论文部分内容阅读
【摘要】在对土建工程项目进行可行性研究的过程当中，工程的概算是非常重要的一项基础工作，同时也是在制定招投标标底时非常重要的一项依据。工程概算是否正确会对项目的投资和决策产生非常重要的影响。本文主要对智能预测土建工程概算的方法进行了研究。
【关键词】智能预测；土建工程；概算；方法
对土建工程的预算进行预测实际上就是采用一定的方法来对工程预算进行预算或者是预先的估计。从土建工程本身的特点来说，因为它自身比较复杂、独特、多样以及在施工建设的过程当中对于地理情况具有一定的依赖性，所以土建工程基本上是没有相同的，所以在对土建工程进行概算的时候不能够完全的去参照已建的工程来进行，所以在对土建工程的造价进行概算的时候就需要进行更加全面和系统的考虑。在工程造价的实际过程当中，积累已经完工的工程概预算资料是非常重要的一项工作，但是现在对概预算资料进行存放的时候并没有一个统一的系统，这样对于很多的资料就不能够有效的进行二次利用。在对工程概算进行预测的时候，比较的复杂，不确定的因素也比较多，到现在对工程概算进行预测的时候并没有合理有效的方法，本文针对这样的情况就设计出了一个基于数据挖掘技术的土建工程的概算系统，这样概算的结果就会比较的精确。
一、对土建工程概算的简单分析
工程概算其实就是进行工程造价的一个指标，在对工程进行概算的时候主要的计费就包括了建筑的安装工程费、施工设备的购置费、其他费用以及预备费，在这几项费用当中，只有建筑的安装工程费是直接给出的，而其他的三样费用则会受到很多因素的影响，那么在对这些费用进行预测的时候就不适合采用算法的模型来进行预测。在建筑的安装工程费当中主要是由安装工程和土建工程这两部分构成的，而土建工程的费用则占了绝大部分，也就是如果在对土建工程进行概算的时候能够计算出土建工程的费用，然后在按照各种费率的系数就能够有效的计算出工程的总造价。通过对相关数据的分析以及对工作人员的经验反映可以发现，土建工程的费用其实和施工材料、结构、面积等相关的因素成正比，它们相互之间存在一定的联系和规律。在经过一定的分析和研究之后可以发现，要想有效的预测出土建工程的费用那么只需要根据土建工程一定的特征和属性就能够完成，这也说明了土建工程费用其实是一个可预测的对象，如果通过数据挖掘技术来进行建模和分析的话那么就能够得到比较准确的数据。
二、智能预测土建工程概算方法的研究和应用分析
（一）相关数据的准备工作。首先需要建立起数据库，需要将收集到的所有文件当中的数据进行整理和汇总，在对这些数据进行存放的时候应该要根据统一的标准来进行，从而建立起一个土建工程项目的数据库，在选择表格字段的属性时应该要选择那些对土建工程概算影响比较大的因素，在对表的结构进行设计的时候也需要根据规范的标准来进行。其次对数据进行预处理，在数据挖掘技术当中数据的预处理是一项非常关键和重要的技术，数据的预处理对于数据挖掘结果的合理性以及挖掘过程当中的可行性都具有非常重要的影响，在对各种土建工程的数据进行预处理的时候主要的方法就包括了数据的过滤、填补空缺值以及对噪声数据进行平滑等。第三对数据进行分类处理，如果在后面的程序当中将全部的数据样本都用来进行BPF网络训练的话，那么可能就不能够训练出比较成功的网络模型或者模型在进行正常输出的时候可能会受到一定的影响。那么在这个时候就需要对这些样本采用聚类分析的方法来进行分类，将样本当中的一些存在异常的去除掉，这样数据样本就能够控制在比较合适的类别，从而在进行下一步的网络训练时精确度就能够得到有效的提高。
（二）建立智能预测土建工程概算的模型。本文建立的土建工程概算模型是一种改进了的模型RBF-CEBE，在这个模型当中主要是采用了径向基函数网络来当成是三层前馈神经网络，这种模型学习的方法比较的简单，而且具有非常强的针对性。首先对数据进行初始化的处理，虽然神经网络能够对不同来源的数据进行处理，但是这些数据必须要具有一定的格式，同时数据的格式也会对神经网络的学习效果产生一定的影响，所以必须要对数据进行一定的初始化处理之后才能够进行网络训练。因为径向基神经网络对于输入和输出的认知是在1和﹣1之间，所以在对建筑物的工程特征进行了标准化之后才能够将它们作为神经网络的输出和输入节点，在完成之后还需要还原输出的结果。其次需要从那些已经选取好的数据样本当中选出一定比例的数据样本来作为训练样本，进行径向基神经网络的训练，而剩下的那些样本则作为测试的样本，主要的作用就是用来对泛化能力以及预测准确性的检查，来对该神经网络是不是作为概算模型的神经网络进行确认。第三需要确定出动态自适应径向基神经网络的参数，这一步是径向基神经网络在构建概算模型当中的关键，会对最终的预测准确性产生直接的影响。最后需要在MATLAB当中对径向基神经网络进行训练，在对径向基神经网络进行训练的时候需要先调出MATLAB神经网络工具箱当中的径向基神经网络的数據库，然后在输入训练的数据样本就能够进行训练。分布常数SC其实就表示了隐层高斯基函数的宽度，如果宽度不一样的话，那么聚类中心也就会不一样，同时也会决定隐层的节点数目，如果隐层的节点数目不一样的话，那么得到的神经网络也就会不一样。在试验的过程当中我们可以采用穷举法，这样找出的基宽度就会比较的合适，通过各个神经网络的实测值以及预测值的拟合情况那么就能够找出一个比较合适的数值。在实际的土建工程概算过程当中，会对概算产生影响的因素比较多，而且这些因素当中还有很多是不确定因素，所以选择的训练数据样本的一般性会决定神经网络的训练结果精度。
（三）对智能预测土建工程概算的模型进行评估。在对模型进行评估的时候，可以在测试数据样本当中随机的选择几个样本，然后采用已经训练好的神经网络进行模拟，这样就能够得到输出的向量，在把这个输出的向量和实测值进行相互的比较之后就能够计算出预测的误差。这样就能够根据测试得到的精度来选择那些误差比预定值要小的径向基神经网络，如果评估不能够符合相关要求的话，那么就需要重新返回对神经网络进行修正。
结束语
随着社会科学技术的不断进步和发展，现在这个时代已经成为了一个智能化和信息化的时代，而在建筑工程的领域当中，采用数据挖掘技术来对土建工程的概算进行预测，让土建工程的概算预测方法变得更加的智能化也肯定会是以后发展的方向。本文主要就是介绍了在土建工程概算预测的时候采用数据挖掘技术，建立起了一种新的基于数据挖掘的概算模型，在通过一定的评估之后能够发现，这种土建工程概算模型预测的准确性能够很好的符合相关标准和要求。随着计算机技术的不断发展，数据挖掘技术也会逐渐的完善和进步，那么在以后的职能预测土建工程概算的过程当中也肯定会出现更多有效的方法，在对土建工程概算进行预测的时候准确性也会进一步的提高。
【关键词】智能预测；土建工程；概算；方法
对土建工程的预算进行预测实际上就是采用一定的方法来对工程预算进行预算或者是预先的估计。从土建工程本身的特点来说，因为它自身比较复杂、独特、多样以及在施工建设的过程当中对于地理情况具有一定的依赖性，所以土建工程基本上是没有相同的，所以在对土建工程进行概算的时候不能够完全的去参照已建的工程来进行，所以在对土建工程的造价进行概算的时候就需要进行更加全面和系统的考虑。在工程造价的实际过程当中，积累已经完工的工程概预算资料是非常重要的一项工作，但是现在对概预算资料进行存放的时候并没有一个统一的系统，这样对于很多的资料就不能够有效的进行二次利用。在对工程概算进行预测的时候，比较的复杂，不确定的因素也比较多，到现在对工程概算进行预测的时候并没有合理有效的方法，本文针对这样的情况就设计出了一个基于数据挖掘技术的土建工程的概算系统，这样概算的结果就会比较的精确。
一、对土建工程概算的简单分析
工程概算其实就是进行工程造价的一个指标，在对工程进行概算的时候主要的计费就包括了建筑的安装工程费、施工设备的购置费、其他费用以及预备费，在这几项费用当中，只有建筑的安装工程费是直接给出的，而其他的三样费用则会受到很多因素的影响，那么在对这些费用进行预测的时候就不适合采用算法的模型来进行预测。在建筑的安装工程费当中主要是由安装工程和土建工程这两部分构成的，而土建工程的费用则占了绝大部分，也就是如果在对土建工程进行概算的时候能够计算出土建工程的费用，然后在按照各种费率的系数就能够有效的计算出工程的总造价。通过对相关数据的分析以及对工作人员的经验反映可以发现，土建工程的费用其实和施工材料、结构、面积等相关的因素成正比，它们相互之间存在一定的联系和规律。在经过一定的分析和研究之后可以发现，要想有效的预测出土建工程的费用那么只需要根据土建工程一定的特征和属性就能够完成，这也说明了土建工程费用其实是一个可预测的对象，如果通过数据挖掘技术来进行建模和分析的话那么就能够得到比较准确的数据。
二、智能预测土建工程概算方法的研究和应用分析
（一）相关数据的准备工作。首先需要建立起数据库，需要将收集到的所有文件当中的数据进行整理和汇总，在对这些数据进行存放的时候应该要根据统一的标准来进行，从而建立起一个土建工程项目的数据库，在选择表格字段的属性时应该要选择那些对土建工程概算影响比较大的因素，在对表的结构进行设计的时候也需要根据规范的标准来进行。其次对数据进行预处理，在数据挖掘技术当中数据的预处理是一项非常关键和重要的技术，数据的预处理对于数据挖掘结果的合理性以及挖掘过程当中的可行性都具有非常重要的影响，在对各种土建工程的数据进行预处理的时候主要的方法就包括了数据的过滤、填补空缺值以及对噪声数据进行平滑等。第三对数据进行分类处理，如果在后面的程序当中将全部的数据样本都用来进行BPF网络训练的话，那么可能就不能够训练出比较成功的网络模型或者模型在进行正常输出的时候可能会受到一定的影响。那么在这个时候就需要对这些样本采用聚类分析的方法来进行分类，将样本当中的一些存在异常的去除掉，这样数据样本就能够控制在比较合适的类别，从而在进行下一步的网络训练时精确度就能够得到有效的提高。
（二）建立智能预测土建工程概算的模型。本文建立的土建工程概算模型是一种改进了的模型RBF-CEBE，在这个模型当中主要是采用了径向基函数网络来当成是三层前馈神经网络，这种模型学习的方法比较的简单，而且具有非常强的针对性。首先对数据进行初始化的处理，虽然神经网络能够对不同来源的数据进行处理，但是这些数据必须要具有一定的格式，同时数据的格式也会对神经网络的学习效果产生一定的影响，所以必须要对数据进行一定的初始化处理之后才能够进行网络训练。因为径向基神经网络对于输入和输出的认知是在1和﹣1之间，所以在对建筑物的工程特征进行了标准化之后才能够将它们作为神经网络的输出和输入节点，在完成之后还需要还原输出的结果。其次需要从那些已经选取好的数据样本当中选出一定比例的数据样本来作为训练样本，进行径向基神经网络的训练，而剩下的那些样本则作为测试的样本，主要的作用就是用来对泛化能力以及预测准确性的检查，来对该神经网络是不是作为概算模型的神经网络进行确认。第三需要确定出动态自适应径向基神经网络的参数，这一步是径向基神经网络在构建概算模型当中的关键，会对最终的预测准确性产生直接的影响。最后需要在MATLAB当中对径向基神经网络进行训练，在对径向基神经网络进行训练的时候需要先调出MATLAB神经网络工具箱当中的径向基神经网络的数據库，然后在输入训练的数据样本就能够进行训练。分布常数SC其实就表示了隐层高斯基函数的宽度，如果宽度不一样的话，那么聚类中心也就会不一样，同时也会决定隐层的节点数目，如果隐层的节点数目不一样的话，那么得到的神经网络也就会不一样。在试验的过程当中我们可以采用穷举法，这样找出的基宽度就会比较的合适，通过各个神经网络的实测值以及预测值的拟合情况那么就能够找出一个比较合适的数值。在实际的土建工程概算过程当中，会对概算产生影响的因素比较多，而且这些因素当中还有很多是不确定因素，所以选择的训练数据样本的一般性会决定神经网络的训练结果精度。
（三）对智能预测土建工程概算的模型进行评估。在对模型进行评估的时候，可以在测试数据样本当中随机的选择几个样本，然后采用已经训练好的神经网络进行模拟，这样就能够得到输出的向量，在把这个输出的向量和实测值进行相互的比较之后就能够计算出预测的误差。这样就能够根据测试得到的精度来选择那些误差比预定值要小的径向基神经网络，如果评估不能够符合相关要求的话，那么就需要重新返回对神经网络进行修正。
结束语
随着社会科学技术的不断进步和发展，现在这个时代已经成为了一个智能化和信息化的时代，而在建筑工程的领域当中，采用数据挖掘技术来对土建工程的概算进行预测，让土建工程的概算预测方法变得更加的智能化也肯定会是以后发展的方向。本文主要就是介绍了在土建工程概算预测的时候采用数据挖掘技术，建立起了一种新的基于数据挖掘的概算模型，在通过一定的评估之后能够发现，这种土建工程概算模型预测的准确性能够很好的符合相关标准和要求。随着计算机技术的不断发展，数据挖掘技术也会逐渐的完善和进步，那么在以后的职能预测土建工程概算的过程当中也肯定会出现更多有效的方法，在对土建工程概算进行预测的时候准确性也会进一步的提高。