BP神經(jīng)網(wǎng)絡在工程造價中的研究現(xiàn)狀綜述

楊悅，張賢芳 （安徽國防科技職業(yè)學院城市建設學院，安徽 六安 237011）

0 前言

工程造價是工程項目預估或?qū)嶋H支出的建設費用。按工程不同的建設階段，工程造價根據(jù)不同時期有多種類型。其中，工程項目的前期投資估算影響著項目的前期決策，是決策項目投資的重要依據(jù)。因此，工程造價是成本控制的基礎[1]，影響著項目整體的成本管理。工程項目的造價具有單獨性、唯一性和復雜性等特點[2]。項目實施過程中，影響工程造價的因素很多，由于造價人員的經(jīng)驗不同，會導致造價估算的準確性不同。

人工神經(jīng)網(wǎng)絡作為人工智能領(lǐng)域的研究熱點，可以利用信息處理技術(shù)模擬人腦神經(jīng)元網(wǎng)絡建立模型，并按照不同的連接方式組成不同的網(wǎng)絡。神經(jīng)網(wǎng)絡以不同網(wǎng)絡結(jié)構(gòu)分類為前向網(wǎng)絡和反饋網(wǎng)絡。BP神經(jīng)網(wǎng)絡作為典型的多層前向型人工神經(jīng)網(wǎng)絡，在模式識別、函數(shù)逼近、分類、數(shù)據(jù)壓縮等方面應用廣泛[3]。近年來，隨著構(gòu)建BP神經(jīng)網(wǎng)絡模型預測項目造價估算研究的深入，BP神經(jīng)網(wǎng)絡在工程造價中得到較為廣泛的應用。本文將對BP神經(jīng)網(wǎng)絡在工程項造價估算方面的研究現(xiàn)狀進行闡述和分析。

1 BP神經(jīng)網(wǎng)絡模型在建筑工程造價中研究現(xiàn)狀

人工神經(jīng)網(wǎng)絡模型已被研究證明可以預測工程項目造價。目前，國內(nèi)外研究表明，人工神經(jīng)網(wǎng)絡預測技術(shù)越來越多，理論研究趨于成熟[4-8]。M.E.GEOR?GY等人通過使用人工神經(jīng)網(wǎng)絡，在預算授權(quán)階段對建設項目成本進行參數(shù)估測，并對理論的正確性和合理性進行闡述。同時，通過MATLAB平臺，發(fā)現(xiàn)經(jīng)過訓練的人工神經(jīng)網(wǎng)絡模型對新工程進行估測時的誤差[9]。Shi H等基于粗糙理論，建立基于優(yōu)化粒子群和BP神經(jīng)網(wǎng)絡的模型，以預測、估算工程造價，并選取建筑實例工程項目進行實證分析，證明模型的實用性[10]。任宏等基于BP神經(jīng)網(wǎng)絡利用MATLAB軟件，以實際工程資料為例，建立工程造價和主要工程量的數(shù)學模型，通過對比考慮造價指數(shù)等影響，驗證了改進模型的可行性和精確性[11]。張登文等通過增加造價指數(shù)為特征指標，以實例計算結(jié)果表明改進BP神經(jīng)模型工程造價精度更高，證明模型的可靠性及實用性[12]。王建茹等通過MATLAB程序設計，建立基于BP神經(jīng)網(wǎng)絡的建筑工程造價模型，選取工程造價的影響因素作為輸入值，以單方造價為輸出值，建立了輸入值與輸出值的函數(shù)關(guān)系，快速估算出建筑項目工程造價[13]。滕凌云將建筑工程造價中的特征值量化，作為模型輸入樣本，構(gòu)建BP神經(jīng)網(wǎng)絡工程造價預測模型。通過驗證，證明BP模型能夠滿足建筑工程造價預測要求[14]。

2 BP神經(jīng)網(wǎng)絡模在市政工程造價中研究現(xiàn)狀

BP神經(jīng)網(wǎng)絡也可以適用于市政工程中的造價估算。張俊以太湖高鐵片區(qū)道路工程為例，運用PyCharm軟件建立基于Tensorflow框架的BP神經(jīng)網(wǎng)絡模型，選取15個特征值。以15個項目為樣本訓練模型，通過不斷測試，直到條件滿足。張俊利用測試模型對3個項目進行預測，預測值與實際值相對誤差均小于10%，驗證了BP神經(jīng)模型在道路工程造價中的可行性與精確性[2]。王飛等基于BP神經(jīng)網(wǎng)絡對公路工程造價展開研究，通過確定7個影響較大的工程特征作為輸入向量構(gòu)建了高速公路的工程造價模型，證明了BP神經(jīng)網(wǎng)絡可以有效提高工程造價預測的精確性，具有較強的使用價值[15]。潘延昌對公路路基工程展開研究，構(gòu)建BP神經(jīng)網(wǎng)絡模型估算7個標段土石方量和防護工程量造價，預測結(jié)果表明，土石方量估算誤差基本在10%以內(nèi)，防護工程量估算誤差在16%以內(nèi)，防護工程比土石方工程量造價估算誤差大[16]。賀倩以鐵路橋梁混凝土工程為例，建立BP神經(jīng)網(wǎng)絡模型。提取9個影響因子為研究對象，統(tǒng)計其相關(guān)性，最終確定7個重要影響因子。研究以21個橋梁數(shù)據(jù)為支撐，估算項目總投資。通過網(wǎng)絡輸出投資與實際總投資對比，相對誤差3.29%，未超出設定誤差±9.5%。結(jié)果表明，BP神經(jīng)網(wǎng)絡構(gòu)建的工程造價模型具有較高的精準度[17]。

3 BP神經(jīng)網(wǎng)絡的設計原理

BP神經(jīng)網(wǎng)絡是一種多層次的人工神經(jīng)網(wǎng)絡。網(wǎng)絡結(jié)構(gòu)主要包括三層：輸入層、輸出層和隱含層[15]。BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖見圖1所示，其包含2層隱含層。

圖1 BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)圖

同一層間的神經(jīng)元無連接，因此，BP神經(jīng)網(wǎng)絡可以挖掘輸入層中的更多信息，完成更復雜的信息處理[3]。BP神經(jīng)網(wǎng)絡的傳遞函數(shù)一般采用Sigmoid、線性函數(shù)。典型的BP神經(jīng)網(wǎng)絡是Sig?moid函數(shù)用于隱含層，線性函數(shù)用于輸出層。BP神經(jīng)網(wǎng)絡采用誤差反向傳播算法進行學習，神經(jīng)網(wǎng)絡根據(jù)誤差逐層修正。BP神經(jīng)模型的工作流程圖見圖2所示。

圖2 BP神經(jīng)模型工作流程圖

這種采用監(jiān)督式的學習方式，需要通過相關(guān)數(shù)據(jù)訓練，再以一定數(shù)量的樣本進行測試。如果樣本數(shù)量不足，會影響模型預測結(jié)果。

在工程項目中造價金額，需要比較精確的數(shù)值，否則會影響成本控制。因此，利用BP神經(jīng)網(wǎng)絡構(gòu)建工程造價模型需選取合適的數(shù)據(jù)樣本。李芬等人選取山區(qū)高速公路橋梁工程18組數(shù)據(jù)為訓練樣本，以橋梁特征為參數(shù)，采用BP神經(jīng)網(wǎng)絡算法，利用5組測試樣本檢驗模型，預測工程造價值的準確性。結(jié)果顯示，預測值的誤差均在測試值的6%以內(nèi)，模型效果顯著[18]。王運琢以40個公路收費站房建工程為樣本，其中38個作為訓練樣本，2個作為測試樣本。王運琢選取7個輸入單元，4個輸出單元，在MATLAB平臺構(gòu)建兩個隱含層的BP神經(jīng)網(wǎng)絡。研究表明，總體誤差比率較小，證明模型的泛化能力較好。對于個別工程誤差大，王運琢提出原因是學習樣本數(shù)量不足[19]。楊錦躍以26個工程為樣本，其中21個作為訓練樣本，5個作為測試樣本，在MATLAB平臺對BP神經(jīng)網(wǎng)絡模型做仿真分析。經(jīng)分析研究得出構(gòu)建基于BP神經(jīng)模型的建筑工程造價模型分析預測誤差相對較小，效果較好。同時，楊錦躍發(fā)現(xiàn)樣本個數(shù)太少，模型預測相對誤差較大[20]。

4 BP神經(jīng)網(wǎng)絡的不足與改進

傳統(tǒng)BP神經(jīng)網(wǎng)絡算法的誤差曲面存在一定的平面，該平面會導致誤差緩慢調(diào)整，從而權(quán)值的調(diào)整速率減緩。訓練的迭代次數(shù)增加，訓練進程變緩，訓練時間增加[21-22]。

BP神經(jīng)網(wǎng)絡沒有統(tǒng)一精確的計算隱含層神經(jīng)元數(shù)的方法。一般會借鑒其他學者經(jīng)驗公式確定隱含層神經(jīng)元數(shù)，此種方法計算出的隱含層神經(jīng)元數(shù)，可能會影響B(tài)P神經(jīng)網(wǎng)絡的訓練精度[23]。BP神經(jīng)網(wǎng)絡的學習率也是由經(jīng)驗公式計算確定，這樣的取值可能會影響B(tài)P神經(jīng)網(wǎng)絡的穩(wěn)定性，降低效率[24]。BP神經(jīng)網(wǎng)絡計算過程容易存在局部極小點，使網(wǎng)絡在學習過程無法計算出誤差最小值[25]。

由于BP神經(jīng)網(wǎng)絡具有訓練進程慢、隱含層神經(jīng)元數(shù)和學習率確定難、局部極小點等缺點，在實際應用中，傳統(tǒng)的BP神經(jīng)網(wǎng)絡算法難以廣泛應用，因此出現(xiàn)一些改進的BP神經(jīng)網(wǎng)絡算法。肖濱通過使用動量法和學習率自適應調(diào)整的算法來改進傳統(tǒng)的BP神經(jīng)網(wǎng)絡算法，估算公路工程的預算金額。通過對多次預測值與實際值進行線性回歸分析，得出相關(guān)系數(shù)均在0.9以上，證明該種方法改進的BP神經(jīng)網(wǎng)絡運行穩(wěn)定。肖濱也提出這種改進的BP神經(jīng)網(wǎng)絡也是需要大量相近的數(shù)據(jù)訓練模型[26]。王雪青等用遺傳算法對BP神經(jīng)網(wǎng)絡初始權(quán)值進行改進和優(yōu)化，選取15組實例作為訓練樣本，5組為預測樣本，分別用BP神經(jīng)網(wǎng)絡和改進的BP神經(jīng)網(wǎng)絡運行模擬預測建設工程項目投標報價標高金值。對比實際標高金值與模型預測值，得出遺傳算法BP神經(jīng)網(wǎng)絡計算平均相對誤差更小，收斂速度更快，王雪青等認為利用遺傳算法的BP神經(jīng)網(wǎng)絡模型可以改善BP網(wǎng)絡訓練進程慢、局部極小點的缺點[27]。

5 結(jié)語

BP神經(jīng)網(wǎng)絡作為一種人工神經(jīng)網(wǎng)絡具有很強的模式識別和數(shù)據(jù)擬合能力。其在工程造價中的應用不斷顯示出優(yōu)越性，并吸引著越來越多的研究學者深入探索。大量的研究實例表明，將BP神經(jīng)網(wǎng)絡應用到工程造價估算，對提高項目的造價預算準確性和控制企業(yè)的成本都具有極大的積極意義。

BP神經(jīng)網(wǎng)絡模型構(gòu)建需要大量的相關(guān)數(shù)據(jù)進行訓練。部分工程項目樣本數(shù)據(jù)存在信息不能及時共享，收集能力有限。同時，BP神經(jīng)網(wǎng)絡的模擬能力與訓練樣本關(guān)系很大，對樣本具有一定的依賴性。如果樣本選取不當，會導致BP神經(jīng)網(wǎng)絡模型運行效果不佳，難以達到預期性能。因此，在利用BP神經(jīng)網(wǎng)絡進行快速估價還具有一定的局限性。由于工程項目的復雜性，影響工程造價的因素較多，選擇不同的影響因素作為指標可能會導致不同的預測結(jié)果。