公路工程造價預估模型探究與應用

李楠

（新疆交通投資有限公司，新疆 烏魯木齊 830000）

為有效控制公路工程成本，實現公路工程造價科學管理，以及保證后期公路養護的資金充足，相關部門需在保證公路工程質量的基礎上，對公路工程造價做到精準預估[1，2]。目前用于公路工程造價預估的有效手段為預估模型，即根據實際情況及目前市場勞動力和施工材料價格，構建相應的公路工程造價預估模型，利用模型實現對公路工程造價的精準預估[3]。但是，現有的預估模型在實際應用中存在較大的誤差，導致預估模型的kappa系數值較低，無法滿足預估需求，為此提出公路工程造價預估模型探究與應用。

一、公路工程造價預估模型設計

（一）公路工程造價預估模型輸入神經元的選取

將公路工程造價視為一個抽象的開放系統，其受到多種因素影響，為了準確預估出公路工程造價，必須要準確選取造價影響因素，確定相關變量，將其視為預估模型的神經元，從而組建預估模型的模糊邏輯。首先利用模糊理論將所有公路工程造價影響因素構建一個因素集，并為影響因素之間建立合理的模糊偏好關系，從模糊偏好關系中導出因素的優先權重，根據該權重值排序各個影響因素，對于影響因素的優先權重的計算采用順序求合法計算，將排序好的因素組成一個序列集，從而構建出預估模型的模糊理論，計算出公路工程特征各個變量的影響長度系數，選擇出公路工程造價預估模型輸入神經元。

（二）基于神經網絡構建預估模型

根據模糊理論選取的神經元作為公路工程造價預估的重要指標，對其預處理。將選取的神經元輸入到神經網絡中，作為特征指標體系，將預估值作為神經網絡的輸出集指標。本文結合神經網絡特征及公路工程造價預估需求，采用數字1、2、3分別代表路基結構、框架結構和框剪結構予以量化。為了消除結構量化對公路工程造價預估結果的影響，歸一化處理量化后的數據，處理公式如式（1）所示：。式中，y表示歸一化處理后的神經元數值；k表示歸一化處理系數，通常情況下該系數值為0.1；x表示量化后的神經元數值。利用上述公式歸一化處理量化后的神經元數值，數據分別在[0-1]區間內。將處理好的神經元構建神經網絡結構，神經網絡結構由輸入層、輸出層和隱含層組成，最關鍵的是確定神經網絡隱含層神經元的數量，數量過多或過少都會影響到公路工程造價計算精度。根據科爾莫科洛夫定理確定神經網絡隱含層神經元數量，計算公式如式（2）所示：。式中，x表示神經網絡隱含層神經元數量；n表示神經網絡輸入層節點數量。利用上述公式計算出神經網絡隱含層的數量，組建適用于公路工程造價預估的神經網絡，從而構建公路工程造價預估模型，其步驟分為三步。

第一步：在神經網絡中選取newff函數作為公路工程造價相關變量參數設置函數，該函數如式（3）所示：。式中，net表示公路工程造價預估模型的神經網絡；表示模型輸入向量的取值范圍；S1表示神經網絡輸入層的神經元數量；q1表示神經網絡輸入層的傳遞函數；p表示神經網絡的訓練函數；B表示神經網絡對公路工程造價相關變量優先權值學習函數。利用該函數設置輸入工程公路造價預估模型的相關變量。

步驟二：設置公路工程造價預估模型相關變量后，在神經網絡中選中TYY函數訓練公路工程造價相關變量，該函數如式（4）所示：。式中，net表示步驟一已經訓練好的神經網絡；e表示公路工程造價相關變量訓練過程記錄；NET表示待訓練的公路工程造價相關變量數據；Q表示公路工程造價預估模型輸入數據矩陣；E表示公路工程造價預估模型輸出數據矩陣；T表示神經網絡初始化輸入層條件；U表示神經網絡初始化輸出層條件。利用式（4）訓練和學習輸入到神經網絡的公路工程造價相關變量。

步驟三：在步驟二的基礎上，在神經網絡中選擇PPR函數作為預估模型的預測函數，該預測函數如式（5）所示：。式中，PPR表示預估函數；w表示最終預估值；net表示訓練好的神經網絡；x表示神經網絡輸入的公路工程造價相關數據。利用式（5）完成對公路工程造價的最終預估計算，將其作為神經網絡輸出數據，從而得出公路工程造價預估模型計算結果。

二、實驗論證分析

實驗以某公路工程為對象，該公路工程預計歷時36天，建設面積為5963.26m，修建長度為1562m，修建寬度為22.5m，實驗利用此次設計模型與傳統模型預估該公路工程造價。實驗中兩個模型的計算均在MATLAB操作平臺上，操作過程如下：首先打開MATLAB操作平臺中神經網絡工具箱編輯神經網絡，然后在神經網絡中輸入100組樣本數據反復學習訓練，不斷調整神經網絡的預測性能，在訓練達到90步時神經網絡精度達到實驗要求。此時，在MATLAB操作平臺中打開設計模型，將相關數據輸入到模型中，并將剩余的樣本數據的指標數據輸入到神經網絡中，利用預估模預測造價，并在該操作平臺上完成預估值的反歸一化處理。最后比較兩個模型的預估結果與實際值，利用IJGD軟件計算兩個模型的kappa系數值，kappa系數是反應預估結果與實際值的一致性，如果kappa系數值越大，則表示模型預估結果與實際值越接近，模型的預估精度越高。kappa系數值在0.5～1.5之間，將其作為實驗結果，對比分析兩個公路工程造價預估模型kappa系數值，實驗結果如表1所示。

表1 兩個模型kappa系數值對比

從上表可以看出，此次設計的公路工程造價預估模型kappa系數值基本接近于1.5，說明該模型預估結果與實際值基本相符，預估誤差較小；而傳統模型kappa系數值最高僅為0.96，最小kappa系數值為0.59，說明傳統模型預估結果與實際值相差較遠，預估誤差較大。這是因為本文涉及的公路工程造價預估模型應用了神經網絡技術，利用神經網絡訓練功能大量反復訓練造價數據，不斷提高預估精度。通過以上實驗數據證明了本文設計模型具有較高的預估精度，更適用于公路工程造價預估。

三、結語

本文結合模糊理論及神經網絡技術理論，探究公路工程造價預估模型方面的構建及應用，得出以下結論：模糊理論與神經網絡技術的應用，對提高公路工程造價預估模型精度具有重要應用價值，有利于克服公路工程造價預估模型精度低的缺點及模型泛化能力差的不足。為提高公路工程造價預估模型設計水平，以及推廣公路工程造價預估模型的廣泛應用具有重要的現實意義。