基于BP神经网络的工程造价快速估算模型

1、造价咨询2011年第9期（总第347期）基于BP神经网络的工程造价快速估算模型杨无疆1，林玲2（1.莱茵达置业股份有限公司，浙江杭州310012；2.杭州建业造价工程师事务所有限公司，浙江杭州310012）摘要快速、准确地进行工程造价估算对控制工程成本具有重要的现实意义。根据神经网络原理和对工程特征的分析，确定了6个工程特征类目作为神经网络的输入向量，提出了基于BP神经网络的工程造价快速估算模型，并选取已建住宅工程为估价实例。经验算，其精度可以满足实际工程投资估算和设计概算的需要。因此，用BP神经网络快速估算工程造价是行之有效的。关键词工程造价；BP神经网络；估价模型；快速估算中图分类号F40

2、7.9文献标识码B文章编号1002-851X（2011）09-0053-03算方法已成为行业执业的迫切需要1。神经网络应用于工程估价是类比法的一种发展2。人们普遍认为，工程建设的资源耗量与工程的一些基本特征值之间存在着必然的联系。但是，这种必然的联系一般并不都能以一个简单的表达式准确表达出来，而神经网络正是利用已建工程的基本资料，通过建立工程特征和资源耗量之间的联系来完成工程估价。本文选取工程特征类目，再从数目众多的同类结构的已竣工工程中找出与待建工程相似的若干工程，利用这些历1引言确定工程造价在工程的不同阶段有着不同的方法。如可行性研究阶段编制投资估算、初步设计阶段编制概施工图设计阶段编制预

3、算，而最为关键的则是建设前算、期的投资估算。因为工程的投资估算是整个成本管理过投资估算对工程的程的起点，是成本控制的基础。另外，方案评价、融资、招标等也有着重要的意义。在瞬息万变的简捷、实用的工程造价估市场经济环境中，探寻一套快速、作者简介杨无疆，男，生于1981年，浙江永嘉人，助理工程师，主要从事工程造价控制和建设工程管理工作。532011年第9期（总第347期）造价咨询史数据络进行BP网训练，达到对待建工程进行快速估价的目的。33.1工程特征类目选定与处理工程特征类目选定2BP神经网络原理网络BP神经网络是误差反向传播的多层前向网络，对影响工程造价的因素进行全面分析，合理地提取经研究表明，

4、影响工程特征类目，才能提高预测的准确性。建筑工程造价、人工及材料消耗的因素主要有：）工程地1质和水文地质条件；）建筑结构特征；）施工工艺及机械23设备因素；）施工单位的因素；）建设单位的因素。其中3）45）因素在工程估算阶段可不考虑3。-5选取m个特征类目，建立工程特征向量：（p1，）P=p2，pm综合考虑数据来源和工程实际等因素，确定建筑面积、基础形式、层数、户型、最大开间、门窗率等6种主要因素作为工程特征类目5。3.2工程特征数据处理结构由节点和箭线组成，节点模拟人脑的神经元，箭线模可将网拟神经元之间的连接关系。按神经元的位置不同，络分成三层，即输入层、隐含层和输出层。同层节点间无关联，异

5、层节点前向连接。一个典型的三层BP神经网络结本身无计算功构图见图1。输入层的节点负责数据输入，能；隐含层和输出层的节点具有加和与激活的计算功能。BP神经网络的信息处理机制正是由节点的加和与激活功能决定的。以中部地区某省的15栋已建砖混结构住宅楼为样本数据，对该地区某一待建工程的单方完全造价进行估算。其中前A1-A13为训练样本，A14、A15作为测试样本。15栋已建工程的6个工程特征类目赋值及预算资料见表1。表1中定量特征类目（p1、）以样本工程值除p3、p5、p6图1三层BP神经网络结构以待估工程值得到；定性特征类目（p2、）则根据经验和样p4本工程的相关费用项，主观赋予隶属度值；待估工程x

6、是以图纸设计资料分析列出，处理方法同样本工程。另外，为避免在计算时产生溢出，单方完全造价的单位化为1000元/m26。所谓加和，是指对某一节点的所有输入与相应连接对图1隐含层的第一个线的权重的乘积进行加和。例如，节点，其加和值等于：x1=i1pii式中，x1隐含层第一个节点的输入值；i1输入层第i个节点向隐含层第1个节点分配的权重；pi输入层第i个节点的输入数据。所谓激活，是指将加和得到的值经过一定的数学变换形成该节点的输出。例如，对图1隐含层第1个节点的输出值为:（x1）a1=g（x）称为激活函数，常用的激活函数有Sigmoid函g数、比例函数、饱和函数等。BP神经网络算法的核心是通过一边向

7、后传导误差，一边修正误差的方法来不断调节网输出映射关系。训练结束络参数，以逼近所希望的输入、4后，该模型便可以求解相同的问题3，。4工程估价模型建立与应用本文采用三层BP神经网络模型，6个特征向量为输），共6个节点；输出层（a）一个节点，即单方完全入单元（p造价；已建典型工程单方完全造价为比较样本（t）；隐含层（如经多次试验选6个节点。用A1-A13训练的性能曲线图2所示），经过54次训练迭代就达到了误差0.003的目标，此时均方误差为2.94359×10-3。用A14、A15两个样本数据对收敛后的网络模型进行测试的结果，以及对待估工程x的造价估算结果，如表2所示。利用训练好的网络预

8、估工程x的造价，得到估算值为1026.7元/m2。从测试结果看，测试样本的相对误差控制在2%以内。由于待估工程是投资估算和设计概算阶段，因此结论是可行的。这表明将BP神经网络应用于工程估54造价咨询2011年第9期（总第347期）表1特征代号建筑面积基础形式样本特征类目赋值及预算资料层数户型最大开间门窗率单方完全造价A1A2A3A4A5A6A7A8A9A10A11A12A13A14A15X络是并行处理数据的，因而其处理速度相当快，满足了快速本文建立的模型特别适用于估算要求，实践证明是有效的。只需分多期建设的简单工程，如住宅小区工程等。估算时，收集前期已建工程的相关特征资料，即可通过训练好的网络

9、模型快速估算出待建工程的造价。将神经网络应用于工程估价，其主要限制在于工程特征向量和训练样本的选取上，估价模型的准确度也取决选于这两点。只要选取的工程特征能够代表工程本质，取的训练样本和待估工程类似，那么应用神经网络进行工图2表2序号工程估价模型的训练性能曲线工程估价模型测试与应用估算值相对误差（%）程估价就简便易行。蒉参考文献1周继成.人工神经网络M.北京：科学普及出版社，1993.2张爽.基于神经网络的工程造价估价模型J.森林工程，2005，21（3）：58-61.3周开利，康耀红.神经网络模型及其MATLAB仿真程序设计M.北京：清华大学出版社，2005.实际值A14A15x-1.25-1.35-价是行之有效的。5结论与展望基于BP神经网络的工程造价估算模型充分利用了神4王永庆.人工智能原理与方法M.西安:西安交通大学出版社，2002.经网络这个“特征提取器”的作用，从大量过去的工程参数资料中自动提取工程特征与预算资料的规律关系。由于神经网络具有高度的容错性，因而对