基于人工神經網絡的動態工程估價

張 凡 王 磊 周 洲 胡世翔

（南京工程學院 江蘇·南京 211167）

0 引言

本課題主要研究運用“人工神經網絡”的方法對建筑工程的工程估價進行研究，通過對大量工程實例進行分析，建立估價模型，并用實例予以驗證，確保存在的誤差控制在一定范圍內，以使得估價模型可以應用于工程實踐中。

確定工程造價是建設工作中十分重要的一環，在不同的設計階段有著不同的應用：如初步設計階段編制概算，施工圖設計階段編制預算，而最為關鍵的則是在建設前期的工程造價估算。工程的估算價是整個成本管理過程的起點，是成本控制的基礎，因此在瞬息萬變的市場經濟環境中，探尋這樣一套快速、簡捷、實用的工程估價模型有著十分重大的意義。

一直以來我國動態工程估價是根據之前沿用的靜態估價方法而提出的。與靜態估價相比，動態估價已經不再僅僅是統一制定的估算指標，概算定額，單位估價表以及各種收費標準，而主要為定期修正的實物消耗量定額，長期積累的工程造價資料和各種工程造價信息。同時，動態估價的結果包含了更多的估計和概括成分，在某些階段，估價結果可表現為一個造價可能區間，而不是一個確定的造價值。而這種特征恰恰符合了工程造價動態的特有性質。

把人工神經網絡應用于工程估價領域，建立相應的工程估價模型，為動態工程估價提供數據分析指導和輔助決策。以造價控制的歷史數據為依據，運用神經網絡模型對實際造價的資金發展變化情況進行預測。再通過造價預測數據與造價計劃的比較，明確建筑工程計劃值。采取有效的改進措施，確保建筑工程實際造價預測結果的真實性和可靠性為國家正大力推廣的建筑師負責制提供經濟性分析。

1 實驗部分

1.1 實驗理論

由于工程估價過程中涉及到的相關因素過多，且具有隱蔽性，復雜性和多層次性的特征，導致難以對其設計一種準確有效的估價方法。故采用當下熱門的神經網絡模擬方法，從已建工程中提取主要特征并研究其對造價的影響，然后建立網絡進行學習和優化，最終得到一個估價預測模型。

1.2 實驗方法

首先通過matlab軟件建立簡單的神經網絡模型，驗證其擬合數據的有效性。然后再建立具體的工程估價計算神經網絡，導入相關數據，對其進行模擬分析與學習，得到最終預測模型。

2 過程與討論

2.1 神經網絡擬合有效性檢驗

2.1.1 建立簡單模型

首先定義一個已知函數：

F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2)，打開matlab，進行神經網絡網絡建立

ld=100;定義訓練數據的個數

x=rand(2,ld);定義基本二維狀態的變量

F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);

定義已知的訓練函數

net=newrb(x,F);建立神經網絡模型

interval=0.1; 定義基本參數

tx=[tx1;tx2];

ty=sim(net,tx);

v=reshape(ty,row);

實際對函數進行計算與擬合結果進行對比

subplot(1,3,1)

mesh(x1,x2,F); subplot(1,3,3)

mesh(x1,x2,F-v); 畫出最后對比圖，查看誤差，得出結論。

2.1.2 分析

圖1

訓練樣本為100

第一個圖像是 F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2)函數的原始圖像，第二個圖像是經過matlab產生隨即數據后擬合的圖像，最后一張是對比兩張圖的誤差

圖2

我們可以發現在模擬數據個數為100的時候，誤差還比較明顯，于是可以進一步縮小誤差，也就是增加樣本數量，當我們把樣本模擬數量增加到400時，在運行一次，結果如圖2。

訓練樣本為400

可以明顯的從第三張誤差圖中發現，起伏明顯變小，只有局部地區存在波動差異，由此可以進一步論證神經網絡強大的擬合性，并且可以得出結論：在提高訓練樣本個數的前提下，可以無限逼近原函數。

2.2 具體工程估價模型

2.2.1 建立具體工程估價模型

從某市32個已建工程項目的工程量清單中選取數個工程特征進行SPSS相關矩陣分析，最終得到9個影響造價最重要的因素，分別是：

選取好數據后，將其分為兩組，第一組為訓練組，第二組為驗證組。

開始建立訓練組的神經網絡：

net=newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');

net.trainparam.goal=0.0001;

net.trainparam.show=500;

net.trainparam.epochs=20000;

[net,tr]=train(net,inputData,outputData);

simout=sim(net,inputData);

2.2.2 分析

運行結果如下：

圖中紅色的是神經網絡預測的結果，藍色的是原來的數據，我們可以知道，擬合后的數據和原數據具有高度的相似性，其圖像趨勢基本一致，以此證明神經網絡對工程估價模擬的可行性。再根據設置的神經網絡模型，提取表達式，完成模型建立。

根據已經建立的神經網絡模型，輸入驗證組的數據，證明其有效性。

此圖為驗證組對比結果，由此可知，該模型的可行性可以得到保證，模擬平方造價與原數據具有高度的擬合性。

3 結論

本文通過神經網絡方法建立了建筑工程估價模型。首先通過對簡單的已知函數模型進行神經網絡擬合，證明其擬合數據效果的可行性，并且得出結論：提高在神經網絡中數據學習的數量，理論上可以不斷逼近原數據。之后進一步建立具體的建筑工程估價模型，選取主要工程量后，建立神經網絡模型并學習優化，并對比擬合造價與原造價，最后得出結論：通過神經網絡建立的建筑工程模型對平米造價的預測值與期望值之間存在高度的擬合性，進一步優化后可滿足工程實際要求，可以用于預測建筑工程估價。本研究對神經網絡在建筑工程估價當中應用的可行性提供了有力的證明。