建設工程項目工序的LS-SVM工期預測模型

祁神軍,張云波,丁烈云,

(1.華僑大學土木工程學院,福建泉州362021; 2.華中科技大學土木工程與力學學院,湖北武漢430074)

建設工程項目工序的LS-SVM工期預測模型

祁神軍1,2,張云波1,丁烈云2,

(1.華僑大學土木工程學院,福建泉州362021; 2.華中科技大學土木工程與力學學院,湖北武漢430074)

鑒于傳統工期預測的模糊性和隨機性,分析影響工程項目工期的因素及參數的獲取方式.采用最小二乘支持向量機(LS-SVM)構建建設工程項目工序工期的預測模型,并用工程實例論證方法的有效性.結果表明,對類似工程或者同一工程項目的類似工序的進度執行狀況進行學習,采用LS-SVM的工期預測模型預測即將開展的工程項目的工序工期,符合實際工期控制的要求.與基于BP神經網絡工期預測模型對比分析, LS-SVM的工期預測模型的預測誤差更小,平均訓練時間更短,網絡總誤差更小.

建設工程項目;最小二乘向量機;工序;工期預測

進度計劃是建設企業集團工程項目進度控制的指揮棒,而各工序的建造工期精確程度直接影響整個進度控制.人為因素在工期估算中會產生隨機性和模糊性[1-2],而工程條件的多重復雜性也會導致工期的各種可能性.1987年,Thomas和Yiakoum is提出了影響高速公路項目的生產建造效率的因素,包括環境因素、施工現場因素、管理因素及中斷因素,并建立了相應的勞動生產率和產出因素之間關系的模型[3].1997年,Thomas等[4]將中斷因素分為資源、返工和管理3類.2001年,Ovararinand等[5]指出,影響建筑工程效率的13%～35%是工作面到材料倉庫之間的距離不夠引起的.Botero等通過10個案例的研究[6],指出影響進度的因素一般包括10種因素,如工作開展之前的準備、人力,進度安排的精確性、材料,進度執行過程中的協調、返工、機械設備、天氣、設計,以及其他因素.最小二乘支持向量機[7](Least Square SVM,LS-SVM)是經典的支持向量機的發展和改進.它采用等式約束代替不等式約束,以平方項作為優化指標,將二次規劃問題轉化為用最小二乘法求解線性方程組,降低了計算的復雜性,大大提高了求解速度.本文考慮了工程項目工期的隨機性和模糊性,并根據工程實踐提出諸要素的參數獲取方式,構建了基于支持向量機(LS-SVM)的工期預測模型[8].

1 影響工序工期的因素及參數獲取

1.1 影響因素分析

不同工程項目,影響工期的因素是不同的.考慮到大型工程項目建造過程的共性,以及工序工期影響因素數據的可獲取性,綜合國內外學者對工期影響因素的研究,設定影響工序工期(t)主要有如下7種因素:建筑工程工序本身的工程量(Q),在該工序可分配的人員(P)、材料(M)及設備(E),可供該工序進行的工作面(S),該工序的施工水文地質條件(C),以及項目施工管理水平.施工水文地質條件還包括施工階段的平均氣溫、施工階段凍土深度、施工階段的降雨量、施工階段的風速等[9].

1.2 參數獲取[10]

根據工程項目實踐及參數的可獲取性、適用性等原則,提出參數獲取的方式,如表1所示. (1)Q可從工程量清單預算中直接獲取.(2)當j工序僅有1種材料時,M=;當j工序存在多種材料時其中: mi,j,p(m)i,j分別表示i材料在j工序中的預算量和預算單價.

(4)S是該工序可供工作的工作面與工程量之比.

(5)C取1,2,3,4共4個等級.

表1 工程項目工期預測參數的取值Tab.1 Parameter values of p roject activity duration

2 模型的建立

設l組待訓練類似工序樣本,即(x1,t1),…,(xl,tl)∈R6×R,xi=(Qi,Pi,Ei,Mi,Si,Ci).

(1)若因素Q,P,E,M,S,C與工期t構成線性關系,則設其線性回歸函數為

(2)若因素Q,P,E,M,S,C與工期t構成非線性關系,則使用相同的非線性映射φ.然后,把數據映射到一個高緯特征空間并進行線性回歸.

關鍵的問題是核韓式K(x,y)的選取,使得K(xi,yi)=φ(xi)Tφ(xj),其非線性回歸函數的解為

因此,只需要通過訓練樣本求解出參數a,b,即可對工程項目的工期進行預測[11].

3 算例分析

3.1 樣本來源

某一建設企業集團承建了某市地鐵的一個標段,沿線需要建造若干灌注樁.根據建造完成的9個灌注樁的影響因素Q,P,M,E,C,S和工期t等的統計數據,預測即將展開的第10,11個灌注樁的工期.樣本統計數據和待測樣本的基礎數據,如表2所示.

表2 樣本統計數據和待測樣本的基礎數據Tab.2 Statistical data of learned samp les and basic data of forecasted samp les

3.2 訓練仿真

經過對樣本的訓練,在網絡總誤差為0.011,b為-0.062 1,α=[51.101 5,-32.167 2,-1.078 1, -20.687 6,18.633 5,0.551 3,1.295 0,-18.963 9,1.315 5]的情況下,構建訓練模型.

在試驗中,同基于神經網絡的工期預測方法進行了對比,結果如表3所示.表3中:tr,tc分別為實際工期值和預測工期值.BP神經網絡預測模型的輸入層設置6個神經元,且采用Tansig轉換函數;輸出層節點數為1,采用Purelin函數,且選擇Traingdx函數進行學習和訓練.

表3 BP神經網絡與最小二乘支持向量機的仿真結果對比Tab.3 Comparison between the simulation results by BPmodel and LS-SVM model

通過表3可得,BP神經網絡與LS-SVM模型仿真的絕對誤差最大值分別為-0.130 4和0.019 5.其訓練網絡總誤差分別為0.025 9,0.011 0;平均訓練時間分別為82.031 0,0.453 0 s;平均訓練誤差率分別為1.989 0×10-4,2.085 5×10-4.

由此可驗證基于結構風險的最小化.折衷考慮經驗風險,置信區間的LS-SVM的預測模型對工程項目工序工期進行預測時,可能有更高預測精度和更快的訓練速度[12].

3.3 工期預測

對待測工序的工期進行預測,第10,11個灌注樁的預測工期分別為3.30,9.56 d,實際工期分別為3.5,9.0 d,預測工期與實際工期的偏差分別為-3.32%,3.90%.導致誤差結果的主要原因是,在組織施工方面出現了窩工.從大型工程項目施工的角度來講,絕對工期偏差在半天之內是允許的.

4 結束語

考慮工程項目工期的隨機性和模糊性,根據工程實踐提出影響工期諸要素的參數獲取方式,構建基于支持向量機的工期預測模型.該模型能準確地預測類似工程項目的工序工期,有效編制工程項目的進度計劃,使工程項目建造過程穩定均衡、工作流持續、建造周期縮短、建造成本降低、產品質量和客戶滿意度提高.在大型工程項目工序工期預測中,該方法具有一定的指導意義和價值.

[1] 陸歆弘.模糊假言推理確定施工工期[J].基建優化,1999,20(5):18-21.

[2] 何飛,張貴平.工程施工工期概率:模糊估算法[J].陜西建筑,2000(2):42-45.

[3] SANDERS S R,THOMAS H R.Factors affecting masonry-labor p roductivity[J].J Constr Engrg and M gm t, ASCE,1991,117(4):626-644.

[4] THOMAS H R,MA THEWSC T,WARD J G.Learning curvemodelsof construction p roductivity[J].JConstr Engrg and M gm t,ASCE,1986,112(2):245-258.

[5] OVARARIN N,POPESCU C M.Field facto rs affecting masonry p roductivity[C]∥Proc of the 45th AACE:International Transaction.Pittsburgh:[s.n.],2001:91-100.

[6] BOTERO L F,ALVAREZM E.Last p lanner:An advance in p lanning and controlling construction p rojects:Case study in the city of Medellin[C]∥Proc of the 4th Brazilian Symposium on Construction Management and Economics.Porto A legre:[s.n.],2005:1-9.

[7] SUV KENSJ A K,VUNDEWULLEJ.LeusL squares suppo rt vector machine classifiers[J].Neural Processing Letter,1999,9(3):293-300.

[8] SALEM O,SOLOMON J,GENA IDYETAL A.Site implementation and assessment of lean construction techniques [J].Lean Construction Journal,2005,3(2):1-21.

[9] 張云波,胡云昌.人工神經網絡的建設工期定額地域分類[J].華僑大學學報:自然科學版,2004,25(3):270-274.

[10] 祁神軍,丁烈云,駱漢賓.大型工程項目工序工期精準預測方法研究[J].重慶建筑大學學報,2007,29(6):141-144.

[11] 宋志宇,李俊杰.最小二乘支持向量機在大壩變形預測中的應用[J].水電能源科學,2006,24(6):49-52.

[12] 辛治運,顧明.基于最小二乘支持向量機的復雜金融時間序列預測[J].清華大學學報:自然科學版,2008,48(7): 1147-1149.

Forecast M odel of Activity Duration Based on LS-SVM in Construction Engineering Project

Q IShen-jun1,2,ZHANG Yun-bo1,D ING Lie-yun2
(1.College of Civil Engineering,Huaqiao University,Quanzhou 362021,China; 2.College of Civil Engineering and Mechanics,Huazhong University of Science and Technology,Wuhan 430074,China)

Referring to fuzziness and randomness for activity duration fo recast of construction engineering p roject by traditional ways,the influence facto rs of activity duration are analyzed,and parameter calculation is also p roposed.A fo recast model of activity duration based on the least square suppo rt vector machine(LS-SVM)is set up,and the analysisof a subway case confirms validity of thismodel.Themodel is trained by the schedule execution situation of the activities in o ther similar p rojects o r the similar activities in the same p roject,the activity duration sim ulated by the model confo rm s w ith the request of schedule controlling.In the forecastmodel of activity duration based on LS-SVM,the p rediction and network total erro rs is less,training time is shorter than the ones in he fo recastmodel based on BP.

construction engineering p roject;least square support vector machine;activity;activity duration fo recast

TU 722

A

(責任編輯:錢筠 英文審校:方德平)

1000-5013(2010)05-0562-04

2009-10-23

祁神軍(1982-),男,講師,主要從事工程項目管理的研究.E-mail:qisj972@163.com.

國務院僑辦科研基金資助項目(08QZR06);華僑大學高層次人才科研啟動項目(07BS404)