施工企業基于人工神經網絡模型在建筑工程成本預測的實例應用

丁瑞豐,肖程耀

(四川省第六建筑有限公司，四川成都 610081)

隨著建筑業的競爭越來越激烈，建筑管理領域面臨著越來越復雜的決策困境。這些困境通常是動態的，不可重復的，并且有許多變量。這些變量通常是不確定的。在解決這些問題的過程中，傳統的成本預測理論存在收集數據、分析因素和選擇變量的一些缺點。人工神經網絡(ANN)是人工智能領域新興的綜合子學科，它能很好地處理該領域問題的多樣性和復雜性，避免了傳統方法不足。它利用了歷史數據驅動、“黑箱”建模方式，而且不需要先進行統計上的信息驗證，因此，有必要將人工神經網絡作為非線性分析工具引入建筑工程管理領域。人工神經網絡最顯著特點是學習并存儲歷史數據，從而去自適應某個系統內部特有模式，具有解決建筑經濟管理領域中復雜問題的巨大潛力。

1 成本預測國內外現狀簡要說明

在工程項目的成本管理中，成本預測和成本控制是首要任務。因此，更準確的成本預測在提高成本計劃的科學性，降低成本和提高經濟效益方面發揮著重要作用。在進行成本預測時，通常使用定量預測方法。從廣義上講，建筑工程的定量預測是基于歷史成本數據和成本影響因素之間建立某種數學關系。通過數學模型，并根據相應函數算法和編程語言獲得預測結果。

國外對成本預測的研究開始較早，其方法的演變過程經歷了三個階段：第一階段是“工程造價信息服務部”預測模型，它考慮的時間、工程質量和規模的項目成本，主要是基于類似項目的歷史成本數據信息。第二階段是基于回歸分析模型。該模型量化影響成本定性因素，并且使用系數的方法建立回歸方程來實現成本的預測。在第三階段，考慮到影響成本大量不確定因素，并利用計算機軟件來建立預測模型。

2 人工神經網絡簡介及基本原理

人腦的神經系統中有大約1 000億個神經元。神經系統是這些神經元的復雜網絡，具有高度的組織性并按功能區域相互作用。典型的生物神經元具有樹突結構，其從細胞體延伸到其它神經元，與稱為突觸的連接處接收電信號，在累積這些電信號達到某些閾值時，便形成神經信號通路。有些信號傾向于激發該細胞，另一些信號傾向于抑制其激發。細胞沿其稱為軸突的結構向其它神經元細胞發送相應的信號。數千億神經元組成的龐大神經網絡成為人類意識、記憶、認知和學習等高級智能產生的主要原因。圖1是典型生物神經元的簡單模型的示意圖。

圖1 典型生物神經元模型

人工神經網絡(ANN)技術是20世紀80年代以來人工智能領域的研究熱點。它便是人腦結構的抽象、簡化的模擬。它基于模擬大腦神經網絡結構和功能的信息處理系統，具有自學習、自組織、自適應和非線性函數逼近功能，有很強的容錯能力。是信息預測、分類和模式識別領域強大數據處理工具。人工神經網絡模型有許多類型。本文中選用應用最為廣泛的BP(Back-Propagation，誤差反向傳播)神經網絡模型。

相關理論證明了BP網絡模型可以實現任意函數的逼近。BP神經網絡是多層的，包括節點和連接作用兩種主要元素。其中節點的作用是相當于神經元細胞，連接作用是反映節點連接關系。典型的BP神經網絡由輸入層、隱藏層(可以包含多級隱藏層)和輸出層組成，如圖2所示。輸入層的節點本身沒有計算功能，它只負責數據輸入。隱藏層和輸出層節點分別具有“加權求和”以及激活函數(激活或者抑制)計算功能。隱藏層節點和輸出層節點的主動計算功能是BP神經網絡的基本原理。

圖2 誤差反向傳播 (BP) 神經網絡結構

通過歷史數據反復訓練和學習來預測未知變量是人工神經網絡最重要的特征之一。學習的實質是：將相同訓練集的樣本輸入和輸出重復應用于網絡，網絡根據一定的訓練規則自動調整神經元節點之間的連接強度并記憶其特有通路，使實際輸出滿足要求。

3 成本預測模型技術實現

本文主要研究建筑工程中土建施工成本的預測。利用人工神經網絡(BP神經網絡)原理，研究了11個實際完成項目的真實成本。進行可行性實證研究。BP神經網絡模型由Matlab軟件中的Nntraintool(神經網絡訓練工具箱)模塊構建。在11個竣工工程中，隨機選取9個工程當作神經網絡的訓練集，剩余的2個工程當作測試集。在輸入層端代入9個訓練集工程中和成本顯著相關的9個工程特征值(即建筑面積、基礎指標、主體結構指標、裝飾指標、樓層數、層高、地下層數、建設中期工程造價指數、建設中期材料價格指數)，在輸出端代入9個工程所對應的實際成本費用，進行迭代訓練學習。訓練完成后，選定剩余的2個工程測試集用于對比模型預測成本費用值與實際成本費用的誤差率，當誤差率小于5 %，證明該人工神經網絡模型與建筑工程成本預測相結合是可行的。圖3為BP神經網絡成本預測模型構建流程。

4 實例應用

本文選取了從2010～2015年筆者所在分公司承建的11個已竣工工程的土建工程成本費用作為研究對象(實際工程名稱均以工程編號替代)。整理后得到的工程數據如表1所示。

表1 工程樣本

4.1 建筑工程樣本定性變量處理

在BP神經網絡算法中，需要特定的數據來處理問題，影響工程成本的因素主要分為定量變量和定性變量?？芍苯邮褂枚恳蜃?，而定性因子需要轉換為定量因子。根據一般工程經驗，定性變量處理規則如表2所示。定性變量處理后的工程樣本數據如表3所示。

4.2 工程樣本特征值歸并化處理

本文將11個建筑工程樣本特征值歸并化處理成為9個建筑工程特征值。根據一般工程經驗，基礎指標的權重值取0.1，主體指標的權重值取0.4，裝飾指標的權重值取0.25(表4)。

表1 工程樣本(續)

表2 定性變量處理

4.3 劃分訓練集和測試集

對于BP神經網絡模型的訓練集和測試集的劃分本例中采用隨機的劃分方式，從而規避主觀對數據進行篩選。11個施工工程樣本，隨機分為9個樣本集合作為訓練集，使用剩余的2個樣本集合作為測試集。

表3 工程特征值

表4 工程特征值(歸并處理后)

4.4 成本預測結果檢驗

運行Matlab軟件，使用9個訓練集的訓練樣本作為輸入變量在神經網絡訓練工具模塊中進行訓練，訓練完成后，對2個建筑工程測試集的預測成本費用與真實成本費用進行比較，其所得的結果如圖4、表5所示。

圖4 本例模型預測成本費用與實際成本費用對比

表5 本例檢驗樣本結果

由表5可以看出，模型對2個測試集所預測出的工程樣本土建成本費用值分別為1 434.3 元/m2和2 239.8 元/m2，而這2個工程的實際土建成本費用分別為1 371.5 元/m2和2 327.6 元/m2，它們的實際工程樣本值與BP神經網絡預測出的工程樣本值的相對誤差率分別為4.58 %和3.77 %，兩個誤差值均小于目標誤差5 %。因此，該BP神經網絡建立的建筑工程成本預測模型是可用的。

5 結束語

目前，建筑業面臨的壓力和競爭日趨激烈，企業的生存和發展面臨諸多挑戰。企業進行合理的成本管理尤為重要和迫切?？陀^上社會經濟環境、政府政策的方向以及項目本身的未知因素都時刻變化，主觀方面包括從業人員成本估算的理論知識水平、專業經驗技巧等，這些因素對項目成本的估算有重大影響。本文采用人工神經網絡信息技術建立成本預測模型，并進行了一系列研究。筆者所在分公司承建的建設工程項目，其中大部分是商業住宅，結構類型相對單一，由于有許多工程特征及經濟指標均會影響成本預測，因此在選擇項目成本預測數據時不可避免地存在一些低精度問題。僅收集了11個工程數據，對于一個機器學習類模型來說，數據量極少，且數據特征值種類也較少，訓練出來的預測模型還有很大的擴展空間。

如果將成本數據進行長期系統化收集，不斷完善工程特征值的建立規則，那么運用人工神經網絡技術進行成本預測模型的創建將具有廣泛適應性和通用性，通過推廣到各個工程分公司進行實際應用，從而整體提高全公司的成本管理水平，進一步提升公司在建筑市場的核心競爭力。