论文部分内容阅读
摘要：随着社会经济的发展，信息技术的进步，建筑工程项目建设的规模也在逐渐扩大。建筑工程造价作为工程项目建设的前提，只有做好工程项目的造价工作，才能确保工程的顺利进行，确保工程的高质量。本文笔者毕业于环境艺术设计专业，长期从事工程造价方面的工作，现将工程量清单计价模式来作为前提，在时间序列的基础上就建筑工程造价预测方法进行详细地阐述。
关键词：时间序列；建筑工程；工程造价；预测
中图分类号：TU723.3 文献标识码：A 文章编号：
在建筑工程项目管理中，工程造价是一项非常重要的工作，其贯穿于建筑工程项目的整个建设过程，其主要表现在估算研究项目的可行性、概算设计方案、施工的预算、招标的标底和投标的报价、工程竣工的结算等各阶段的经济文件中。建筑工程项目的造价不仅和建筑结构、建筑功能以及建筑规模等有关，同时还和建筑工程项目的周围环境和建筑地点有关，这些因素在不同程度上都会加大工程造价的难度，因此做好建筑工程项目的造价工作是当前工程建设单位的首要任务。
一、建筑工程项目造价
鉴于建筑工程项目的造价在工程中的复杂性和重要性，我们可以看出工程造价是非常重要的。当前我国工程造价预测方法有很多种，其中最为常用的要属以下几种：模糊数学法、神经网络法、工程类比法、Bayes预测法、回归分析法等，但是这些方法均存在不同程度的缺陷，比如工程类比法的预测精度较低，模糊数学法中明确隶属函数较为困难，神经网络法需要大量的训练，Bayes预测法太过于注重其主观判断等。
工程量清单计价模式虽然其编制工作较为复杂、计算量大等，但是其满足建筑工程项目的全过程控制理论，在一定程度上能够准确地计算出建筑工程的造价，在此笔者认为，只有采取快速准确的方法提高建筑工程量清单计价的效率，同时还要考虑时间对于工程造价的影响，这样才能有效弥补在建筑工程造价中工程量清单计价所存在的缺陷，并在此基础上，通过时间序列预测法来对工程时间进行认真地分析。本文笔者将建筑工程中的钢材材料作为对象，对其实行时间序列分析，望为快速、准确预测建筑工程造价提供一个新的思路。
二、时间序列的预测原理
时间序列是一组前后关联性较强的有序随机数据，通过参数模型分析和处理这些有序随机数据的方法为时间序列分析法，这种方法不会分析随机数据和环境变量间的关系，只会分析其自身的变化规律，通過其自身的历史数据来挖掘信息。
时间序列的检测：
1.平稳性检验。所谓平稳性检验就是检验时间序列是否是平稳时间序列，该检验主要包括自相关系数检验和时序图检验，其中时序图检验主要是通过时序图上时间序列是否存在逐渐变化的趋势，从而来判断其时序平稳性。对一些变化趋势不明显的时序图，还需要借助一些自相关系数检验法来进行进一步地判断，如果在图上自相关系数呈现的是一种三角对称性，其为非平稳时间序列；如果在图上自相关系数呈现形式逐渐衰减为0，其为平稳时间序列，如果时间序列不平稳的话，则需要先对序列提取周期项或者趋势项，促使其序列变得平稳，接着再实行后续的分析。
2.纯随机性检验。所谓纯随机性检验主要是由LB统计量来判断的，其中LB统计量主要是通过下面工程式来计算的：LB=n(n+2)）（式一），其中式一中n是序列观测期数，m是指定延迟的期数。LB统计量近似服从自由度是m的卡方分布，当LB统计量比分位点大的时候，或者统计量P值比a小的时候，其该序列是非白噪声序列，相反则该序列是纯随机序列。非白噪声序列具有统计规律，可以通过平稳时间序列来进行分析和处理，相反纯随机序列则不具备统计规律，可以不用再进行分析。
（二）时间序列的建模
在符合纯随机性检验与平稳性检验后的时间序列方可进行时间序列分析模型的建立。
1.识别模型。在时间序列分析中，其随机模型包括MA、ARMA和AR三种，具体要选用哪一种模型，应该结合时间序列的偏相关系数与自相关系数来进行判断，其识别的准则主要如表一所示。
2.估计参数。MA与AR作为ARMA模型中的特例，其参数的估计方法和ARMA相同。ARMA模型的参数估计方法主要如下：在ARMA（p，q）模型中，（式二），其中必须要满足式三中的关系，即(式三)。是序列的自协方差函数，其方程式=E[]，在ARMA（p，q）模型中，（式四），其中（），将式二、式三带入到式四中，从而可以得出=—（式五），通过谱密度函数的关系式可以得出（式六），滑动平均部分B算子多项式中的必须满足式七，即=）（式七），将B算子中的同次幂次数进行比较，从而得出。
3.检验模型。为了分析所建立的模型是否符合统计规律，需要对其进行统计检验，其中所采用的检验方法就是统计量的构造，如果计算的高阶和低阶模型阶次分别是Ph和Pl，则统计量的构造为（式八），其中在工程式中：是残差平方和，=（VTV），通过工程式八可以计算出F的值小于F时，其相对于，存在明显的差异，则说明该工程不适用于低阶模型，应该进行升阶建模。反之则说明低阶模型适用。
（三）时间序列的预测
在ARMA（p，q）模型中，最佳的预测值可以通过式九来进行计算，通过式十能够计算出95%预测值的置信区间。
（式九）
（式十）
三、时间序列预测的实例
在建筑工程项目中，钢材作为其重要耗材，准确预测钢材的价格对于工程造价的预测有着至关重要的作用，笔者通过某一类型钢材的市场价格为例，预测分析钢材价格，以此为建筑工程项目的造价预测提供相应的原始资料。
钢材价格的时间序列主要如图一所示，从图一我们可以看出，这种类型的钢材价格属于非平稳时间序列，因此，需要对其提取相应的趋势项，可以通过最小二乘法来提取，同时通过MATLAB来进行快速地计算，经过计算可以得知趋势项函数为，提取趋势项以后的钢材价格的残差项时间序列主要如图二所示，通过检验可以得知，该残差项属于平稳时间序列，接着在通过上述的建模方式来构建残差项时间序列模型和钢材价格的时间序列模型，最后利用上述的分析方法对钢材的价格进行预测。通过分析和预测钢材价格时间序列，钢材的价格总体保持在平稳上涨的趋势，虽然其拟合趋势过快，因此在后期拟合的时候，可以进行适当地调整。利用残差项预测对趋势项进行不断地修正，从而弥补趋势项拟合的不足。
在建筑工程项目建设过程中，水泥、石材、木材和砂石等各种建筑材料，都可以采用时间序列预测法来获取工程工期内所指定的时间价格预测值。把各种建筑材料预测值应用在建筑工程量清单计价模式中，可以有效地改善因时间影响的建筑工程造价。
（四）分析结论
根据工程量清单计价模式下工程造价预测的缺点以及时间序列预测的特点，提出了在时间序列基础上来进行建筑工程造价的预测，通过分析和研究可以得出以下几个结论：第一，时间序列预测操作较为简单，其计算比较快捷，有效地降低了建筑工程造价的计算时间，大大提高了工程造价的计算效率。第二，时间序列预测考虑了在工程造价过程中时间因素的影响，弥补了以往时间因素对于建筑工程造价静态计算的不足。第三，通过相关实例可以看出，时间序列的预测法对于钢材价格的预测控制在5%范围以内，其预测信息准确可靠。第四，在工程造价过程中应用时间序列法来进行预测，能够确保工程造价预测的计算精度，便于建筑工程中对造价的管理和控制。
参考文献：
[1] 胡六星.基于时间序列的建筑工程造价预测研究[J].太原理工大学学报,2012,43(6):706-709,714.
[2] 苏卫星,朱云龙,胡琨元等.基于模型的过程工业时间序列异常值检测方法[J].仪器仪表学报,2012,33(9):2080-2087.
[3] 孙承杰,刘丰,林磊等.基于时间序列聚类和ARMA模型的检索量预测[J].华南理工大学学报（自然科学版）,2011,39(4):21-25.
[4] 杨一鸣,潘嵘,潘嘉林等.时间序列分类问题的算法比较[J].计算机学报,2007,30(8):1259-1266.
[5] 李晓光,宋宝燕,张昕等.基于滑动多窗口的时间序列流趋势变化检测[J].电子学报,2010,38(2):321-326.
关键词：时间序列；建筑工程；工程造价；预测
中图分类号：TU723.3 文献标识码：A 文章编号：
在建筑工程项目管理中，工程造价是一项非常重要的工作，其贯穿于建筑工程项目的整个建设过程，其主要表现在估算研究项目的可行性、概算设计方案、施工的预算、招标的标底和投标的报价、工程竣工的结算等各阶段的经济文件中。建筑工程项目的造价不仅和建筑结构、建筑功能以及建筑规模等有关，同时还和建筑工程项目的周围环境和建筑地点有关，这些因素在不同程度上都会加大工程造价的难度，因此做好建筑工程项目的造价工作是当前工程建设单位的首要任务。
一、建筑工程项目造价
鉴于建筑工程项目的造价在工程中的复杂性和重要性，我们可以看出工程造价是非常重要的。当前我国工程造价预测方法有很多种，其中最为常用的要属以下几种：模糊数学法、神经网络法、工程类比法、Bayes预测法、回归分析法等，但是这些方法均存在不同程度的缺陷，比如工程类比法的预测精度较低，模糊数学法中明确隶属函数较为困难，神经网络法需要大量的训练，Bayes预测法太过于注重其主观判断等。
工程量清单计价模式虽然其编制工作较为复杂、计算量大等，但是其满足建筑工程项目的全过程控制理论，在一定程度上能够准确地计算出建筑工程的造价，在此笔者认为，只有采取快速准确的方法提高建筑工程量清单计价的效率，同时还要考虑时间对于工程造价的影响，这样才能有效弥补在建筑工程造价中工程量清单计价所存在的缺陷，并在此基础上，通过时间序列预测法来对工程时间进行认真地分析。本文笔者将建筑工程中的钢材材料作为对象，对其实行时间序列分析，望为快速、准确预测建筑工程造价提供一个新的思路。
二、时间序列的预测原理
时间序列是一组前后关联性较强的有序随机数据，通过参数模型分析和处理这些有序随机数据的方法为时间序列分析法，这种方法不会分析随机数据和环境变量间的关系，只会分析其自身的变化规律，通過其自身的历史数据来挖掘信息。
时间序列的检测：
1.平稳性检验。所谓平稳性检验就是检验时间序列是否是平稳时间序列，该检验主要包括自相关系数检验和时序图检验，其中时序图检验主要是通过时序图上时间序列是否存在逐渐变化的趋势，从而来判断其时序平稳性。对一些变化趋势不明显的时序图，还需要借助一些自相关系数检验法来进行进一步地判断，如果在图上自相关系数呈现的是一种三角对称性，其为非平稳时间序列；如果在图上自相关系数呈现形式逐渐衰减为0，其为平稳时间序列，如果时间序列不平稳的话，则需要先对序列提取周期项或者趋势项，促使其序列变得平稳，接着再实行后续的分析。
2.纯随机性检验。所谓纯随机性检验主要是由LB统计量来判断的，其中LB统计量主要是通过下面工程式来计算的：LB=n(n+2)）（式一），其中式一中n是序列观测期数，m是指定延迟的期数。LB统计量近似服从自由度是m的卡方分布，当LB统计量比分位点大的时候，或者统计量P值比a小的时候，其该序列是非白噪声序列，相反则该序列是纯随机序列。非白噪声序列具有统计规律，可以通过平稳时间序列来进行分析和处理，相反纯随机序列则不具备统计规律，可以不用再进行分析。
（二）时间序列的建模
在符合纯随机性检验与平稳性检验后的时间序列方可进行时间序列分析模型的建立。
1.识别模型。在时间序列分析中，其随机模型包括MA、ARMA和AR三种，具体要选用哪一种模型，应该结合时间序列的偏相关系数与自相关系数来进行判断，其识别的准则主要如表一所示。
2.估计参数。MA与AR作为ARMA模型中的特例，其参数的估计方法和ARMA相同。ARMA模型的参数估计方法主要如下：在ARMA（p，q）模型中，（式二），其中必须要满足式三中的关系，即(式三)。是序列的自协方差函数，其方程式=E[]，在ARMA（p，q）模型中，（式四），其中（），将式二、式三带入到式四中，从而可以得出=—（式五），通过谱密度函数的关系式可以得出（式六），滑动平均部分B算子多项式中的必须满足式七，即=）（式七），将B算子中的同次幂次数进行比较，从而得出。
3.检验模型。为了分析所建立的模型是否符合统计规律，需要对其进行统计检验，其中所采用的检验方法就是统计量的构造，如果计算的高阶和低阶模型阶次分别是Ph和Pl，则统计量的构造为（式八），其中在工程式中：是残差平方和，=（VTV），通过工程式八可以计算出F的值小于F时，其相对于，存在明显的差异，则说明该工程不适用于低阶模型，应该进行升阶建模。反之则说明低阶模型适用。
（三）时间序列的预测
在ARMA（p，q）模型中，最佳的预测值可以通过式九来进行计算，通过式十能够计算出95%预测值的置信区间。
（式九）
（式十）
三、时间序列预测的实例
在建筑工程项目中，钢材作为其重要耗材，准确预测钢材的价格对于工程造价的预测有着至关重要的作用，笔者通过某一类型钢材的市场价格为例，预测分析钢材价格，以此为建筑工程项目的造价预测提供相应的原始资料。
钢材价格的时间序列主要如图一所示，从图一我们可以看出，这种类型的钢材价格属于非平稳时间序列，因此，需要对其提取相应的趋势项，可以通过最小二乘法来提取，同时通过MATLAB来进行快速地计算，经过计算可以得知趋势项函数为，提取趋势项以后的钢材价格的残差项时间序列主要如图二所示，通过检验可以得知，该残差项属于平稳时间序列，接着在通过上述的建模方式来构建残差项时间序列模型和钢材价格的时间序列模型，最后利用上述的分析方法对钢材的价格进行预测。通过分析和预测钢材价格时间序列，钢材的价格总体保持在平稳上涨的趋势，虽然其拟合趋势过快，因此在后期拟合的时候，可以进行适当地调整。利用残差项预测对趋势项进行不断地修正，从而弥补趋势项拟合的不足。
在建筑工程项目建设过程中，水泥、石材、木材和砂石等各种建筑材料，都可以采用时间序列预测法来获取工程工期内所指定的时间价格预测值。把各种建筑材料预测值应用在建筑工程量清单计价模式中，可以有效地改善因时间影响的建筑工程造价。
（四）分析结论
根据工程量清单计价模式下工程造价预测的缺点以及时间序列预测的特点，提出了在时间序列基础上来进行建筑工程造价的预测，通过分析和研究可以得出以下几个结论：第一，时间序列预测操作较为简单，其计算比较快捷，有效地降低了建筑工程造价的计算时间，大大提高了工程造价的计算效率。第二，时间序列预测考虑了在工程造价过程中时间因素的影响，弥补了以往时间因素对于建筑工程造价静态计算的不足。第三，通过相关实例可以看出，时间序列的预测法对于钢材价格的预测控制在5%范围以内，其预测信息准确可靠。第四，在工程造价过程中应用时间序列法来进行预测，能够确保工程造价预测的计算精度，便于建筑工程中对造价的管理和控制。
参考文献：
[1] 胡六星.基于时间序列的建筑工程造价预测研究[J].太原理工大学学报,2012,43(6):706-709,714.
[2] 苏卫星,朱云龙,胡琨元等.基于模型的过程工业时间序列异常值检测方法[J].仪器仪表学报,2012,33(9):2080-2087.
[3] 孙承杰,刘丰,林磊等.基于时间序列聚类和ARMA模型的检索量预测[J].华南理工大学学报（自然科学版）,2011,39(4):21-25.
[4] 杨一鸣,潘嵘,潘嘉林等.时间序列分类问题的算法比较[J].计算机学报,2007,30(8):1259-1266.
[5] 李晓光,宋宝燕,张昕等.基于滑动多窗口的时间序列流趋势变化检测[J].电子学报,2010,38(2):321-326.