基于神經網絡的地鐵項目施工成本預測方法研究

摘要：為提高成本預測精度，提出了基于神經網絡的地鐵項目施工成本預測方法研究。全面采集地鐵項目施工成本數據，確保數據的準確性和完整性。針對數據中的分類變量進行編碼處理，以便神經網絡能夠有效識別和解讀。在此基礎上，構建基于神經網絡的預測模型，對地鐵項目施工成本進行預測。實驗結果顯示，提出的預測方法項目施工成本的預測偏差值最高不超過20萬元，說明其具有較高的成本預測精度，能夠為項目的成本控制和決策提供有力支持。

關鍵詞：神經網絡 地鐵項目 施工 成本預測

中圖分類號：U450" " " " " " "43文獻標識碼：A

Research on the Method of Predicting Construction Costs of Subway Projects Based on Neural Networks

DUAN Yunhui

China Railway 18th Bureau Group First Engineering Co.， Ltd， Pingliang， Gansu Province，744000 China

Abstract： To improve the accuracy of cost prediction， a neural network-based method for predicting construction costs in subway projects has been proposed. It comprehensively collects construction cost data for subway projects to ensure the accuracy and completeness of the data. It encodes the categorical variables in the data so that the neural network can effectively identify and interpret them. On this basis， a neural network-based prediction model is constructed to predict the construction cost of subway projects. The experimental results show that the proposed prediction method has a maximum prediction deviation of no more than 200000 yuan for project construction costs， indicating that it has high cost prediction accuracy and can provide strong support for project cost control and decision-making.

Key Words： Neural network; Subway project; Construction; Predicting cost

地鐵作為現代都市交通體系中不可或缺的一環，扮演著至關重要的角色。其構建不僅能夠有效減輕城市交通擁堵的狀況，還能夠增強城市的整體形象，對經濟發展起到積極的推動作用。然而，地鐵項目的施工成本高昂，并且受多種因素影響，使成本預測成為地鐵項目管理的關鍵環節。目前，傳統的施工成本預測方法在地鐵項目應用中存在一定的缺陷。例如：蔣碧媛等人[1]提出方法通過最大化分類間隔找最優超平面實現，但存在大規模數據訓練較慢、參數選擇復雜等不足。劉富博[2]提出方法通過處理小樣本、貧信息數據并建模預測，但存在對數據變化敏感、長期預測精度低等不足。

基于此，本研究提出基于神經網絡提出地鐵項目施工成本預測方法，以期為地鐵項目的成本控制提供科學依據。

1地鐵項目施工成本數據采集

計劃采集的數據源主要包括內部數據源和外部數據源兩類，內部數據源涵蓋企業內部的項目管理系統、財務系統、人力資源系統，這些系統預計能提供至少90%以上的項目施工過程中產生的各類成本數據[3-4]。外部數據源則包括市場調研報告、行業數據報告、供應商價格信息等，這些數據源將提供至少5%以上的外部成本信息，如市場價格、行業平均水平等。

從選定的數據源中收集數據，在收集過程中，為了確保數據的完整性和準確性，對異常數據進行及時處理[5]。收集的數據將轉換為適合分析的格式，如Excel表格或數據庫表，以便后續的數據處理和分析。轉換后的數據將存儲到數據存儲系統中，如企業內部的數據倉庫或云存儲平臺。通過以上流程，可以系統地收集地鐵項目施工成本所需的數據，為后續的成本分析和預測提供堅實的基礎。

2地鐵項目施工成本分類變量編碼

地鐵項目施工成本數據采集完畢后，明確地鐵項目施工成本中的分類變量，對分類變量進行編碼，以確保施工成本數據的準確性和一致性，為后續施工成本預測提供有力的數據支持。

編碼過程的核心在于為每個分類變量分配一個獨一無二的標識符，這通常通過數字編碼實現，例如：將人工費標記為“1”，材料費標記為“2”，以此類推。對于更為細致的子類別，可以采用在主類別編碼后追加額外數字的策略來加以區分，如人工費下的工人工資可編碼為“1.01”，津貼則編碼為“1.02”。此外，編碼方案并非僅限于數字，字母或字母與數字的組合同樣適用。例如：可以使用“L”來代表勞動力成本，“M”代表材料成本。對于子類別，則可在主類別字母后添加額外的字母或數字進行進一步細分。

為了融合數字和字母編碼的優勢，本文設計了混合編碼方案。將其視為一個組合映射，即先對主類別進行映射，再對子類別進行二次映射。假設為主類別的集合，為子類別的集合，和分別為主類別和子類別的編碼集合，則組合映射可以表示為

編碼長度的確定需要基于分類變量的數量和層次結構，以確保每個分類變量及其子類別都擁有唯一且足夠長的編碼，從而避免混淆。編碼完成后，將分類變量及其編碼整理成表格，便于后續查閱和使用。同時，隨著項目的推進和成本的變動，以及新分類變量的出現，及時更新編碼表，以保持編碼的時效性和準確性。

通過以上編碼策略和映射函數的運用，能夠確保地鐵項目施工成本數據的準確性和一致性，為后續的成本預測提供強有力的數據支撐。

3基于神經網絡預測地鐵項目施工成本

通過地鐵項目施工成本分類變量編碼，將成本數據通過分類變量編碼轉化成神經網絡能夠解讀的數值格式。在此基礎上，構建神經網絡模型，本文構建的神經網絡模型拓撲結構如圖1所示。

圖1神經網絡模型拓撲示意圖

如圖1所呈現，神經網絡模型的精髓在于其多層次設計，涵蓋輸入層、輸出層以及介于二者間的多層隱藏結構。每一層級可能容納多個節點，即神經元，這些節點憑借權重與偏置彼此關聯，共同生成網絡布局。具體來說，如果定義第層的輸出為，那么它可以通過以下公式計算獲得。

式（2）、式（3）中：和分別是第層的權重矩陣和偏置向量；表示激活函數，它引入了非線性特性，使得神經網絡模型能夠擬合復雜的函數關系。

神經網絡的訓練歷程是一個不斷迭代并優化的流程，它涵蓋了信息的正向流通與誤差的反向回饋。在正向流通階段，輸入數據會逐層穿越神經網絡，直至產生輸出結果。若該結果與真實值存在顯著偏差，誤差信號便會逆向回流至網絡內部，通過調整網絡中的權重與偏置參數，來逐步縮減這一偏差。這一過程可以用以下公式表示。

式（4）中：表示均方誤差；表示第個樣本的實際值；表示第個樣本的預測值；表示樣本數量。

在神經網絡模型反向傳播階段，使用梯度下降算法來更新權重和偏置。具體來說，計算誤差函數關于權重和偏置的梯度，并沿著梯度的反方向更新它們。這一過程可以表示為

式（5）、式（6）中：表示學習率，它決定了權重和偏置更新的步長。

神經網絡模型訓練完成后，將待預測的地鐵項目施工成本數據輸入到模型中，模型將根據輸入數據計算并輸出預測的施工成本。

通過以上流程，可以利用神經網絡對地鐵項目施工成本進行精確預測，為地鐵項目的成本控制和決策提供有力支持。

4實驗分析

4.1工程概況

以R城市地鐵1號線項目為此次成本預測的依托，該項目全長20 km，共設15個車站，其中包括5個地下站和10個高架站。地下車站的標準建設成本約為2億元/站，高架車站的建設成本約為1億元/站。預計項目總施工成本約為35億元，其中包括車站建設成本、區間施工成本及其他相關費用。采用三層反向傳播（Back Propagation，BP）神經網絡結構，輸入層包含影響施工成本的關鍵因素（如車站數量、施工方法、地質條件等），學習速率設置為0.05，迭代次數為1 000次，使用均方誤差作為損失函數，通過反向傳播算法優化網絡權重。

4.2預測效果

在獲取R市地鐵1號線工程實際施工成本數據的基礎上，將本文方法與蔣碧媛等人[1]提出的基于優化支持向量機（SVM）的預測方法、劉富博[2]中提出的基于灰色理論的成本預測方法進行對比，計算實際成本投入與3種預測方法的預測成本之間的對比結果，如表1所示。

由表1可知，本文方法的預測成本與實際投入之間的偏差值始終穩定在±20萬元以內，具體而言，材料費的偏差值最大，但也僅為20萬元；施工管理費的偏差值最小，僅為2萬元。相較之下，蔣碧媛等人[1]、劉富博[2]提出的兩種傳統預測方法，在預測不同成本構成時，其預測成本與實際成本投入之間的偏差表現出了較為明顯的波動。例如：在設備購置費上，兩種傳統方法的偏差值分別達到了200萬元和200萬元，明顯高于本文方法的偏差值。由此對比結果可以得知，本文方法具有更高的預測精度和穩定性，能夠更準確地預測地鐵工程項目的施工成本，為項目管理和決策提供有力的支持。

5結語

本文深入探討了基于神經網絡的地鐵項目施工成本預測方法，通過對神經網絡模型的構建、訓練和驗證，成功地實現了對地鐵項目施工成本的精確預測。實驗結果表明，本文提出的基于神經網絡的地鐵項目施工成本預測方法具有較高的預測精度和穩定性，能夠有效地降低項目成本預測的風險和不確定性。

參考文獻

[1]蔣碧媛，高文.基于優化支持向量機的水工隧洞施工成本預測研究[J].河南水利與南水北調，2024，53（8）：110-112.

[2]劉富博.基于灰色理論的電力建設工程施工成本預測方法[J].自動化應用，2024，65（6）：112-114.

[3]焦蛟.基于BIM技術的建設項目施工成本預測方法研究[D].中北大學，2022.

[4]趙偉佳，羅德才，陳方，等.基于PCA-BP神經網絡的既有建筑改造成本預測[J].土木工程與管理學報，2024，41（02）：89-97.

[5]韓坤，王惟璐，黃雪峰，等.基于NGO-CNN-SVM的高標準農田灌溉工程施工成本預測[J].農業工程學報，2024，40（14）：62-72.