型具有较高的预估精度，更适用于公路工程造价预估。

三、结语

本文结合模糊理论及神经网络技术理论，探究公路工程造价预估模型方面的构建及应用，得出以下结论：模糊理论与神经网络技术的应用，对提高公路工程造价预估模型精度具有重要应用价值，有利于克服公路工程造价预估模型精度低的缺点及模型泛化能力差的不足。为提高公路工程造价预估模型设计水平，以及推广公路工程造价预估模型的广泛应用具有重要的现实意义。