基于BP神经网络的工程造价估算.doc

1、BP神经网络在工程造价估算中的运用 080107 朱杰目录一、建设项目的投资失控问题3二、基于BP神经网络的造价模型4三、基于BP神经网络的实例分析7四、BP神经网络的利弊分析及相关建议10五、总结12六、后记12参考文献：13摘要 工程造价的估算是管理和控制整个建筑工程投资的重要经济指标，本文从投资失控角度引入快速精确造价估算模型BP神经网络模型。并对收集到的案例，建立BP模型，进行实证分析，表明该方法的优势和有效性。同时从技术层面解读BP神经网络依旧存在的局限性和弊端，在此基础上结合造价本身特点提出相关的意见和建议。关键词工程造价；造价估算；BP神经网络 一、建设项目的投资失控问题1 投资

2、失控问题的提出建设项目投资失控是我国固定投资领域存在的重要问题，其原因是多方面的，其中很重要的一个方面是存在着造价控制“重施工阶段”而“轻项目策划与可行性研究阶段和设计阶段”的问题。建设项目实施包括项目可行性研究阶段、设计阶段、采购招标阶段、施工阶段、使用投产阶段。如图1，从工程造价控制的阶段看，节约投资的可能性在项目策划与可行性研究阶段由100迅速下降，至施工阶段已降至10左右，其后变化就相当平缓。050100费用/%立项初步设计施工图设计开工竣工拆除10图1 节约投资可能性曲线影响项目投资最大的阶段，是约占工程项目建设周期 1/4的技术设计结束前的工作阶段。因此，可行性研究阶段的投资估算控

3、制就成为项目投资控制的重点之一。2 投资估算现行方法及弊端投资估算是在建设项目的投资决策阶段，确定拟建项目所需投资数量的费用计算成果文件。编制投资估算的主要目的，一是作为拟建项目投资决策的依据，二是若决定建设项目以后，则其将成为拟建项目实施阶段投资控制的目标值。投资估算的现行方法主要有定额估算法和工程量清单估算法。我国的定额计价工程造价管理体系，一直是自上而下的计划管理模式。所依据的各种概预算定额及相应的费用定额，仍然由建设部和各个省定额主管部门负责组织编制并颁布执行。当然，这些定额和费用标准，长期以来一直被广泛使用，至今仍发挥着指导作用，但其统一的价格、定额以及收费标准的特点使得这种方式存在

4、多种弊端。不能反映市场、不能反映企业、不体现竞争是其最大的缺点。工程量清单计价方法，是在建设工程招投标中，招标人委托具有资质的中介机构编制反映工程实体消耗和措施性消耗的工程量清单，并作为招标文件的一部分提供给投标人，由投标人依据工程量清单报价的计价方式。这样的计价方式可以改变过去过分依赖国家发布定额的状况，施工企业可以根据自身条件编制自己的企业定额，对工程价格的控制更具有自主性，有利于市场竞争机制的形成。建筑工程造价受多种因素的影响，构成复杂、情况多变、具有较大的模糊性，因此，它是一项十分复杂的工作。如果机械地套用定额，从头到尾进行大量繁琐的计算，虽然结果较为精确，但会浪费大量的人力物力财力。

5、如果单纯的依靠以往的工作经验和已建工程的资料进行粗略估算，那样的估算结果过于粗糙，投资失控现象出现的频率会大大增加。因此，现今社会更多地需要一种简单却又比较精确的造价估算方法，这样不仅能够节省时间，而且可以让投资控制在合理的范围之内。二、基于BP神经网络的造价模型1 BP神经网络模型原理神经网络模型是一种基于生理学的智能仿生模型，是由大量处理单元即神经元互联组成的非线性大规模自适应动力学系统。它具有自组织、自适应和自学习能力，以及具有非线性、非局域性、非定常性和非凸性等特色，它以很多神经元的微活动构成神经网络的宏效应，而能模拟人脑的某些智能行为。神经网络的模型很多，包括BP、BEP、模糊等神经

6、网络，各有各的特点和用途。BP(Back propagation)网络是一种最为常用的前馈网络(多层感知器就是一种反向传播网络)。它有一个输入层，一个输出层，一个或多个隐含层。每一层上包含若干个节点，每个节点代表一个神经元。同一层上的各节点之间无连接关系，相邻层采取全互连。信息从输入层开始在各层之间单向传播，依次经过各隐含层，最后到达输出层。根据工程造价因素的实际情况，此处采用一种具有多输入单元、多隐含层单元和单输出单元的三层BP神经网络，如图2所示。输入层隐含层输出层图2 BP神经网络结构2 模型参数的确定2.1BP网络模型结构参数确定网络结构参数的选取十分重要，直接影响网络的表达能力和收敛

7、速度。模型中输入层和输出层的神经元个数按实际需要确定。训练样本为，=1,2，表示学习样本的个数。设输入模式向量为=，期望输出为，而实际网络输出为。2.2 初始权值的选取模型中的输入层包含着定量因素和定性因素，对于定量的因素，应进行归一化处理，可以采用“遍除最大值”法，将所有样本的定量因素转化为0,1之间的量；对于定性因素，则按照与定量因素处理相似的原则，将其转化为0，1之间的量。这里可以首先确定一个标准因素，将其取值为0.5，再将其他因素依次与其比较，较优者取值0.51.0之间，较劣者取值00.5之间。2.3 节点函数的选取选函数为节点输出函数，其导数，优点是对于任何数据的输入都可以转化成（0

8、,1）之间的数。3 学习算法BP的学习算法由“模式顺传播”“误差逆传播”“记忆训练”“学习收敛”4个过程组成。这四个过程又可进一步概括为“正向传播”和“逆向传播”两个过程。具体算法描述如下：正向传播：（1）计算隐含层各单元的输入式中： 输入层单元数； 输入层至隐含层的连接权； 隐含层单元数；（2）计算隐含层各单元的输出由于采用激发函数函数，故=（3）计算输出层单元的输入式中： 隐含层单元数； 隐含层至输出层的连接权；（4）计算输出层单元的输出采用激发函数函数，故逆向传播：修正第层结点的权值式中： 层结点到层结点的连接权值； 结点的输出； 学习效率； 当结点是输出层时，取，其中，与是结点的实际输

9、出和期望值；否则取，其中，是结点的实际输出值，是结点的输出结点个数。输出单元的平方误差为：，则个样本的总误差为算法是采用梯度法即在权重空间沿梯度调整权重，使总误差向减小的方向变化，直到最小。权的修正是所有样本输入后，计算其总的误差后进行的。采用反向传播的BP算法进行工程造价的预测，可以把收集的并进行加工处理后的已知数据样本作为训练样本，按照编制的程序（如matlab软件）进行迭代，可得到一个训练好的造价预测样本。将待估工程的各个参数通过必要的整理加工后，输入到程序中，因网络参数己经确定，因此，即可得待估工程的预测造价。三、基于BP神经网络的实例分析3.1 工程概况本工程（S）为某开发公司开发的

10、低层住宅楼，每层6户，建筑面积约为4380平方米。本工程由中建设计院设计，基础采用全部筏基和全部填塘，装饰部分外墙采用清水勾缝，内墙为普通粉刷、油漆地面、油漆墙裙。3.2 工程估价选择4个相同类型结构的已建典型工程A、B、C、D，并根据工程特点划分为5个分解项目，分别为基础结构、楼层、内装饰、外装饰和房型。参照工程项目单方直接费统计表，并结合工程的具体特征，对每个分解项目节点分别赋予隶属度(如表1)。表1 类似工程与拟建工程隶属度关系表工程名称基础结构楼层内装饰外装饰房型土建造价（元/平方米）A住宅楼砌砖条基五层普通粉刷油漆地面清水勾缝三室一厅单阳台135.30隶属度（0.6）（1.0）（0.

11、85）（1.0）（0.9）B住宅楼少部筏基少部填塘四层普通粉刷油漆地面清水勾缝二室一厅双阳台138.20隶属度（0.85）（0.95）（0.85）（1.0）（0.8）C住宅楼部分筏基部分填塘四层普通粉刷油漆地面油漆墙裙清水勾缝三室一厅双阳台146.60隶属度（0.9）（0.95）（1.0）（1.0）（1.0）D住宅楼砌砖条基三层普通粉刷水泥地面清水勾缝二室一厅单阳台130.80隶属度（0.6）（0.9）（0.8）（1.0）（0.6）S住宅楼全部筏基全部填塘五层普通粉刷油漆地面油漆墙裙清水勾缝三室一厅双阳台待估隶属度（1.0）（1.0）（1.0）（1.0）（1.0）以每个分解项目的隶属度输入模式

12、向量=，以已建典型工程土建单方造价为教师样本进行学习。为免在计算时产生溢出，土建单方造价数据同时除以1000，单位化为1000元/平方米。构造三层BP神经网络，输入层节点数为5，隐含层节点数根据公式（为输入层节点数，为输出层节点数）进行计算为11，输出层节点数为1。用上述BP算法在计算机上迭代20 000次后样本总误差为。学习样本集及输出结果见表2。表2 学习样本集及输出结果输入样本输出样本（1000元/平方米）期望值实际输出A（0.6）（1.0）（0.85）（1.0）（0.9）0.13530.13542B（0.85）（0.95）（0.85）（1.0）（0.8）0.13820.13851C（0

13、.9）（0.95）（1.0）（1.0）（1.0）0.14660.14638D（0.6）（0.9）（0.8）（1.0）（0.6）0.13080.13059利用修正后的节点权值，对工程（S）进行估价，最终估价结果为147.99元。将估价结果与工程(S)建成后实际造价值进行比较验证，结果如表3。表3 BP网络模型验证结果值实际输出（元/平方米）147.99期望值（元/平方米）156.46误差比率0.05723.3 估价结果分析从计算出的结果可以看出，基于BP神经网络的估价模型的估算精度达到了95%左右。这在工程项目的早期，尤其是工程项目的方案阶段已经是令人满意的结果了。因为可行性研究阶段的可以用于造

14、价计算的数据并不多，通常与最终工程造价会有10%的差距。此处95%的估算精度不仅准确，而且速度也很可观。因此，实例表明，神经网络估算建筑工程造价的方法是可行的。它不仅可以避免主观因素对估价者的影响，而且能够达到快速准确的目的。四、BP神经网络的利弊分析及相关建议在智能化逐步代替人工化的时代，网络技术越来越进驻企业内部。BP神经网络便是这样一个网络技术，它能被广泛地运用于各个行业，尤其是本文所着重讲到的造价估算。由之前的模型以及实例，我们可以很清晰地认识到这样一个网络技术的便捷性与准确性。造价过程，原本是一个相当复杂的过程，在BP网络技术的支持下， 造价人员的工作量可以大大减轻，投资失控的现象也

15、可以大大减少，那么如此神奇的网络技术真的可以完全替代当今的造价估算体系？其实际运行中又存在着哪些利弊？我们应该如何去规避这些不利因素？4.1 BP神经网络的利弊对于BP网络技术本身，其优点是显而易见的：（1）BP神经网络实质上是实现了一个数学函数功能，即从输入到输出的映射功能。数学理论已证明，它具有实现任何复杂非线性映射的能力。这使得它特别适合于求解内部机制复杂的问题，比如造价估算问题。（2）BP神经网络能够通过对有着正确答案的实例样本进行学习而自动提取“合理的”求解规则，即权值的确定。因此，BP网络具有较好的自学能力。（3）BP神经网络具有一定的推广、概括能力。它所有的数据结果都是建立在已知

16、样本的基础之上的，通过推广、概括进而得出新样本的答案。然而，BP神经网络技术毕竟是一门计算机技术，其局限性也广泛存在：（1）BP算法的学习速度很慢，对于这一点，专业上给出了以下几点原因： BP算法本质上是一种梯度下降法，当它所需要优化的目标函数非常复杂时，必然会出现“锯齿形现象”，即计算机生成的图像走样，这就使得BP算法低效；BP算法存在“麻痹”现象，由于需要优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，这样就使得训练过程几乎停顿。为了使网络执行BP算法，我们必须把补偿的更新规则预先赋予网络，而不是使用传统的一维搜索法来求每次迭代

17、的步长，这样的计算方法使得算法低效。（2）BP算法样本训练失败的可能性较大，原因有以下几点：从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题是求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；网络的逼近、推广能力完全取决于学习样本的典型性。而对学习样本的选取并组成训练集则是相当困难的问题。（3）难以解决应用问题的实例规模和网络规模间的矛盾。实例规模与网络规模总是存在着很大差异，网络容量也是有着自己的局限性，当实例规模超出网络容量时，BP算法会失败。（4）网络的预测能力（也称泛化能力、推广能力）与训练能力（也称逼近能力、学习能力）的矛盾。一般情况下，训练能

18、力差时，预测能力也差，并且一定程度上，随训练能力的提高，预测能力也会提高，但这种提高的趋势有一个极限。当达到此极限时，随训练能力的提高，预测能力反而会下降，即出现所谓“过拟合”现象。此时的BP网络学习了过多的样本细节，却不能反映样本内包含的规律。4.2 BP神经网络运用于造价估算的建议（个人观点）基于前文所给出的BP网络技术存在的利弊现象，结合工程造价实际情况，个人认为，其弊端的解决方法可以概括为以下几点：（1）由于BP网络技术在执行较为复杂的目标函数时会出现“崩溃”现象，即算法低效，函数图象错乱、超过网络容量等等。所以造价人员在选择需要用BP算法估算的工程时应该注意工程的复杂性，对于那些过于

19、庞大、复杂的工程不宜采用BP算法，以免出现系统错乱。对于较为简单、较为精简的工程则可用BP算法进行工程造价的估算。同时，也应注意实例造价估算工程的规模与网络实际承载规模的大小，对于网络承载范围之内的，才宜采用BP算法。（2）样本数据的采集非常重要。BP算法的网络预测能力是与训练能力呈正比的。因此，首先需要确定分解项目，分解项目应选择那些最能体现一个工程特征并且最能决定这个工程造价的关键因素，这样才能正确定位这个工程的造价。其次，选择的已建工程一定是要与待估工程有着较高的相似度。此处，可以进行相似度估测，查看已建工程每个分项的隶属度与待估工程隶属度的差异，差异过大的样本应予以舍去。（3）针对BP

20、算法的“过拟合”现象，造价中需要注意的是选择的样本数量不宜过大。以防BP算法网络学习了细节却丢失了最重要的骨架样本内部的规律，从而不能得出满意的结果。 五、总结基于BP神经网络的工程造价估算以其精确性以及简便性被大众所接受，但其广泛的使用仍需要相当长的时间。现行工程造价体系虽也存在不少弊端，但毕竟是前人智慧的结晶，其实用性毋庸置疑。作为最能控制全程投资的估算环节的造价，其重要性不言而喻。对于如此重要的造价估算，在当前BP神经网络仍未完全成熟的情况下，造价人员应该将传统模式与网络模式进行结合，甚至从某种程度上来说，应该以传统造价方式为主，BP神经网络为辅，同时选择合适的工程进行BP网络算法，以降

21、低投资失控的概率。当然，这种主、辅模式并不是一成不变的，造价人员需要在一次次的实践中不断完善网络技术，逐步提高网络技术在实际工作中的运用，在未来，真正做到让计算机代替繁杂的人工计算，让智能化技术覆盖我们的造价领域，从而提升造价估算的效率和价值。六、后记写这篇论文之前，我在网络上浏览各类文献的时候看到了“BP神经网络”这个概念，当时这个概念是用在了房地产相关的文献中，本想仔细阅读，但繁杂的数学公式让我望而却步。这次造价论文可供选择的研究领域中，再一次看到了这个概念，好奇心打败了对数学公式的畏惧，我鼓起勇气、下定决心选择这个从未涉足的理念进行论文的撰写，因此，文章中的一些概念、函数推导依旧比较生涩，由于BP神经网络的计算更多地是有关计算机方面的代码撰写，所以本文中对其深入的计算机网络语言研究较少，而是把重点放在了它与造价的关系上，以此来研究BP神经网络在工程造价估算中的运用。参考文献：1黄如宝,等.建设项目投资控制M.上海：同济大学出版社,1995.2程相君,等.神经网络原理及其应用M.北京：国防工业出版社,1995.3焦李成.神经网络系统理论M.西安：西安电子科技大学出版社,1993.4胡守仁. 神经网络应用技术M.长沙：国防科技大学出版社,1993.5施鸿宝.神经网络及其应用M.西安：西安交通大学出版社,1993. . 13 / 13