基于智能化信息處理的建筑工程造價短期預測

【摘要】智能化信息管理具有現代化的組織框架作為保障，企業通過對智能化信息管理的應用于建設，能夠獲取可作用于經營管理活動的數據服務以及指令支持。需要注意的一點是：由于在智能化信息的處理過程當中，相關數據信息的流動具有一定的被動型特征，故而對于企業管理者而言，為了能夠確保信息資源的全面共享，就需要自發、主動的參與到對數據信息的采集、收集、整理、以及應用過程當中。文章以建筑工程造價的短期預測作為研究對象，在建筑工程造價短期預測中引入智能化信息處理的相關技術與方法，并針對該問題展開探討，望能夠促進建筑工程造價短期預測精確性、及時性水平的提升。

【關鍵詞】智能化信息處理；建筑工程；造價；短期預測；分析

智能化的信息處理系統建立在計算機模型以及人機對話交互系統的基礎之上，通過參與信息采集環節、信息傳遞環節、信息加工環節、信息儲存環節的方式，使建筑工程造價信息能夠得到及時的共享。這種全新的智能化信息管理模式成功取代了傳統意義上，以人工為主題的業務處理模式，使得建筑工程管理期間，管理層所獲取的信息資源更加的精確與安全，相關決策的執行也更加的可靠。從建筑工程造價領域的研究角度上來說，將智能化信息處理技術與工程造價短期預測工作相融合，使得包括施工用料、單位面積造價在內的各種造價相關信息能夠得到及時的更新，同時納入對市場價格行情的把握，對于提高工程造價短期預測的質量、針對性而言意義突出。本文即主要針對以上相關問題，展開系統分析與探討。

1 基于智能化信息處理的建筑工程造價短期預測思路分析

相關的實證研究資料顯示：建筑工程造價屬性相互之間存在一定的隱性關系。若按照常規方法，直接應用神經網絡及其相關技術輔助完成建筑工程造價的短期預測工作，可能因結構復雜兒對預測質量產生不良的影響，造成比較大的工程造價偏差問題。為此，有關研究人員提出需要以智能化信息處理技術為出發點，展開對建筑工程造價的短期預測，在構建預測模型的過程當中綜合對家住工程造價觀測屬性的集合，同時將各種可能對工程造價產生影響的因素納入考量。

按照以上方式，所形成的建筑工程造價觀測屬性集合可以表示為：

Ax={ B1，B2，…，Bn }；

該表達式當中，Ax可定義為各種條件相互影響下，整個建筑工程造價所對應的最終觀測屬性；B1，B2，…，Bn所指的是建筑工程項目開展全過程當中，可能影響工程造價的主要因素（常見的影響因素包括：施工材料用量因素、建筑施工結構形式因素、建筑工程建設選型因素等在內）。按照此種方式，對于建筑工程造價屬性以及預期建筑工程造價之間的關系還可聯通Ax，形成如下矢量關系：

X=（x1，x2，…，xn）∈Rn；

根據以上分析，需要注意的是：在引入智能化信息處理技術的條件之喜愛，建筑工程短期預測工作的開展需要與建筑工程造價觀測屬性集合之間形成一種基于非線性相關的集合關系，對應的表達式為：

F：{X1，X2，…，Xn}→z

2 基于智能化信息處理的模塊功能分析

研究顯示，在引入智能化信息處理模塊進行造價短期預測的過程當中，有兩個方面的問題需要引起特別的重視：首先，同一類別下建筑工程造價觀測屬性的關聯性水平明顯高于不同類別建筑工程造價相互之間的觀測屬性關聯度。因此，需要對下屬的觀測屬性進行必要的重構處理。通過屬性重構的方式能夠實現在造價屬性挖掘過程當中，所挖掘造價屬性是表征能力更為突出的且降維的造價屬性。具體的屬性重構操作方法為：通過應用獨立分量分析技術的方式，對建筑工程造價屬性進行高階去相關處理，以及去除冗余處理，在降維狀態下獲取建筑工程所對應的獨立化屬性集合；其次，從建筑工程造價短期預測的角度上來說，神經網絡下的預測模塊可具體劃分為輸入層、隱含層、以及輸出層鎮三個方面。所需要輸入神經元的數量應當根據造價獨立屬性信息加以選取，根據輸入神經元與建筑工程造價的模型訓練方式確保整個短期預測模型建模的可靠性。

3 實例分析

以某建筑工程月度工程造價指標數據為例，在對造價進行短期預測的過程當中，剔除設備安裝以及水電安裝工程產生費用對工程造價的影響情況。在瓷嵌體下，建筑工程造價的主要預測內容包括以下兩個方面：其一為建筑工程造價指標；其二為建筑工程材料費指標。智能化的信息處理過程當中，可以將以前年度相關的建筑工程造價指標設置為訓練集，將以后年度相關的建筑工程造價指標設置為測試集。在按照前述方式進行工程造價短期預測的過程當中，要求遵循以下幾個操作步驟：

步驟一，構建建筑工程造價相對應的建筑工程造價觀測屬性集合。同時，還需要根據該對應關系，構建建筑工程造價指標、建筑材料費用指標相應的類屬性集合關系，具體的集合表示方式如下所示：

首先，對于工程造價而言，在建筑工程短期造價預測的過程當中，以工程造價作為類屬性，對應關系表示為：

{目標月前5個月建筑工程造價指標，目標月后5個月建筑工程造價指標}∈R5；

其次，對于建筑工程材料費而言，在建筑工程短期造價預測的過程當中，以建筑工程材料費作為類屬性，對應關系表示為：

{目標月前5個月建筑工程材料費指標，目標月后5個月建筑工程材料費指標}∈R5；

模型首先需要結合建筑工程觀測屬性，聯合上文所提出的屬性重構方式，挖掘有關 5 維建筑工程造價所涉及到的獨立屬性，并將這部分信息作為神經網絡模塊處理中的輸入信息，在此基礎之上進行模型訓練，并通過神經網絡處理模塊完成建筑工程造價短期預測行為。

4 結束語

相關的實踐應用經驗證實，在將智能化信息處理技術作用于建筑工程造價短期預測領域的過程當中，所實現的優勢主要包括以下幾個方面：首先，智能化信息處理下，能夠基于獨立屬性重構的方式完成整個建筑工程造價的短期預測工作，從而使得預測求解的工作效率及求解結果的穩定性水平得到了顯著的提升；其次，建筑工程造價短期預測過程當中，智能化信息處理模塊的訓練效率得到了顯著的提升，從而達到提高對造價短期預測響應質量的目的；最后，短期預測期間預測數據的收斂速度得到了明顯的提升，對于強化建筑工程造價短期預測數據精確度而言意義顯著。希望能夠進一步將智能化信息處理技術作用于建筑工程造價短期預測工作當中，發揮其優勢，為建筑工程造價管控提供必要的數據支持。

參考文獻：

[1] 段曉晨，余建星，張建龍等.基于CS、WLC、BPNN理論預測鐵路工程造價的方法[J].鐵道學報，2006，28（6）：117-122.

[2] 李永明，王玉斌，王穎等.數據挖掘和神經網絡技術的電力工程造價應用[J].重慶大學學報（自然科學版），2008，31（6）：663-666，682.

[3] 凌云鵬，閻鵬飛，韓長占等.基于BP神經網絡的輸電線路工程造價預測模型[J].中國電力，2012，45（10）：95-99.

[4] 胡偉勛.基于GST的工程造價預測模型理論研究[J].中南林業科技大學學報，2011，31（4）：146-150.

[5] 彭光金，俞集輝，韋俊濤等.特征提取和小樣本學習的電力工程造價預測模型[J].重慶大學學報（自然科學版），2009，32（9）：1104-1110.