面向BP神经网络下高层建筑工程成本造价的评估模型构建

面向 BP神经网络下高层建筑工程成本造价的评估模型构建

吴振华

广东省国际工程咨询有限公司中山分公司 广东 中山 528400

摘 要：当前高层建筑工程造价评估精确性较低，根据国家政策走向市场定价，改革前期可能造成估算指标与实际消耗量较大差距；在针对成本准备预测问题，本文提出了基于BP神经网络下的高层建筑工程成本造价评估模型。实验证明，该方法能够充分利用有限的数据信息，高效精准地评估出最佳成本造价方案，信息处理能力显著提升。

关键词：BP神经网络；高程建筑工程；成本造价；评估模型

近年来，我国市场经济逐渐呈现多元化发展趋势，建筑行业作为支柱型产业，与国民经济的发展密切相关。一般情况下，企业在进行投资前，会做足前期评估准备工作，工程造价评估也是投标竞争过程中极为重要的环节。投资方想要获得更大的利润，就必须要对投资金额、周期等多方面因素进行综合考虑，严格把控核心要素，对成本进行科学评估。

1.评估指标体系构建

1.1建筑项目投资构成

建筑工程项目成本造价工作主要指的是针对项目的建设规模、具体内容以及相关标准要求，在建设环节全部完成之后，再到具体使用过程中，实际共花费的费用。如相关设备费用、安装费、预备费用等相关投资部分。详见图1。

图1 建筑项目总投资组成

1.2造价指数分类

建筑项目在具体施工过程中，在不同环节当中，成本造价的具体表现形式也存在很大不同，如，前期项目可行性分析环节，主要内容为投资估算。造价指数主要指的是在相应固定阶段之内，价格发生变动的具体指标，其能够充分反映出造价的实际变化幅度和趋势，并且还能够体现出生产力水平和市场之间的实际供求关系 ^[1]。

1.3灰关联评估指标体系的具体构建

文章通过灰关联分析法进一步构建评估指标体系，结合建筑项目指标序列曲线对成本造价序列曲线接近度和密集度进一步判断，如果曲线之间差距越小，则能够说明序列间关联度越高。该方法处理与计算更加便捷，更加适合工程造价评估指标的选择与确定。

1. 参考数列和比较矩阵的选择

在工程造价工作中，比较矩阵作为一种特性指标，其有着重要的作用，如果工程样本为m，指标特性有n个，比较矩阵X具体表示如下：

X= x₁₁ x₁₂ ... x_1n x₂₁ x₂₂ ... x_2n x_m1 x_m2 ... x_mn （1）

在成本造价评估过程中，确定单方造价为参考数列值，对单方造价以及不同类型特征指标间存在的关联度进行对比，如果越高，则能够说明其与特征值间更为密切。参考数列值的具体计算如下：

Xi0={x10，x20，...，xm0}，其中Xi0主要指的是单方造价数值。

2. 指标值处理

为了最大程度上保障评估精确度以及不同指标的等效性，通过线性化方法对不同类型指标进行归一化处理，公式为：Xij=

3. 关联度计算

灰色关联系数通常只能体现单个样本当中相关指标关联度，因此，其具有一定片面性，所以需要选择多种不同类型样本，并通过均值法进一步明确指标关联度。通过对关联度排序，可得出关联度如果越大，第j个指标和成本造价的实际变化发展趋于一致，也就是Xj对X0的影响越大，根据相关要求，保留较大关联度指标^[2]。

2.BP神经网络成本造价评估模型构建

2.1 BP神经网络具备的特点

1. 分布式存储

BP神经网络是一种基于人脑组织特征的新型数据处理系统，其具有人脑的多种特征。BP神经网络存储和以往传统计算机存储的方法相比较，有着很大的区别，相同的数据，不会在同一个区域储存，分布于神经节点连接结构当中^[3]。

2. 并行式处理

神经网络当中，任何一个神经节点都是可以接收信息的，并且可进行独立的运算与处理，同时将结果传输至接下来的神经网络，完成数据处理^[4]。

3. 信息容错性

神经网络结构表现为空间和结构分布存储方面，该特性能够让神经网络具有良好的容错性，如果部分神经节点一旦遭到破坏，也能够保障对网络不会造成严重的影响。当数据发生变形或者是残缺时，神经网络也会结合相关部分数据及时进行修复。

4. 数据自适应性

其主要指的是针对具体环境实际需求，逐渐调整自身特性，主要表现为：训练环节中，当外界环境一旦发生改变，经过训练后，其能够对相关网络参数进行实时调节。当受到刺激时，可结合相关要求，对神经节点连接部分进行调节，并组建网络^[5]。

2.2 BP神经网络结构

BP神经网络是一种新型的学习算法，其可实现前向多层误差反向传播，并且具备多个隐含层，不同层间是互联状态，同层中节点通常并未连接，每一层都是由不同的神经元共同组成。如果BP神经网络输入节点存在n个，节点数量为q。输入与输出矢量则为X=（x1，x2，xn），y=（y1，y2...，yn），输入层以及隐含层可用i、j表示，隐含层当中的神经节点j阀值为^[6]。

2.3BP神经网络误差

BP神经网络输出和预估值之间存在较大误差时，针对相应的规则，对连接系数进行调整，这样能够有效提升其整体性能，从而达到理想状态水平，可对其进行正确对比，输出值便是理想值^[7]。

2.4网络参数设计

通过对BP神经网络学习率设置，标准学习算法当中，取值区间为（0,1）间的一般常数，模型构建环节中，确定学习率是比较困难的，当学习率过小，会导致模型训练的次数增加，因此，需要增大学习率，相反，如果太大，会导致发生振荡情况。调节方法比较多，其最主要的目的是为了保障在训练环节当中，能够使得学习率最大程度上发挥其调节作用，因此，选择比较常用的学习率调节方式 ^[8]。

2.5 BP神经网络结构

BP神经网络是多级的，主要元素有节点和联结。神经元存在差异， 网络包括三个部分，分别是进值级、非显现级、出值级。相同层的神经元之间不存在连接输入层、隐含层和输出层间通过神经元逆向联结。图2是包含了一个输入层、一个隐含层和一个输出层的BP神经网络。

图2 三层BP神经网络结构

2.6仿真实验数据分析

为了进一步证明BP神经网络下的高层建筑工程成本造价评估模型准确性与有效性，通过选择不同的高层建筑工程项目，其样本数据源自于工程造价信息网，采用信息网数据之前，应组织相关专业工程师进行经验主观性和判断分析甄别筛选等工作，摈弃不合理的数据，从而保障数据区域统一性，样本数据间相似度大，不会降低模型精准度，并对数据与定性指标相结合，进行预处理，通过筛选之后，结合样本数据指标值，构建神经网络评估模型，通过Matlab软件开展仿真实验，并对结果和相关文献进行对比，结合对比结果，文献[1]与[2]误差率在16.9%与16.7%，本文方法的误差值更小，且控制在了10%以内，符合相关规定要求。同时还对不同方法的评估速度进行了综合分析对比，在进行相同目标评估过程中，该方法评估速度比文献当中使用方法需要的时间更少，且评估效率也比较高。主要是由于该方法的学习率设置更为合理恰当，BP神经网络有着良好的分布式数据存储以及信息处理功能，容错性能良好，同时其数据处理自适应能力也比较强。

3.结束语

随着城市化进程的步伐逐渐加快，城市基础设施日益完善，人流量越来越密集，使得高层建筑逐渐成为今后建筑行业的主要发展方向，面对项目规模不断扩大，其投资成本也在不断增加，工程成本造价对项目的投资与收益具有重要的现实意义。所以，文章通过BP神经网络对高层建筑成本造价评估模型进一步深入研究。首先，通过灰关联分析方法逐步构建评估指标体系，其次，对神经网络特征进行分析，明确具体网络结构，并对权值进行全面调整，设置优化学习率，并对造价参数融入进神经网络当中，建立评估模型。结果表明，该方法能够有效减少主观因素的影响，从而有效提升评估效率，实现快速精准评估的最终目的。

参考文献：

1. 操双春. 基于BP神经网络的绿色建筑造价成本估算模型[J]. 引文版：工程技术, 2019, 000(013):P.249-249.

2. 蒋红妍, 白雨晴. 基于灰关联的PSO-BP神经网络的高层住宅造价估算[J]. 工程管理学报, 2019, v.33;No.164(01):33-37.

3. 杨无疆, 林玲. 基于BP神经网络的工程造价快速估算模型[J]. 建筑经济, 2019(09):53-55.

4. 安玉华, 侯金惠. 基于模糊神经网络的绿色建筑造价成本估算研究[J]. 吉林建筑工程学院学报, 2017, 034(004):87-91.

5. 乔超. 建筑工程造价的BP神经网络预测模型研究[J]. 建筑工程技术与设计, 2018, 000(034):1154.

6. 莫连光, 洪源. RS-IPSO-BPNN模型在建筑工程估价中的应用[J]. 计算机工程与应用, 2019, 000(021):19-23.

7. 王树强, 陈立文. 轻轨项目分项工程投资风险评价模型设哥——基于BP神经网络的投资风险分析[J]. 计算机工程与应用, 2019.(02)22-23

8. 孙安黎, 向春, 伍焓熙. 基于BP神经网络的输电线路工程造价预测模型研究[J]. 现代电子技术, 2018, v.41;No.505(02):79-82.