论文部分内容阅读
摘要：建筑工程造价估算是项目决策的重要组成部分，是项目建设前期编制可行性报告以及项目建议书的重要依据之一。本文通过对比RBF神经网络和BP神经网络两种估算模型分析结果，比较结果的精确度，结果证明，RBF神经网络更具有速度和泛化能力的优势，模拟的预测精度符合实际工程的要求，运用在实际建筑工程成本投资估算过程中时可行。
关键词：建筑成本 造价估算 工程造价
1. 前言
建筑工程造价估算是项目决策的重要组成部分，是项目建设前期编制可行性报告以及项目建议书的重要依据之一。由于建筑工程施工周期长、工艺较为复杂、涉及投资金额较大，项目造价估算是否准确，不仅影响项目建设资金的筹措，而且影响下一阶段设计以及施工图概算的编制，使得投资者不能做出正确的投资决策。目前我国建筑工程造价管理正处于重要的改革阶段，早期估算的准确性也越来越得到投资者的重视。加强对建筑项目早期估算的研究，无疑对改变人们对工程造价的认识和工程造价管理改革都具有重要的意义。
2. 造价估算模型基本原理剖析
为了提高工程企业在造价估算电算方面的效率和精度，温国锋等[1] 在进行工程预算时引入了回归分析、时间序列、自回归预测等模型，但这些传统的计算方法受限于确定性变化规律及线性关系。它基于一种简单化和理想化的条件假设，在实际工程中受到许多不确定性因素如地理条件、社会以及经济因素等等的影响，工程估算问题呈现的是一种非线性关系。毛义华等[2]引入ANN（人工神经网络方法），其本质是通过网络函数逼近能力映射实际的复杂函数。工程造价的相关影响因素空间到工程造价资料空间的映射是工程造价估算的实质。基于神经网络的造价估算模型取神经网络的输入向量为投资估算的特征信息，神经网络的输出为项目工程主要材料用量、具体的工程造价，通过以往典型的工程特征、工料及造价作为训练样本，对其进行训练，使不同的输入向量都能得到最优的输出量值，从而是想输入工程特征到输出造价资料的映射。神经网络方法最常用是BP网络，其存在着容易陷入局部最优、收敛慢等缺点。
基于径向基函数神经网络方法建立预测模型，结合免疫算法确定中心值和隐层数量，并选择监督算法调整其权重，将得到一个精确的预测结果和客观的结局方法[3]。采用RBF解决非线性问题时，通常使用内插观点与函数逼近进行解释，广义的RBF网络数据中心通常采用两阶段混合学习过程，第一阶段为K-mean聚类算法，其主要任务是通过采用自组织聚类的方法，为隐层节点的径向基函数确定合适的数据中心，因节点的扩展常数由各个数据中心的距离确定。第二阶段为监督学习节点，其主要任务是监督学习算法训练输出层权值。
3. 造价估算实例分析
本文采用某市普通商用土建单方造价作为估算的对象，样本数据的主要来源是该年份的该市商业地产蓝皮书、统计年鉴以及工程信息网发生在2006-2010年间的56个商业地产项目。为适应其处理要求，矩阵标准化按照以下线性公式：标准化值=2*（原值-矩阵列最小值）/（列最大值-列最小值）-1。神经网络的输出转化则按照下式实现：（网络输出值+1）*（最大输出-最小输出）/2+最小输出。参考前学者的研究成果，根据工程造价影响因素确定{基础种类、结构类型、楼面工程、抗震烈度、门窗形式、外墙装饰、建筑层数、物价上涨指数}为神经网络训练集。
将该市56组样本数据分成两部分，第一部分为训练样本数据，由前45组数据组成；测试数据则由剩下的10组数据组成。RBF神经网络的决定性结构通过反复的训练形成，其中隐层节点为45，输入层节点为8，输出层节点为1。通过上述定义方法对工程标准化和定量化，输入量为工程目标特征，输出量为工程成本结果，非线性处理器为RBF，神经网络的训练以及样本测试通过采用MATLAB神经网络工具箱进行，表1为样本在不同网络模拟结果对比。
表1 测试样本不同网络模型结果对比
表中结果显示，实际值与输出结果的相对误差最小值为3.91%，最大值为6.32%，标注值为0.007，平均值为5.09%，说明采用基于径向基函数神经网络的投资估算模型对测试样本进行造价资料的模拟的预测精度符合实际工程的要求，运用在实际建筑工程成本投资估算过程中时可行的。同样的样本使用BP网络进行测试和培训，测试结果与RBF相对比，结果如表2所示，BP神经网络其最大相对误差达到18.57%，标注值为9.79，针对相同的样本训练，RBF神经网络的结果要精确于BP神经网络，而且RBF神经网络所用到的神经元个数较少且所用时间也相对较短。表2为误差指标为0.01时，通过不同的路径逼近同一函数得到的性能对比结果。与RBF神经网络相比，BP神经网络速度相对较慢，RBF能更快的逼近函数取得结果。
表2 不同网络结构性能比较
RBF神经网络通过实例进行分析，具有较强的自学习能力、自适应性以及快捷、简单的数据处理能力。与其他不同的神经网络模型相对比，RBF神经网络方法在绝大多数不确定性的建筑工程预测中更具有优势。
4. 结论
建筑工程造价估算是影响投资控制的关键因素之一，寻找便捷科学的分析方法，较好的估算工程项目的造价也成为了目前工程界重要的研究课题。本文通过对比RBF神经网络和BP神经网络两种估算模型分析结果，比较结果的精确度，结果证明，RBF神经网络更具有速度和泛化能力的优势，模拟的预测精度符合实际工程的要求，运用在实际建筑工程成本投资估算过程中时可行。
参考文献
[1]温国锋.建设项目投资估算模型分析[J].中国煤炭经济学院学报，2000.9（3）：19—22.
[2]毛义华，熊鹰.基于神经网络的工程造价快速估算[J].中国管理科学，1998，6（4）：9一14.
[3]董晋、魏法杰. 普通商用建筑造价快速计算的一种新方法[J]. 北京航空航天大学学报（社会科学版），2011，7，24（4）：82—85.
关键词：建筑成本 造价估算 工程造价
1. 前言
建筑工程造价估算是项目决策的重要组成部分，是项目建设前期编制可行性报告以及项目建议书的重要依据之一。由于建筑工程施工周期长、工艺较为复杂、涉及投资金额较大，项目造价估算是否准确，不仅影响项目建设资金的筹措，而且影响下一阶段设计以及施工图概算的编制，使得投资者不能做出正确的投资决策。目前我国建筑工程造价管理正处于重要的改革阶段，早期估算的准确性也越来越得到投资者的重视。加强对建筑项目早期估算的研究，无疑对改变人们对工程造价的认识和工程造价管理改革都具有重要的意义。
2. 造价估算模型基本原理剖析
为了提高工程企业在造价估算电算方面的效率和精度，温国锋等[1] 在进行工程预算时引入了回归分析、时间序列、自回归预测等模型，但这些传统的计算方法受限于确定性变化规律及线性关系。它基于一种简单化和理想化的条件假设，在实际工程中受到许多不确定性因素如地理条件、社会以及经济因素等等的影响，工程估算问题呈现的是一种非线性关系。毛义华等[2]引入ANN（人工神经网络方法），其本质是通过网络函数逼近能力映射实际的复杂函数。工程造价的相关影响因素空间到工程造价资料空间的映射是工程造价估算的实质。基于神经网络的造价估算模型取神经网络的输入向量为投资估算的特征信息，神经网络的输出为项目工程主要材料用量、具体的工程造价，通过以往典型的工程特征、工料及造价作为训练样本，对其进行训练，使不同的输入向量都能得到最优的输出量值，从而是想输入工程特征到输出造价资料的映射。神经网络方法最常用是BP网络，其存在着容易陷入局部最优、收敛慢等缺点。
基于径向基函数神经网络方法建立预测模型，结合免疫算法确定中心值和隐层数量，并选择监督算法调整其权重，将得到一个精确的预测结果和客观的结局方法[3]。采用RBF解决非线性问题时，通常使用内插观点与函数逼近进行解释，广义的RBF网络数据中心通常采用两阶段混合学习过程，第一阶段为K-mean聚类算法，其主要任务是通过采用自组织聚类的方法，为隐层节点的径向基函数确定合适的数据中心，因节点的扩展常数由各个数据中心的距离确定。第二阶段为监督学习节点，其主要任务是监督学习算法训练输出层权值。
3. 造价估算实例分析
本文采用某市普通商用土建单方造价作为估算的对象，样本数据的主要来源是该年份的该市商业地产蓝皮书、统计年鉴以及工程信息网发生在2006-2010年间的56个商业地产项目。为适应其处理要求，矩阵标准化按照以下线性公式：标准化值=2*（原值-矩阵列最小值）/（列最大值-列最小值）-1。神经网络的输出转化则按照下式实现：（网络输出值+1）*（最大输出-最小输出）/2+最小输出。参考前学者的研究成果，根据工程造价影响因素确定{基础种类、结构类型、楼面工程、抗震烈度、门窗形式、外墙装饰、建筑层数、物价上涨指数}为神经网络训练集。
将该市56组样本数据分成两部分，第一部分为训练样本数据，由前45组数据组成；测试数据则由剩下的10组数据组成。RBF神经网络的决定性结构通过反复的训练形成，其中隐层节点为45，输入层节点为8，输出层节点为1。通过上述定义方法对工程标准化和定量化，输入量为工程目标特征，输出量为工程成本结果，非线性处理器为RBF，神经网络的训练以及样本测试通过采用MATLAB神经网络工具箱进行，表1为样本在不同网络模拟结果对比。
表1 测试样本不同网络模型结果对比
表中结果显示，实际值与输出结果的相对误差最小值为3.91%，最大值为6.32%，标注值为0.007，平均值为5.09%，说明采用基于径向基函数神经网络的投资估算模型对测试样本进行造价资料的模拟的预测精度符合实际工程的要求，运用在实际建筑工程成本投资估算过程中时可行的。同样的样本使用BP网络进行测试和培训，测试结果与RBF相对比，结果如表2所示，BP神经网络其最大相对误差达到18.57%，标注值为9.79，针对相同的样本训练，RBF神经网络的结果要精确于BP神经网络，而且RBF神经网络所用到的神经元个数较少且所用时间也相对较短。表2为误差指标为0.01时，通过不同的路径逼近同一函数得到的性能对比结果。与RBF神经网络相比，BP神经网络速度相对较慢，RBF能更快的逼近函数取得结果。
表2 不同网络结构性能比较
RBF神经网络通过实例进行分析，具有较强的自学习能力、自适应性以及快捷、简单的数据处理能力。与其他不同的神经网络模型相对比，RBF神经网络方法在绝大多数不确定性的建筑工程预测中更具有优势。
4. 结论
建筑工程造价估算是影响投资控制的关键因素之一，寻找便捷科学的分析方法，较好的估算工程项目的造价也成为了目前工程界重要的研究课题。本文通过对比RBF神经网络和BP神经网络两种估算模型分析结果，比较结果的精确度，结果证明，RBF神经网络更具有速度和泛化能力的优势，模拟的预测精度符合实际工程的要求，运用在实际建筑工程成本投资估算过程中时可行。
参考文献
[1]温国锋.建设项目投资估算模型分析[J].中国煤炭经济学院学报，2000.9（3）：19—22.
[2]毛义华，熊鹰.基于神经网络的工程造价快速估算[J].中国管理科学，1998，6（4）：9一14.
[3]董晋、魏法杰. 普通商用建筑造价快速计算的一种新方法[J]. 北京航空航天大学学报（社会科学版），2011，7，24（4）：82—85.