人工智能在工程估價中的應用研究

陳力攀CHEN Li-pan

（百色學院，百色533000）

0 引言

工程建設項目的實施階段包括項目投資決策階段、工程設計階段、工程招投標階段、工程施工階段、工程項目竣工驗收階段，從工程項目造價控制的角度來看，越是前期階段對工程造價的影響越大，在建設項目的投資決策階段可以100%影響建設項目的工程造價，到了工程施工階段對工程造價的影響只有10%左右。因此在投資決策階段快速準確地對工程項目進行估價具有非常重要的意義。

1 傳統工程估價方法及其不足

傳統的工程估價方法主要有單位生產能力投資估算法、生產能力指數估算法、系數估算法。[1]

1.1 單位生產能力投資估算法

這種方法是根據同類型項目每單位生產能力需要的總投資數額來估算擬建項目投資數額的方法，將同類型項目的總投資數額與項目的生產能力的關系視為簡單的線性關系，估算結果與實際數額的差距比較大，誤差較大。運用單位生產能力投資估算法時，必須注意擬建項目與同類型項目具有可比性，才能盡量減少估價誤差。

1.2 生產能力指數估算法[2]

這種方法又稱為指數估算法，是根據已經建成的、相類似的建設項目的總投資數額和生產能力與擬建建設項目的生產能力來估計擬建項目的總投資數額的方法。該方法估價的精確度比單位生產能力估算法稍高一些，估價誤差大致可以控制在百分之二十以內，估價誤差依然比較大，但這種方法也有一些好處：指數估算法不需要詳細的建設工程項目的設計圖紙，只需要了解工藝流程及規模，但要求類似工程與擬建工程的各方面資料條件大致相同，否則估價誤差將會變大。

1.3 系數估算法

該方法也稱為因子估算法，是以建設項目的主體工程費或者主要設備購置費作為基數，以其他工程費與主體工程費或者主要設備購置費的百分比率為系數估算項目的投資數額的方法。該方法比較簡單，容易實行，但是對擬建工程工程估價的精確度比較低，一般情況下用于建設項目的建議書與可行性研究階段。這種估價方法的分類比較多，設備系數法和主體專業系數法是我國經常使用的系數估算法，世界銀行項目的投資估算經常用的方法是朗格系數法，該方法的估算誤差在百分之十五以內。

2 人工智能在工程估價中的應用

隨著人工智能算法的不斷深入研究，人工智能與工程估價結合產生了一些新的預測方法，例如神經網絡方法、案例推理方法、遺傳算法等。

2.1 多元回歸方法

多元回歸方法包括BCIS 工程造價估算方法、Kouskoulas 工程造價回歸估算方法，該方法適用于求解各種線性組合問題，對于非線性問題的求解具有較多不足，而工程造價是非線性問題，求解函數非常復雜，該方法在工程估價中的應用效果不理想。

2.2 神經網絡方法[3]

該方法是一種仿生物神經系統結構的人工智能方法，可以自動地從數據樣本中學習經驗，自動逼近那些反映樣本數據規律的函數，揭示數據樣本的非線性關系，神經網絡方法具有能逼近各種函數的非線性反映能力，在建立工程造價估價模型方面有非常好的應用。部分研究人員正在從事利用神經網絡方法進行工程造價快速估算方面的研究，并取得了一些研究成果。神經網絡方法利用已建工程項目的基本資料，通過建立項目工程特征和資源消耗數量之間的關系來完成工程估價的任務，但是實際工程項目往往很復雜，神經網絡方法雖能較好的預測出工程的造價，但是該方法存在訓練學習效果不穩定、容易陷于局部極小值、容易振蕩以及結構參數、隱含層的節點數量難以確定等缺點，一個設計得非常好的神經網絡，如果事先沒有對影響估算結果的因素進行認真細致的分析，估算結果往往會和實際數額相差非常大。

2.3 案例推理方法[4]

該方法是人工智能研究領域中一種利用以往案例對新的目標問題進行求解的推理方法，該方法模擬人類專家解決實際問題的思路，將以往案例作為經驗，對新問題進行推理求解，求解的主要過程包括案例檢索、案例重復使用、案例不斷修正和案例學習，目前該方法已經在控制、決策領域取得較為成功的應用。估算建設項目的工程造價主要發生在工程建設項目的投資與決策階段，這個階段所確定的建設工程的各方面資料還很不全面，很多建設工程項目的信息只是大概確定，傳統估價方法對擬建工程項目的估價的精確度比較低，很難滿足工程項目投資決策階段造價控制方面的要求。而基于案例推理的估價方法，主要是借助以往數據資料和經驗來估算當前工程的造價，可以為保證數據的準確性提供依據。案例推理方法的優點是推理過程相對直觀、簡單、容易理解，模型建立后計算比較簡單，缺點是收集案例和建立推理模型比較麻煩，而且權系數等參數主要靠經驗確定，并且需要不斷調整模型，增大建模難度。

2.4 遺傳算法

這種人工智能算法是根據生物進化規律而設計出來的，是模擬生物進化過程的計算模型，通過模擬生物進化過程來搜索最優解的方法，利用計算機仿真模擬運算，將求解某些問題的過程轉換為生物染色體基因的遺傳和變異過程。在求解比較復雜的優化組合問題時，該算法通常可以比較快地獲得很好的優化結果，具有非常好的整體搜索能力，可以快速搜索出解空間中的全體解，而且利用該算法的內在并行性，能夠進行分布式計算來提升求解速度。但是該算法的局部搜索能力比較差，如果單一使用遺傳算法會比較費時，搜索效率將會比較低。因此在實際應用中，一般將遺傳算法與其他方法結合形成組合預測方法，以克服單一使用遺傳算法的不足。

3 建立以神經網絡技術為基礎的工程估價專家系統

神經網絡、案例推理、遺傳算法等人工智能方法在工程快速估價方面比較有效，但是對于實際復雜工程項目，采取單一的方法都存在不足，為克服單一方法的不足，建立以神經網絡技術為基礎的工程估價專家系統，該專家系統主要有兩個方面的內容：一是采用基于神經網絡的組合預測方法，根據工程項目的不同特點，該組合預測方法采用神經網絡結合案例推理或者神經網絡結合遺傳算法；二是建立工程造價信息數據庫；在此基礎上工程造價專家針對具體工程項目特點對工程造價進行估算。

3.1 基于神經網絡的組合預測方法

神經網絡方法是人工智能技術中應用得最為廣泛的算法，該算法具有非常好的實用性和通用性，可以不斷學習新樣本，而且隨著訓練學習數量的增加不斷提高其預測能力和學習能力，該方法非常適用于工程估價領域，因為工程估價需要從大量以往工程造價數據中不斷提取各種有用信息，進行工程估價預測，輔助項目投資決策。神經網絡方法具有能逼近各種函數的非線性反映能力，在建立工程造價估價模型方面有非常好的應用，但是該方法也存在訓練學習效果不穩定、容易陷于局部極小值、容易振蕩、以及結構參數、隱含層的節點數量難以確定等缺點，為克服單一方法的不足，本文提出了基于神經網絡，同時結合案例推理或遺傳算法的組合預測方法，根據工程項目的不同特點，該組合預測方法采用神經網絡結合案例推理或者神經網絡結合遺傳算法。

3.2 建立全國性工程造價信息數據庫[5]

基于神經網絡的組合預測方法需要從大量以往工程造價數據中提取各種相關信息，進行工程估價預測，以往工程造價數據越真實越全面，工程造價的估算就越精確，建設全國性工程造價信息數據庫已經成為非常迫切的需要。近30 年我國基礎建設迅速發展，基礎建設行業積累了大量的工程造價數據，工程造價信息的大數據時代很快就會到來，將各地區、各行業有關工程造價信息資源收集并統一整理，改造并升級原有的工程造價數據庫建設；建設以統一代碼系統和科學分類為基礎的工程造價信息數據庫，對真實的已有數據進行錄入、重新整理和分析，形成各種工程造價單位指標和比較基準，充分發揮已有工程造價信息的最大價值。全面完善的工程造價信息數據庫可以為工程估價提供堅實基礎，為投資者提供投資決策依據，提高工程造價概算等造價文件的準確度，也可以為工程施工企業提供各種建筑耗材的消耗指標。

4 結論

傳統的建筑工程估價方法主要有單位生產能力投資估算法、生產能力指數估算法、系數估算法，這些方法的估算誤差比較大，很難滿足工程項目投資決策階段造價控制方面的要求，人工智能技術可以在工程估價領域發揮非常重要的作用。

①神經網絡、案例推理、遺傳算法等人工智能方法在工程快速估價方面比較有效，但是對于實際復雜工程項目，采取單一的方法都存在不足；

②基于神經網絡的組合預測方法需要從大量以往工程造價數據中提取各種相關信息，進行工程估價預測，以往工程造價數據越真實越全面，工程造價的估算就越精確，建設全國性工程造價信息數據庫已經成為非常迫切的需要；

③本文提出了基于神經網絡，同時結合案例推理或遺傳算法的組合預測方法，該組合預測方法能夠克服單一方法的不足，但是還需要將該方法和相關軟件結合起來，針對不同工程項目的特點對相關軟件進行二次開發，才能夠在復雜的實際工程項目的工程估價中得到更好的應用。