基于地統計學快速拓階的工程造價預測模型

朱琳 劉春

文章編號： 2095-2163（2018）03-0166-03中圖分類號： 文獻標志碼： A

摘要： 關鍵詞： （Sichuan College of Architectural Technology， Network Management Center，Deyang 618000， China）

Abstract： The project cost prediction and modeling has important practical significance. In view of the deficiency that the current project cost prediction model has – slow speed of extension and incomplete extension， combined with the characteristics of engineering cost data， this paper proposes a prediction model of project cost based on rapid expansion by using geostatistics. First of all， the current research status of the cost prediction is analyzed， then the working principle of the geology system is analyzed， and the rapid extension method of the engineering cost data is designed， finally， the simulation of the engineering cost prediction is carried out to verify the performance of the model. As a result， the prediction accuracy of the project cost of this model is up to 95%， and the modeling time of the project cost is less than that of other engineering cost forecasting models.

Key words：

基金項目： 四川建筑職業技術學院2015年院級科研項目（2015KJ07）階段性研究成果之一。

作者簡介： 朱琳（1983-），女，碩士，副教授，主要研究方向：計算機網絡管理； 劉春（1981-），男，碩士，講師，主要研究方向：計算機網絡管理。

收稿日期： 引言

隨著國內經濟水平的不斷提高，新工程越來越多。工程造價的預估在工程管理過程中起到關鍵作用，直接影響到工程造價的成本、工程進度和質量，因此，工程造價建模與預測一直是人們關注的焦點和重點＼[1＼]。

為了獲得更優的工程造價預測結果，本文設計了一種基于地統計學快速拓階的工程造價預測模型。首先通過分析工程造價的數據結構，發現工程造價數據之間具有明顯的時間變化關系，然后引入地統計學理論對工程造價數據之間的時間變化關系進行擬合，實現快速拓階，并通過仿真對比實驗對模型的性能進行分析。本文提出模型的工程造價預測精度達到95%，工程造價預測誤差小于目前工程造價預測模型，工程造價建模時間也明顯縮短，模型有較好的改進。

1工程造價預測的研究現狀

人們對工程造價預測問題進行了大量的研究，目前常用的工程造價預測模型可以分為2大類：線性模型和非線性模型。其中，線性模型主要包括：模糊數學方法和多元線性回歸法＼[2-4＼]，通過模糊數學知識和回歸理論實現工程造價的預測，但是無法描述工程造價的非線性變化特點，導致工程造價的預測精度低＼[5-7＼]。非線性模型主要包括各種神經網絡和支持向量機，該模型具有良好的非線性擬合能力，并能得到較理想的工程造價的預測結果＼[8-10＼]。研究人員發現，在工程造價預測過程中，工程造價數據是一種時間序列數據，數據之間存在一定的時間關聯性＼[11-13＼]，而時間關聯性由階來體現，因此如何快速確定工程造價預測數據的最優階數十分關鍵。如果工程造價預測數據的階數過小，則無法將數據之間的時間聯系完全展開，如果工程造價預測階數過大，將會加入一些沒有聯系的數據，且模型的輸入向量數變大，易出現“維數災難題”。地統計學是一種現代的統計學方法＼[14-15＼]，有學者將其引入到其它時間序列的拓階中，獲得了比較理想的結果。本文將其引入到工程造價數據的拓階中，構建更加理想的工程造價學習樣本，以提高工程造價的預測精度。

2基于地統計學快速拓階的工程造價預測模型

2.1地統計學理論

1962年，法國學者Matheron G提出了地統計學，其根據區域化變量的原理分析一個問題的空間相關性，從而可以用于一些數據之間的變化趨勢，以變差函數為工具描述數據之間聯系的緊密程度，在時間序列建模和預測中已有相關研究和報道＼[10＼]。設研究對象在第xi和xi+h時間點的觀察值分別為Z（xi）和Z（xi+h），則這兩個數據之間的關系緊密程度可以用變差函數描述。一個時間序列：Z（xi），i=1，2，…，n，其中n表示數據的大小，其變差函數表示為：

γ（h）=12N（h）∑N（h）i=1Z（xi）-Z（xi+h）2（1）

協方差函數表示為：

Cov[Z（xi），Z（xi+h）]=EZ（xi）Z（xi+h）-

EZ（xi）]E[Z（xi+h）（2）

采用不同時間長度h對一個研究對象的數據進行分割，根據式（1）可以得到不同的γ（h），變差函數曲線如圖1所示。

從圖1中可以看出，開始隨著h值變大，γ（h）也相應變大，但當到達一定程度后，γ（h）處于一種穩定狀態，此時γ（h）值定義為基臺值，用C0+C表示，C0表示γ（h）在y軸上的截距；數據之間的變化程度為變程，用α表示。γ（h）曲線常采用球狀模型，表示為：

γ（h）=0h=0

C0+（C-C0）（3h2α-12（ha）3）0

C0+C h>α（3）

通常工程造價數據具有一定規律性，因此可以通過α確定工程造價數據的階數。

2.2基于地統計學快速拓階的工程造價預測步驟

基于地統計學快速拓階的工程造價預測步驟可表述如下：

步驟1收集工程造價預測研究對象的數據，并采用式（4）對數據進行歸一化處理，使工程造價數據的值在＼[0，1＼]范圍內。y′i=yi-min（yi）max（yi）-min（yi）（4）步驟2采用地統計學對歸一化后的工程造價數據進行拓階，根據變程α的值得到工程造價數據的最佳階數。

步驟3根據最佳階數對工程造價數據進行拓階處理，構建工程造價預測的學習樣本。

步驟4采用支持向量機對工程造價的訓練樣本進行學習，并確定相應參數σ的值，建立工程造價預測的回歸模型。

步驟5采用工程造價的測試樣本驗證工程造價預測模型的泛化性能，對預測結果進行對比和分析。

綜合所述，基于地統計學快速拓階的工程造價預測流程如圖2所示。

3實驗分析

3.1測試環境及數據

為了測試基于地統計學快速拓階的工程造價預測性能，本文采用的測試環境為：Intel（R） Core（TM） i5-7200U CPU @ 2.50 GHz，4.00 GB 內存，Windows 10家庭中文版，采用VC 6.0作為模型的編程工具，采用某市2014-2017年的每月工程造價數據作為研究對象，同時去掉一些異常數據，共得到100個數據點，歸一化后的工程造價數據如圖3所示。

3.2結果與分析

采用地統計學對圖3的工程造價數據進行拓階，得到變程α=5，根據α=5對圖3工程造價的月數據進行重構，得到95個工程造價預測的學習樣本。選擇最后30個樣本作為工程造價的測試樣本，其余工程造價樣本作為訓練樣本。本文采用支持向量機作為回歸工具建立工程造價的回歸模型，得到工程造價的測試樣本回歸結果如圖4所示。從圖4可以看出，本文模型可精確擬合實際的工程造價值，預測精度在95%以上，工程造價的預測結果比較理想。

本文設計了幾種對比模型來進一步說明本文工程造價模型的優越性，對比模型如下：

（1）隨機確定階數、支持向量機的工程造價預測模型（SVM1）。

（2）一步一步拓階、支持向量機的工程造價預測模型（SVM2）。

統計工程造價預測模型的精度和訓練時間，結果見表1。

模型訓練時間/s預測精度/%SVM142.87684.54SVM2500.2394.48本文模型110.77496.12從表1可以看出，本文模型的工程造價預測精度最高，同時本文模型的訓練時間也明顯減少，雖然SVM1的訓練時間最短，但是預測精度太低，沒有達到工程造價實際應用85%的要求，無任何實際應用價值，而本文模型的優勢主要是引入了地統計學快速、準確拓階的優點，得到了更好的工程造價預測結果。

4結束語

本文針對當前工程造價預測建模過程中存在的缺陷，設計了一種基于統計學快速拓階的工程造價預測模型，并進行了仿真驗證性實驗，根據仿真結果可以得出如下結論：

（1）工程造價數據之間具有明顯的時間關聯，通過地統計學能夠快速挖掘工程造價數據之間的時間關聯性，準確地實現工程造價數據拓階，構建工程造價預測模型的學習樣本。

（2）本文模型的工程造價預測精度和建模速度均要優于當前其它工程造價預測模型，并獲得了更優的工程造價預測結果，其結果可以幫助工程管理人員掌握工程造價變化特點，有效控制工程造價的成本。

參考文獻

[1] 梁迅. 建筑工程單方造價快速估算方法綜述＼[J＼]. 廣東工業大學學報，2012，29（3）：107-110.

[2] 張利榮，鄭健華. 基于計價基元的工程估價方法研究＼[J＼]. 施工技術，2011，40（12）：92-95.

[3] 易欣. 基于Vague集貼近度的工程項目投資快速估算方法＼[J＼]. 華東交通大學學報，2012，29（3）：11-15.

[4] 陳小龍，王立光. 基于建筑設計參數分析模型的工程造價估算＼[J＼]. 同濟大學學報（自然科學版），2009，37（8）：1115-1121.

[5] 張利榮. 多基元模糊算法在工程估價中的應用＼[J＼]. 施工技術，2010，39（6）：64-66.

[6] 胡六星. 基于時間序列的建筑工程造價預測研究＼[J＼]. 太原理工大學學報，2012，43（6）：706-709，714.

[7] 張登文，蔣紅妍，張子圓. 基于BP神經網絡的建筑工程造價快速預測＼[J＼]. 水利與建筑工程學報，2010，8（3）：61-62，73.

[8] 雷雨. 基于BP神經網絡和vague集貼近度的工程造價估算研究＼[J＼]. 工程經濟，2013（3）：9-13.

[9] 孔軍，曹小宇，肖峰. 基于支持向量機的輸變電工程造價預測模型研究＼[J＼]. 現代電子技術，2018，41（4）：127-130.

[10]李星，陳淵，張永生，等. 基于支持向量回歸與地統計學的多維時間序列分析＼[J＼]. 中國農學通報，2011，27（29）：133-138.

[11]趙曉娟. 人工神經網絡在建設工程造價估算系統中的應用＼[J＼]. 計算機與數字工程，2009，37（11）：54-57.

[12]周麗萍，胡振鋒. BP神經網絡在建筑工程估價中的應用＼[J＼]. 西安建筑科技大學學報（自然科學版），2005（2）：262-264，296.

[13]柳茂. 混沌理論和最小二乘支持向量機相融合的工程造價預測模型＼[J＼]. 內蒙古師范大學學報（自然科學漢文版），2015，44（3）：333-338.

[14]秦中伏，雷小龍，翟東，等. 基于SVM和LS-SVM的住宅工程造價預測研究＼[J＼]. 浙江大學學報（理學版），2016，43（3）：357-363.

[15]鄭周練，鄧紹江，高師嫻，等. 建筑工程造價的模糊確定＼[J＼]. 重慶大學學報（自然科學版），2001（1）：55-58.