基于RS-RBFNN的建筑工程造价预测模型

徐文慧，申建红,2，*，陈 雪，万索妮

(1.青岛理工大学 管理工程学院，青岛 266525；2.山东省高校智慧城市建设管理研究中心，青岛 266525)

准确的造价预测不仅有助于建设单位做出投融资决策，还能降低建设过程中造价超支的可能性.为进一步提高造价预测的精确度，学者们进行了广泛研究[1-3].其中，BP神经网络(Back Propagation Natural Net，BPNN)具有较强的自主学习能力和自我适应能力，能够准确地处理多因素和非线性问题，因此被广泛地应用于工程造价预测领域.蒋红妍等[4]针对高层住宅工程造价管理的难点及传统造价估算方法存在的不足，采用灰关联分析与粒子群优化的BP神经网络相结合的方法，实现了对高层住宅造价的快速估算.杨无疆等[5]选取6个工程特征类目作为BPNN的输入向量来预测工程造价，并通过实例验证了该方法的精确性和有效性.梁喜等[6]考虑了决策者判断的不确定性，将模糊数学与AHP方法相结合，筛选出与工程造价有较大相关性的工程特征指标，并把这些指标数据作为BPNN的输入集来预测造价，最后通过实例证明了该模型能有效地提高工程项目造价预测的精确度.然而，由于工程造价预测需要的初始数据较多，过多的数据输入维数会增加BPNN结构的复杂性，从而降低网络的拟合速度，甚至陷入局部极值.不同于全局逼近的BPNN，径向基函数神经网络(Radial Basis Function Natural Net，RBFNN)是1种局部逼近的网络，这一特性不仅使其具有更简单的结构和更快的学习收敛速度，而且避免了局部最优问题的……