基于人工神经网络的动态工程估价

张 凡 王 磊 周 洲 胡世翔

（南京工程学院 江苏·南京 211167）

0 引言

本课题主要研究运用“人工神经网络”的方法对建筑工程的工程估价进行研究，通过对大量工程实例进行分析，建立估价模型，并用实例予以验证，确保存在的误差控制在一定范围内，以使得估价模型可以应用于工程实践中。

确定工程造价是建设工作中十分重要的一环，在不同的设计阶段有着不同的应用：如初步设计阶段编制概算，施工图设计阶段编制预算，而最为关键的则是在建设前期的工程造价估算。工程的估算价是整个成本管理过程的起点，是成本控制的基础，因此在瞬息万变的市场经济环境中，探寻这样一套快速、简捷、实用的工程估价模型有着十分重大的意义。

一直以来我国动态工程估价是根据之前沿用的静态估价方法而提出的。与静态估价相比，动态估价已经不再仅仅是统一制定的估算指标，概算定额，单位估价表以及各种收费标准，而主要为定期修正的实物消耗量定额，长期积累的工程造价资料和各种工程造价信息。同时，动态估价的结果包含了更多的估计和概括成分，在某些阶段，估价结果可表现为一个造价可能区间，而不是一个确定的造价值。而这种特征恰恰符合了工程造价动态的特有性质。

把人工神经网络应用于工程估价领域，建立相应的工程估价模型，为动态工程估价提供数据分析指导和辅助决策。以造价控制的历史数据为依据，运用神经网络模型对实际造价的资金发展变化情况进行预测。再通过造价预测数据与造价计划的比较，明确建筑工程计划值。采取有效的改进措施，确保建筑工程实际造价预测结果的真实性和可靠性为国家正大力推广的建筑师负责制提供经济性分析。

1 实验部分

1.1 实验理论

由于工程估价过程中涉及到的相关因素过多，且具有隐蔽性，复杂性和多层次性的特征，导致难以对其设计一种准确有效的估价方法。故采用当下热门的神经网络模拟方法，从已建工程中提取主要特征并研究其对造价的影响，然后建立网络进行学习和优化，最终得到一个估价预测模型。

1.2 实验方法

首先通过matlab软件建立简单的神经网络模型，验证其拟合数据的有效性。然后再建立具体的工程估价计算神经网络，导入相关数据，对其进行模拟分析与学习，得到最终预测模型。

2 过程与讨论

2.1 神经网络拟合有效性检验

2.1.1 建立简单模型

首先定义一个已知函数：

F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2)，打开matlab，进行神经网络网络建立

ld=100;定义训练数据的个数

x=rand(2,ld);定义基本二维状态的变量

F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);

定义已知的训练函数

net=newrb(x,F);建立神经网络模型

interval=0.1; 定义基本参数

tx=[tx1;tx2];

ty=sim(net,tx);

v=reshape(ty,row);

实际对函数进行计算与拟合结果进行对比

subplot(1,3,1)

mesh(x1,x2,F); subplot(1,3,3)

mesh(x1,x2,F-v); 画出最后对比图，查看误差，得出结论。

2.1.2 分析

图1

训练样本为100

第一个图像是 F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2)函数的原始图像，第二个图像是经过matlab产生随即数据后拟合的图像，最后一张是对比两张图的误差

图2

我们可以发现在模拟数据个数为100的时候，误差还比较明显，于是可以进一步缩小误差，也就是增加样本数量，当我们把样本模拟数量增加到400时，在运行一次，结果如图2。

训练样本为400

可以明显的从第三张误差图中发现，起伏明显变小，只有局部地区存在波动差异，由此可以进一步论证神经网络强大的拟合性，并且可以得出结论：在提高训练样本个数的前提下，可以无限逼近原函数。

2.2 具体工程估价模型

2.2.1 建立具体工程估价模型

从某市32个已建工程项目的工程量清单中选取数个工程特征进行SPSS相关矩阵分析，最终得到9个影响造价最重要的因素，分别是：

选取好数据后，将其分为两组，第一组为训练组，第二组为验证组。

开始建立训练组的神经网络：

net=newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');

net.trainparam.goal=0.0001;

net.trainparam.show=500;

net.trainparam.epochs=20000;

[net,tr]=train(net,inputData,outputData);

simout=sim(net,inputData);

2.2.2 分析

运行结果如下：

图中红色的是神经网络预测的结果，蓝色的是原来的数据，我们可以知道，拟合后的数据和原数据具有高度的相似性，其图像趋势基本一致，以此证明神经网络对工程估价模拟的可行性。再根据设置的神经网络模型，提取表达式，完成模型建立。

根据已经建立的神经网络模型，输入验证组的数据，证明其有效性。

此图为验证组对比结果，由此可知，该模型的可行性可以得到保证，模拟平方造价与原数据具有高度的拟合性。

3 结论

本文通过神经网络方法建立了建筑工程估价模型。首先通过对简单的已知函数模型进行神经网络拟合，证明其拟合数据效果的可行性，并且得出结论：提高在神经网络中数据学习的数量，理论上可以不断逼近原数据。之后进一步建立具体的建筑工程估价模型，选取主要工程量后，建立神经网络模型并学习优化，并对比拟合造价与原造价，最后得出结论：通过神经网络建立的建筑工程模型对平米造价的预测值与期望值之间存在高度的拟合性，进一步优化后可满足工程实际要求，可以用于预测建筑工程估价。本研究对神经网络在建筑工程估价当中应用的可行性提供了有力的证明。