建筑工程造價預測模型的設計研究

馬志偉

【摘要】工程造價管理是建筑工程管理的重要內容，與建筑工程效益存在密切的關聯，本文以建筑工程造價預測模型設計研究為題，首先闡述建筑工程造價預測現狀，然后選取模型輸入量，并在此基礎上構建建筑工程造價預測模型，最后對預測模型進行驗證，希望為相關行業提供借鑒。

【關鍵詞】建筑工程;工程造價;造價預測模型

目前，精細化管理成為了建筑工程項目管理的發展趨勢，為了與精細化管理相吻合，構建工程造價預測模型十分關鍵，在模型構建過程中，神經網絡發揮了重要作用，與傳統層次分析法相比，其優勢十分顯著。就實際情況而言，建筑工程在施工建設階段，容易受到諸多因素的影響，而傳統層次分析法，僅能憑借經驗和專家判斷影響因素，很難保證預測結果的準確性。因此對此項課題進行研究，其意義十分重大。

1、建筑工程造價預測現狀

工程造價預算是建筑工程造價管理的重要依據，與此同時，還能為投資計劃編制和投資決策制定提供支持，故造價預算的準確與否，會直接影響建筑工程的經濟效益和施工質量，嚴重時，甚至會引發安全事故。目前，回歸分析法、人工智能法以及類比工程法屬于常用的造價預測方法，但就應用結果而言，這些方法并不能確保預測結果的準確性[1]。回歸分析法會利用回歸模型對造價進行預測，但這種回歸模型，卻無法考慮全部的影響因素;定額法雖然具有非常高的準確性，在編制預算文件時，卻需要耗費大量的時間;類比法所應用的分析模型較為簡單，故無法保證預測結果的準確性。而神經網絡方法由于具有學習能力和信息處理能力，在建筑工程造價預測中應用這種方法，可以在最大限度上確保預測結果的精度，故受到了建筑領域的青睞，據了解得知，基于神經網絡技術構建工程造價預測模型，已經成為工程造價預測未來發展的趨勢。

2、選取模型輸入量

本文所提出的建筑工程造價預測模型，對建筑工程造價特征和影響因素進行了全面考慮，在研究后確定了9個影響因素，分別為建筑高度、建筑結構、建筑面積、抗壓等級、標準層面積、埋深、基礎類型以及整體形狀，在確定影響因素后，將其融入到分析方法之中。

2.1構建直覺模型互補判斷矩陣

將上述影響因素的重要程度作為依據，對其進行對比，明確不同因素對工程造價的影響，并在此基礎上，構建因素對比表，然后通過咨詢專家的方式，匯總專家意見，為保證預測結果的精度，在考慮專家意見模糊性的同時，用i，j對上述影響因素進行標識，在兩兩對比后得到判斷矩陣。

2.2工程特征影響程度系數確定

在獲得判斷矩陣后，應對其進行一次性檢驗，同時將指標相對權重計算方法作為依據，可以用uij和Uij對工程特性進行表示，而工程特征的影響程度可以由λi表示，在此基礎上，得出的模糊互補矩陣由S表示，這個矩陣的得出條件由專家研究后確定，而ωi可以對指標權重進行反映。在加權計算后可以得出不同因素的影響程度系數，計算結果表明，影響程度系數超過0.5的因素有4個，分別為標準層面積、建筑結構、建筑高度和埋深[2]。

3、網絡模型訓練

訓練樣本的獲取，是神經網絡訓練的前提條件，主要流程為采集數據、分析數據、選擇數據以及處理數據。具體流程如下所述：在樣本中隨機選擇多個數據作為構建模型的基礎，并把握這些數據的內在規律，經過大量的測試后，找出影響程度最高的輸入模式，簡言之，就是通過相關性分析的方式，對測量數據進行處理，在其中找到輸入量，在預處理后，使數據在所需范圍內發生改變，同時將野點除去，最后就可以獲得神經網絡學習所需的數據。神經網絡屬于多層前饋神經網絡的重要內容，具有兩個關鍵性的過程。分別為前向傳播和反向傳播，其中前者的傳播對象為信號，而后者的傳播對象為誤差。在持續運行的情況下，誤差的總量會呈現出減少的趨勢，模型預測結果的準確性也會因此而提升，直至與要求相符為止。

3.1樣本訓練和處理

工程特性指標包括兩種形式，分別為字符和數值，而神經網絡可以量化字符和數值，本文所得到的數據歸一化結果，如表1所示。

通過對字符和數值的準確量化，可以控制其他因素對預測結果的影響。在此基礎上，我們可以通過計算，實現對數據的歸一化處理，這種處理方式的應用，可以使數據的均勻程度提升，促使其在區間范圍內的分布更加合理。

3.2構建模型

在構建預測模型時，可以使用n代表輸入層節點的數量，結合上文得知，輸入層節點的數量為5，故n=5，本文所提出的神經網絡，其層數為三層，將柯爾莫哥洛夫定理作為依據，在計算后得出隱含層的節點數量為11個。建筑工程預測模型結構如圖1所示。

目前，應用頻率較高的激活函數包括三種，分別為轉移函數、線性函數以及正切函數，出于構建工程預測神經網絡模型的考慮，選擇正切函數較為合理;在選擇BP訓練函數時，選擇有梯度下降和梯度下降自適應函數可以取得良好的效果。同時，將均方誤差設置為0.001，以此為基礎，選擇合適的樣本數據，持續訓練后優化網絡性能，使誤差得到進一步的控制，直至與精度要求相符[3]。

4、驗證模型

在模型構建完成后，需要對其進行驗證，確保其預測精度與要求相符。在驗證后得出預測結果，并將其與實際值進行比較，計算二者的誤差，驗證誤差如果小于10%，則表明預測結果與投資估算要求相符。本次驗證所選擇的樣本數據為表2中的項目11和項目12，其中項目11預測誤差率為+3.2%，而項目11的預測誤差為+7.72%，二者誤差均小于10%，表明本文所構建的工程造價預測模型精度較高，實際應用價值十分顯著。

結論：

綜上所述，在新時期背景下，建筑工程企業在實現快速發展的同時，也面臨著嚴峻的考驗，主要包括人力、材料成本上升，市場競爭加劇等，為增強市場競爭力，建筑企業應構建工程造價預測模型，以確保工程造價預算結果的準確性，并在此基礎上，采取成本控制措施，控制施工成本，提升工程效益。

參考文獻：

[1]王崢，李萍，譚小蓉.BIM技術在建筑工程造價管理中的應用探討[J].居舍，2020（07）：154.

[2]王家明，范學寧.基于ARIMA的大宗工程材料價格預測構建研究[J].工程造價管理，2020（01）：65-75.

[3]王軒，楊文波.建筑工程造價預測模型的設計與實現[J].微型屯腦應用，2019，35（08）：95-97+104.