论文部分内容阅读
【摘 要】通过分析已有的建筑工程项目工期风险的预测方法，选取小波神经网络对建筑工程项目工期风险进行预测， 并建立基于小波神经网络的建筑工程项目工期风险的预测模型。将以往工程风险数据作为学习样本，训练并构建模型对待建工程项目工期风险进行预测。实例证明该模型有效、可靠，对指导实际工程具有重要意义。
【关键词】小波神经网络；建筑工程项目工期风险；预测
0.引言
在工程项目的施工过程中，工期是三大控制中重要的控制目标之一，工期的拖延或者压缩，都会直接影响到成本和质量[1]。如果项目工期得不到有效控制，必然导致人力、物力、财力的浪费，甚至会影响到工程的质量、安全乃至项目总体目标的实现。工程项目工期风险管理已成为工程项目管理的核心问题。工程项目的不确定因素处于动态变化之中，由于信息的滞后性，作好工期风险管理需要对工期计划中未来可能发生的风险作出准确的识别和预测，因此，对工期风险进行预测具有重要意义。
目前，对于工程项目工期风险预测的研究较少，已应用的方法主要有专家打分法、模糊综合评价法、层次分析法、灰色关联法等。但这些方法人为主观因素多，手工计算复杂繁琐，且研究尚不够深入。人工神经网络凭借其强大的样本自学习、自适应能力，已被逐渐应用到工程项目风险分析与预测领域，它可以充分利用专家经验和有限的历史数据，能够大大提高工程项目风险预测的客观性和精确性[2]。1986 年D.E.Runelhart 和J.L.McCelland 及其研究小组提出的误差反向传播算法（BP 算法），已成为至今影响最大、引用最广的一种网络学习算法[3]。结合BP 神经网络的特点和我国工程项目风险预测的需要，国内一些学者开始将BP 神经网络应用到工程项目的风险评价之中，但却尚未应用于工期风险的预测领域。
1.小波神经网络模型
小波神经网络（Wavelet Neural Networks，缩写WNN）， 是近几年国际上新兴的一种数学建模分析方法，是结合最近发展的小波变换良好的时频局域化性质与传统人工神经网络的自学习功能力而形成的。最早是由法国著名的信息科学研究机构IR ISA 的Q inghua Zhang 等于1992 年提出的， Y C Pat i等对离散仿射小波神经网络进行了研究.小波神经网络是通过小波分解进行平移和伸缩变化后而得到的级数，具有小波分解的一般逼近函数的性质与分类特征。并且由于它引入了两个新的参变量，即伸缩因子和平移因子，所以小波神经网络具有比小波分解更多自由度，从而使其具有更灵活有效的函数逼近能力，更强的模式识别能力和容错能力。由于其建模算法不同于普通神经网络的BP算法，故可有效地克服普通人工神经网络模型所固有的缺陷。
小波神经网络是基于小波分析而构成的一类新型前馈网络，也可以看作是以小波函数为基底的一种新型函数连接神经网络，其信号的表达式通过将所选取得小波基叠加来实现的等。在信号分类中，子波空间可作为模式识别的特征空间，通过将小波基与信号向量的内积进行加权和来实现信号的特征提取，然后将这些特征输入到分类器中，它结合了小波变换良好的时频局域化性质及神经网络的自学习功能，因而具有良好的逼近与容错能力[4]。
2.基于小波神经网络的建筑建筑工程项目工期风险预测
2.1数据的选取
本文引用文献[6]中的15 组数据作为样本数据，将其中12 组数据作为训练样本，3 组数据作为检测样本。样本数据如表1 所示，表中数据为由20位有经验的现场管理人员对各工程项目的风险因素进行评价得出的风险因素值。
表1 样本数据
2.2小波神经网络（WNN）预测模型预测结果
确定BP 网络输入样本的维数为4，因此将管理、公共关系、技术、社会风险4 个风险指标作为BP 网络的输入节点；将预测得出的工程项目工期风险分数作为网络的输出，即设置1 个输出节点；隐层单元数取12（经验证，当隐层节点数为12 时网络预测的相对误差最低），构建三层BP 神经网络。在设计网络时采用三层网络模型，这样比采用四层网络不易陷入局部极小值。采用此结构对上面归一化的中房指数数据进行预测。并将整个过程运用Matlab进行编程实现将数据分为两组，前一组用于训练网络，后一组用作检验。用小波神经网络（WNN）预测模型进行预测，并将结果与BP神经网络预测结果进行比较，结果如表2所示。
表2 小波神经网络预测结果比较
3.实例分析
选取绍兴市某拟建工程项目，运用本模型对其工期风险进行预测，以便在该项目决策前期准确地预测出工期风险大小，为项目管理人员提供可靠依据，更加科学合理地对工期风险进行应对，有效控制项目工期。针对该工程项目，首先邀请10 位相关领域专家对该工程项目的主成分风险指标进行打分，对专家的打分结果按照本文前述方法进行处理并整理得到表4。
表4 实例数据
工期风险预测模型对该项目的工期风险进行预测，计算出该工程项目的工期风险分数为0.3200，说明该工程项目存在的工期风险属中等风险。项目管理人员应根据项目实际情况，合理安排人力、物力、财力，不能盲目缩短工期，也不可疏于控制致使工期拖延。应从项目宏观角度出发，统筹考虑质量、费用和工期之间的关系，制定合理的工期风险应对计划，以较高的效率保证项目总体目标的实现。
4.小结
小波神经网络是结合最近发展的小波变换良好的时频局域化性质与传统人工神经网络的自学习功能而形成的，具有深厚的数学基底，被广泛应用于各个领域。本文在介绍小波神经网络的同时，建立起了一种小波神经网络预测模型，并将其应用于建筑工程工期风险的预测当中。
【参考文献】
[1]赵冬梅，王晓强，侯丽娜.工程项目工期延误的关键风险研究[J].技术经济与管理研究，2009（5）：48-51.
[2]张俊玲，陈立文，尹志军等.工程项目投资风险评价模型研究[J].基建优化，2004，25（1）：11-14.
[3]JU Q，YU Z B，HAO Z C，et al.Division-basedrainfall-runoff simulations with BP neural networks and Xinanjiang model[J].Neuro computing，2009，72（13）：2873-2883.
[4]Dutta R K，S Paul，Chattopadhyay.Applicability ofmodified back propagation algorithm in tool condition monitoring for faster convergence[J].Mater ProcessTechnol，2000，98（3）：299-309.
[5]胡章明.基于神经网络房地产价格指数的预测研究[J].中山大学研究生学刊（社会科学版），2006.vol.27（2）：100～114.
[6]李万庆，李海涛，孟文清.工程项目工期风险的支持向量机预测模型[J].河北工程大学学报（自然科学版），2007，24（4）：1-4.
【关键词】小波神经网络；建筑工程项目工期风险；预测
0.引言
在工程项目的施工过程中，工期是三大控制中重要的控制目标之一，工期的拖延或者压缩，都会直接影响到成本和质量[1]。如果项目工期得不到有效控制，必然导致人力、物力、财力的浪费，甚至会影响到工程的质量、安全乃至项目总体目标的实现。工程项目工期风险管理已成为工程项目管理的核心问题。工程项目的不确定因素处于动态变化之中，由于信息的滞后性，作好工期风险管理需要对工期计划中未来可能发生的风险作出准确的识别和预测，因此，对工期风险进行预测具有重要意义。
目前，对于工程项目工期风险预测的研究较少，已应用的方法主要有专家打分法、模糊综合评价法、层次分析法、灰色关联法等。但这些方法人为主观因素多，手工计算复杂繁琐，且研究尚不够深入。人工神经网络凭借其强大的样本自学习、自适应能力，已被逐渐应用到工程项目风险分析与预测领域，它可以充分利用专家经验和有限的历史数据，能够大大提高工程项目风险预测的客观性和精确性[2]。1986 年D.E.Runelhart 和J.L.McCelland 及其研究小组提出的误差反向传播算法（BP 算法），已成为至今影响最大、引用最广的一种网络学习算法[3]。结合BP 神经网络的特点和我国工程项目风险预测的需要，国内一些学者开始将BP 神经网络应用到工程项目的风险评价之中，但却尚未应用于工期风险的预测领域。
1.小波神经网络模型
小波神经网络（Wavelet Neural Networks，缩写WNN）， 是近几年国际上新兴的一种数学建模分析方法，是结合最近发展的小波变换良好的时频局域化性质与传统人工神经网络的自学习功能力而形成的。最早是由法国著名的信息科学研究机构IR ISA 的Q inghua Zhang 等于1992 年提出的， Y C Pat i等对离散仿射小波神经网络进行了研究.小波神经网络是通过小波分解进行平移和伸缩变化后而得到的级数，具有小波分解的一般逼近函数的性质与分类特征。并且由于它引入了两个新的参变量，即伸缩因子和平移因子，所以小波神经网络具有比小波分解更多自由度，从而使其具有更灵活有效的函数逼近能力，更强的模式识别能力和容错能力。由于其建模算法不同于普通神经网络的BP算法，故可有效地克服普通人工神经网络模型所固有的缺陷。
小波神经网络是基于小波分析而构成的一类新型前馈网络，也可以看作是以小波函数为基底的一种新型函数连接神经网络，其信号的表达式通过将所选取得小波基叠加来实现的等。在信号分类中，子波空间可作为模式识别的特征空间，通过将小波基与信号向量的内积进行加权和来实现信号的特征提取，然后将这些特征输入到分类器中，它结合了小波变换良好的时频局域化性质及神经网络的自学习功能，因而具有良好的逼近与容错能力[4]。
2.基于小波神经网络的建筑建筑工程项目工期风险预测
2.1数据的选取
本文引用文献[6]中的15 组数据作为样本数据，将其中12 组数据作为训练样本，3 组数据作为检测样本。样本数据如表1 所示，表中数据为由20位有经验的现场管理人员对各工程项目的风险因素进行评价得出的风险因素值。
表1 样本数据
2.2小波神经网络（WNN）预测模型预测结果
确定BP 网络输入样本的维数为4，因此将管理、公共关系、技术、社会风险4 个风险指标作为BP 网络的输入节点；将预测得出的工程项目工期风险分数作为网络的输出，即设置1 个输出节点；隐层单元数取12（经验证，当隐层节点数为12 时网络预测的相对误差最低），构建三层BP 神经网络。在设计网络时采用三层网络模型，这样比采用四层网络不易陷入局部极小值。采用此结构对上面归一化的中房指数数据进行预测。并将整个过程运用Matlab进行编程实现将数据分为两组，前一组用于训练网络，后一组用作检验。用小波神经网络（WNN）预测模型进行预测，并将结果与BP神经网络预测结果进行比较，结果如表2所示。
表2 小波神经网络预测结果比较
3.实例分析
选取绍兴市某拟建工程项目，运用本模型对其工期风险进行预测，以便在该项目决策前期准确地预测出工期风险大小，为项目管理人员提供可靠依据，更加科学合理地对工期风险进行应对，有效控制项目工期。针对该工程项目，首先邀请10 位相关领域专家对该工程项目的主成分风险指标进行打分，对专家的打分结果按照本文前述方法进行处理并整理得到表4。
表4 实例数据
工期风险预测模型对该项目的工期风险进行预测，计算出该工程项目的工期风险分数为0.3200，说明该工程项目存在的工期风险属中等风险。项目管理人员应根据项目实际情况，合理安排人力、物力、财力，不能盲目缩短工期，也不可疏于控制致使工期拖延。应从项目宏观角度出发，统筹考虑质量、费用和工期之间的关系，制定合理的工期风险应对计划，以较高的效率保证项目总体目标的实现。
4.小结
小波神经网络是结合最近发展的小波变换良好的时频局域化性质与传统人工神经网络的自学习功能而形成的，具有深厚的数学基底，被广泛应用于各个领域。本文在介绍小波神经网络的同时，建立起了一种小波神经网络预测模型，并将其应用于建筑工程工期风险的预测当中。
【参考文献】
[1]赵冬梅，王晓强，侯丽娜.工程项目工期延误的关键风险研究[J].技术经济与管理研究，2009（5）：48-51.
[2]张俊玲，陈立文，尹志军等.工程项目投资风险评价模型研究[J].基建优化，2004，25（1）：11-14.
[3]JU Q，YU Z B，HAO Z C，et al.Division-basedrainfall-runoff simulations with BP neural networks and Xinanjiang model[J].Neuro computing，2009，72（13）：2873-2883.
[4]Dutta R K，S Paul，Chattopadhyay.Applicability ofmodified back propagation algorithm in tool condition monitoring for faster convergence[J].Mater ProcessTechnol，2000，98（3）：299-309.
[5]胡章明.基于神经网络房地产价格指数的预测研究[J].中山大学研究生学刊（社会科学版），2006.vol.27（2）：100～114.
[6]李万庆，李海涛，孟文清.工程项目工期风险的支持向量机预测模型[J].河北工程大学学报（自然科学版），2007，24（4）：1-4.