神經網絡在工程造價中的運用

導語：神經網絡在工程造價中的運用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：BP神經網絡是一種模擬人類神經系統，利用計算機仿真的信息處理技術。文章分析了BP神經網絡在建筑工程和市政工程造價估算方面的應用研究進展，并介紹了BP網絡的設計原理、不足和改進，展望BP神經網絡模型在工程造價中的發展前景。同時，也提出了發展的局限性。

關鍵詞：BP神經網絡；工程造價；建筑工程；市政工程

1BP神經網絡模型在建筑工程造價中研究現狀

人工神經網絡模型已被研究證明可以預測工程項目造價。目前，國內外研究表明，人工神經網絡預測技術越來越多，理論研究趨于成熟[4-8]。M.E.GEOR?GY等人通過使用人工神經網絡，在預算授權階段對建設項目成本進行參數估測，并對理論的正確性和合理性進行闡述。同時，通過MATLAB平臺，發現經過訓練的人工神經網絡模型對新工程進行估測時的誤差[9]。ShiH等基于粗糙理論，建立基于優化粒子群和BP神經網絡的模型，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神經網絡利用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學模型，通過對比考慮造價指數等影響，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為特征指標，以實例計算結果表明改進BP神經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神經網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關系，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，構建BP神經網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]。

2BP神經網絡模在市政工程造價中研究現狀

BP神經網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道路工程為例，運用PyCharm軟件建立基于Tensorflow框架的BP神經網絡模型，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神經網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建了高速公路的工程造價模型，證明了BP神經網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，構建BP神經網絡模型估算7個標段土石方量和防護工程量造價，預測結果表明，土石方量估算誤差基本在10%以內，防護工程量估算誤差在16%以內，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神經網絡模型。提取9個影響因子為研究對象，統計其相關性，最終確定7個重要影響因子。研究以21個橋梁數據為支撐，估算項目總投資。通過網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%。結果表明，BP神經網絡構建的工程造價模型具有較高的精準度[17]。

3BP神經網絡的設計原理

BP神經網絡是一種多層次的人工神經網絡。網絡結構主要包括三層：輸入層、輸出層和隱含層[15]。BP神經網絡結構圖見圖1所示，其包含2層隱含層。同一層間的神經元無連接，因此，BP神經網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神經網絡的傳遞函數一般采用Sigmoid、線性函數。典型的BP神經網絡是Sig?moid函數用于隱含層，線性函數用于輸出層。BP神經網絡采用誤差反向傳播算法進行學習，神經網絡根據誤差逐層修正。BP神經模型的工作流程圖見圖2所示。這種采用監督式的學習方式，需要通過相關數據訓練，再以一定數量的樣本進行測試。如果樣本數量不足，會影響模型預測結果。在工程項目中造價金額，需要比較精確的數值，否則會影響成本控制。因此，利用BP神經網絡構建工程造價模型需選取合適的數據樣本。李芬等人選取山區高速公路橋梁工程18組數據為訓練樣本，以橋梁特征為參數，采用BP神經網絡算法，利用5組測試樣本檢驗模型，預測工程造價值的準確性。結果顯示，預測值的誤差均在測試值的6%以內，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平臺構建兩個隱含層的BP神經網絡。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神經網絡模型做仿真分析。經分析研究得出構建基于BP神經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，楊錦躍發現樣本個數太少，模型預測相對誤差較大[20]。

4BP神經網絡的不足與改進

傳統BP神經網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整，從而權值的調整速率減緩。訓練的迭代次數增加，訓練進程變緩，訓練時間增加[21-22]。BP神經網絡沒有統一精確的計算隱含層神經元數的方法。一般會借鑒其他學者經驗公式確定隱含層神經元數，此種方法計算出的隱含層神經元數，可能會影響BP神經網絡的訓練精度[23]。BP神經網絡的學習率也是由經驗公式計算確定，這樣的取值可能會影響BP神經網絡的穩定性，降低效率[24]。BP神經網絡計算過程容易存在局部極小點，使網絡在學習過程無法計算出誤差最小值[25]。由于BP神經網絡具有訓練進程慢、隱含層神經元數和學習率確定難、局部極小點等缺點，在實際應用中，傳統的BP神經網絡算法難以廣泛應用，因此出現一些改進的BP神經網絡算法。肖濱通過使用動量法和學習率自適應調整的算法來改進傳統的BP神經網絡算法，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，得出相關系數均在0.9以上，證明該種方法改進的BP神經網絡運行穩定。肖濱也提出這種改進的BP神經網絡也是需要大量相近的數據訓練模型[26]。王雪青等用遺傳算法對BP神經網絡初始權值進行改進和優化，選取15組實例作為訓練樣本，5組為預測樣本，分別用BP神經網絡和改進的BP神經網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神經網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神經網絡模型可以改善BP網絡訓練進程慢、局部極小點的缺點[27]。

5結語

BP神經網絡作為一種人工神經網絡具有很強的模式識別和數據擬合能力。其在工程造價中的應用不斷顯示出優越性，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神經網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的成本都具有極大的積極意義。BP神經網絡模型構建需要大量的相關數據進行訓練。部分工程項目樣本數據存在信息不能及時共享，收集能力有限。同時，BP神經網絡的模擬能力與訓練樣本關系很大，對樣本具有一定的依賴性。如果樣本選取不當，會導致BP神經網絡模型運行效果不佳，難以達到預期性能。因此，在利用BP神經網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果。'

作者:楊悅 張賢芳 單位:安徽國防科技職業學院