基于數據挖掘的建筑工程造價成本預估模型構建研究

趙博軍 魏小娟

摘要：在建筑工程管理工作中，成本預估其中非常重要部分，肩負著控制工程成本的重任。以往，由于技術上的問題，在建筑工程造價成本預估的精度方面無法進行有效保證，隨著計算機技術的發展，這一長期困擾建筑行業的問題得到了解決。利用計算機技術，基于數據挖掘的建筑工程造價成本預估模型被研發出來，其采用最小二乘支持向量機進行建筑工程造價成本預估模型的構建求解，同時以粒子群算法為基礎對模型進行進一步優化，在提高建筑工程造價成本預估精度方面取得明顯成效，表現出了優于其他他建筑工程造價成本預估模型的優勢。

關鍵詞：建筑工程;質量管理;成本預估;數據挖掘;數學模型;工程造價

社會經濟的快速發展使建筑行業的規模不斷擴張，為滿足人們對住戶水平和生活品質不斷上升的需求，各地都展開了大大小小的建筑工程建設，由此也帶動了建筑原材料、人力、管理方面費用的快速提升，使建筑工程造價不斷攀升，更加體現出相關工程建設的成本管理的重要性。建筑工程造價成本預估是伴隨著建筑行業的興起而共同發展起來的，對于保證建筑工程的正常施工、工程工期、質量控制等都具有重要意義。

1、建筑工程造價成本預估模型分析

以往，由于技術上的局限，主要采取的是統計學方法進行成本預估，而相關的操作是由工程管理人員人工進行，由于計算過程較為復雜，因此極易造成因為人工計算中的小錯誤而使建筑工程造價成本預估的誤差過大，從而使預估數值的可參考性降低，建筑工程造價成本管理的難度加大。在對建筑工程造價成本預估的研究過程中，一些基于不同原理的計算模型被設計出來，經過實際的應用表現出了不同的特點，比如以建筑工程造價成本的歷史數據有基礎的多元線性回歸模型，由于對相似建筑工程造價成本進行回歸和擬合，其預估結果的可信度較高，但其違背事實，將建筑工程造價成本認定為固定的線性增加變化趨勢，因此其預估精度依然難以達到理想值;人工神經網絡可以智能地實現非線性擬合建筑工程造價成本與其影響因素之間的關系，從而體現出建筑工程造價成本的變化趨勢，但由于其自身結構過于復雜的原因，很難控制其在計算過程中的合理結構和統一看法，常常會得到“過擬合”的預估結果，這也造成了對其預測精度的損害;隨著相關研究的進一步發展，一種非線性建模方法——數據挖掘技術被應用于建筑工程造價成本預估的模型構建中，由于其對建筑工程造價成本的變化趨勢可進行深層次挖掘，對建筑工程造價成本與影響因素之間的關系進行準確估計，且，泛化能力強，已成為進行建筑工程造價成本預估的主要工具，但是由于其是支持向量機的一種常見方法，當參與建筑工程造價成本預估的數據較多時，就會出現學習速度過慢的缺陷，甚至可能使預測計算無法進行。

目前，一種新型的、學習速度快、泛化能力強的數據挖掘技術“最小二乘支持向量機”成為建筑工程造價成本預估中最受矚目的方法，其克服了多數建筑工程造價成本預估模型無法對建筑工程造價變化趨勢進行精準描述的問題，基于數據挖掘的建筑工程造價成本預估模型（PSO—LSSVM），利用最小二乘支持向量機進行建筑工程造價成本變化趨勢的擬合，其預估結果的精度明顯提高，與其他建筑工程造價成本預估模型相比，誤差顯著縮小。

2、建筑工程造價成本預估的數學模型

建筑工程造價成本預估的數學模型將與建筑工程造價成本相關的諸多因素的數量，如人工費、材料等設為n，并以表示，其中i=1，2，3……n。以y表示建筑工程造價成本，由相關公式為：

式中，f（·）代表的是建筑工程造價成本預估函數，該數值對建筑工程造價成本預估的準確性具有重要意義。

3、數據挖掘的建筑工程造價成本預估模型

3.1最小二乘支持向量機

在模型中，權向量ω和偏差b需要確定保證最優值。根據結構風險最小化原理，對于松弛變量的等式約束優化得到以下公式：

就上圖可知，結構中每一個中間節點都對應著一個支持向量。結合最小二乘支持向量機結構與建筑工程造價成本模型的構建過程可知，對預估結果造成直接影響的的參數為

因此需要采用粒子群算法對這個兩個數值進行優化。

3.2粒子群算法

粒子群算法是以模擬鳥群飛行覓食行為為基礎形成的算法，其可采用一個粒子代表結合問題求解的目標確定其適應度函數值，在該建筑工程造價成本預算中，為獲取最優的參數，根據粒子狀態得到更新公式：

3.3數據挖掘的建筑工程造價成本預估步驟

（1）根據建筑工程的實際情況，對相關資料進行收集，并對其造價成本的歷史數據進行整理，對相關數據進行如下處理：

（2）將粒子的位置和速度初始化、確定取值范圍，結合參數采用最小二乘支持向量機映射粒子位置。

（3）輸入學習樣本由最小二乘支持向量機進行學習，并反編碼粒子位置向量，獲得參數，再訓練得到每一個粒子的適應度值。

（4）將每個粒子的最優位置和種群最優位置進行確定。

（5）更新慣性權重

（6）更新操作粒子狀態，獲得新的粒子群。

（7）結合訓練樣本和最小二乘支持向量機計算獲得粒子群的適應度值。

（8）對結果進行結束條件對照，如發現不妥，再由（4）開始進行計算操作。

（9）基于計算得到的參數最優組合，對樣子進行再次學習，獲得建筑工程造價成本預估模型。

4、仿真實驗

4.1數據采集

根據以上公式，將某市的建筑工程造價成本數據作為實驗數據進行研究，從該實驗對象中采集200組數據，對該建筑工程的造價成本數據變化趨勢進行分析，由此建立建筑工程造價成本預估數學模型：

根據差分熵確定（建筑工程造價成本數據的延遲時間）=12，最終將其中50組數據作為測試樣本，其他數據則作為訓練樣本。

4.2結果與分析

根據以上建筑工程造價成本數據集，采用BP神經網絡（BPNN）和支持向量機（SVM）對相關數據進行測試，得到不同模型計算的預估結果，如下圖所示：

從上圖可以看出，支持向量機（SVM）和最小二乘支持向量機計算出的成本預估結果比較接近，雖然進行學習、訓練的時間較長，但結果比較理想，而BP神經網絡（BPNN）雖然預估的時間短，但其預估性能表現最差，由于預估值的誤差過大，在實際應用中對建筑工程造價成本管理的幫助作用并不大。PSO-LSSVM的預估速度快，而且效果也較好，表現出了明顯的優勢。

5、結論

根據以上分析，可以看出在不斷進行的建筑工程造價成本模型研究中，各種基于不同原理的模型在進行預估時表現出的優勢和缺陷，目前整體表現最優的PSO-LSSVM模型，克服了傳統方法精度不高的問題，以較快的訓練、學習速度和準備描述建筑工程造價成本的變化特點，以及通用性強的特點，將建筑工程造價成本預估模型的預估精度提升到了較為理想的水平。