基于BP神經網絡的公共建筑工程造價預測研究

陳懂娟

摘 ?要：公共建筑工程造價預測是項目可行性分析的重要依據，是比選設計方案的關鍵參照，因此，造價預測結果的精準度及時效性對工程項目投資決策具有重要影響。為解決傳統造價預測方法誤差大、時效性差的弊端，該文提出基于BP神經網絡的公共建筑工程造價快速預測方法，分析公共建筑工程造價預測的影響因子，介紹BP神經網絡預測造價原理及可行性，給出BP神經網絡預測模型的構建方法，并對BP神經網絡預測造價模型的應用效果進行仿真分析。經過模型仿真分析與評價，證實BP神經網絡在公共建筑工程造價預測方面具有良好優勢，比傳統造價預測方法的預測結果更加精準與快速。

關鍵詞：BP神經網絡；公共建筑；工程造價；造價預測；預測模型

中圖分類號：TU723.3 ? ? ?文獻標志碼：A ? ? ? ? ?文章編號：2095-2945（2024）18-0153-04

Abstract： Public construction cost prediction is an important basis for project feasibility analysis and a key reference for comparison and selection of design schemes. therefore， the accuracy and validity of cost prediction results have an important impact on project investment decision-making. In order to solve the disadvantages of large error and poor timeliness of traditional cost prediction methods， this paper puts forward a fast prediction method of public construction cost based on BP neural network， analyzes the influence factors of public building cost prediction， introduces the principle and feasibility of BP neural network forecasting cost， gives the construction method of BP neural network forecasting model， and simulates and analyzes the application effect of BP neural network forecasting cost model. Through model simulation analysis and evaluation， it is proved that BP neural network has good advantages in public construction cost prediction， and the prediction result is more accurate and faster than the traditional cost prediction method.

Keywords： BP neural network; public building; project cost; cost prediction; prediction model

造價投資估算是建筑工程管理的核心，其與項目盈利水平息息相關，因而精準預測工程造價意義重大。公共建筑工程是指提供公共活動場所的公共建筑建設項目，包含辦公、商業、旅游、科教文衛、通信和交通運輸等類型，這些建筑工程往往規模大、投資高，需要提前做好工程造價的預測分析。傳統造價預測方法以回歸理論、統計分析理論為主，預測方法存在精度低、效率差的問題。而神經網絡（Back Propagation，BP）屬于人工神經網絡的一種，可模擬人的智慧展開公共建筑工程造價預測，可以提高造價預測的準確性與時效性。

1 ?公共建筑工程造價預測的影響因子分析

公共建筑工程具有建筑時間長、涉及工序多的特征，在造價預測時存在多個影響因子，這些因子共同作用于公共建筑工程的造價。通過分析工程造價相關資料，結合與土建工程師溝通交流的結果，可以歸納出公共建筑工程造價涉及的影響因子可以分為5類，一是建筑面積相關因子，有建筑面積、占地面積、標準層建筑面積和地下室建筑面積4個因子；二是建筑結構相關因子，包含基礎類別、地基類別、樁基類別、結構類型、樓梯結構形式、外立面及裝修情況7個關鍵因子；三是建筑材料相關因子，為鋼筋價格、混凝土價格2個因子；四是建筑物基本參數，涵蓋層高、層數、建筑總高度、工程質量等級、抗震強度和工期6個因子；五是建筑管理相關因子，由項目管理水平、施工環境、土方處理難度3部分組成[1]。這些影響因子是公共建筑工程造價預測的重要依據。

2 ?基于BP神經網絡預測造價的相關分析

BP神經網絡屬于多層前饋神經網絡，具備誤差反向學習功能是其重要特征。BP神經網絡涵蓋多種映射關系，可采用最速下降法、通過持續性誤差反向學習獲取知識。由于BP神經網絡的內部權值及閥值均具有可調性，因而網絡誤差的平方和相對較低。BP神經網絡由輸入層、隱含層、輸出層3部分結構組成，輸入層用于接收外界信息，會將信息傳送給隱含層的神經元，此層是信息處理的主要場所，信息處理與交換完成后，會將信息傳送給輸出層，輸出層神經元做最終處理后，學習過程結束。BP神經網絡具有非線性映射、泛化、容錯三大能力，學習過程中可以自動修正誤差，對于具有復雜性影響因子的公共建筑工程而言，其造價預測屬于小樣本、非線性問題，利用BP神經絡展開造價預測，可對人工智能進行模擬，能夠提高預測精度、縮短預測時間，因其泛化能力較高，還可實現工程造價的快速預測[2]。

3 ?基于BP神經網絡的公共建筑工程造價預測模型構建

3.1 ?預測指標選擇與量化

在建筑工程造價預測經驗的基礎上，結合公共建筑工程的實際情況，剔除影響程度較低的因子，并對部分概念重合的因子進行合并處理，最后整理出17個關鍵性的公共建筑工程造價預測影響指標，這些指標可作為公共建筑工程造價預測模型的輸出集。然后對這些指標進行量化處理，量化后的指標情況詳見表1。

3.2 ?預測模型構建機理

BP神經網絡預測模型可利用MATLAB平臺中的神經網絡工具箱創建，此工具箱中有3個函數，一是參數設置函數newff，用于構建前向BP神經網絡；二是訓練函數train，主要作用是訓練神經網絡；三是預測函數sim，其功能是利用訓練完成的BP神經網絡進行函數輸出預測[3]。建模時，先選取影響程度較大的造價影響因子，再收集與整理樣本數據，確定樣本數據，數據處理后分離出用于模型訓練的樣本，并向MATLAB平臺的BP神經網絡模型傳送樣本，利用此模型展開多次樣本訓練，便可完成公共建筑工程造價預測模型的創建，之后還可以展開模型仿真分析與檢驗，并評估公共建筑工程造價預測模型的效果，BP神經網絡造價預測模型構建機理如圖1所示。

4 ?基于BP神經網絡的公共建筑工程造價預測模型仿真分析

4.1 ?案例選取

以某城市同一年度的公共建筑工程作為造價預測研究對象，篩選該市28個公共建筑工程項目，因所選項目的地質條件類似，具有較高的可比性。所選案例工程均為未裝修的公共建筑工程，為提高造價預測的準確性，在按照專家意見將其中面積低于20 000 m2、大于500 000 m2的公共建筑工程剔除后，最終篩選了24個可用于案例分析的樣本工程。本研究中，從中篩選了18個樣本作為訓練樣本，再提取出5個樣本進行測試，然后利用MATLAB平臺中的BP神經網絡預測模型展開仿真分析與效果評價。

4.2 ?指標處理

4.2.1 ?定性指標數據處理

按照項目管理水平，將選取的18個案例工程劃分為4個等級，優為1級，良為2級，中為3級，差為4級，并按照類似方法處理外立面、土方處理難度2個建筑管理相關因子，并對基礎類別、樁基類別、結構類別3個建筑結構相關因子、抗震等級這一建筑參數因子展開相同處理。其中，項目管理水平根據建筑單位資質等級進行分級，而土方處理難度則按照處理價格判定，劃分為簡單、一般、較難、很難4個級別，各級的每平米價格分別是低于50元、50～100元、100～150元和高于150元。

4.2.2 ?定量指標數據處理

按照實際數據量化處理地上/地下建筑面積、地上/地下層數、地上/地下層高和建筑高度等建筑參數指標，并采用同樣方法處理鋼筋均價變化率、混凝土均價變化率、單方造價3個建筑材料相關指標。除單方造價外，2個材料均價變化率按照所選取案例工程建設當年的建筑材料價格均價作為計算基準[4]。

4.3 ?建模與仿真

4.3.1 ?搭建BP神經網絡造價預測模型

啟動MATLAB平臺，調用newff函數，按照net=newff（PR，[S1，S2……SN1]），{TF1TF2……TFN1}，BTF，BLF，PF）格式創建前向BP網絡。網絡輸入取向量取值范圍矩陣表示為創建格式中的PR，[S1，S2……SN1]及{TF1TF2……TFN1}分別代表網絡隱含層及輸出層的神經元數量及傳輸函數，而BTF及PF分別代表網絡權值學習函數以及性能數。模型創建完成后，需要在平臺中再次調用train函數，此函數按照[net，tr]=train（NET，X，T，Pi，Ai）格式創建，然后對BP神經網絡展開數據訓練。此格式當中，NET表示待訓練網絡，X與T分別表示輸入及輸出數據矩陣，Pi及Ai分別代表初始化輸入層與輸出層條件，net、tr則是訓練完成網絡及訓練過程記錄的表示符號，這2個參數系統默認給出，其余參數則需要手動設置[5]。在分離好的樣本工程中選取18個公共建筑工程項目作為訓練集，導入BP神經網絡預測模型訓練，進而完成BP神經網絡造價預測模型的創建。模型的最大訓練次數設為1萬次，訓練精度及學習效率分別取值0.02及0.05，動量因子設為0.9。

4.3.2 ?基于BP神經網絡的造價預測

利用選取的5個樣本工程測試BP神經網絡造價預測模型的造價預測效果，工程編號分別為14、15、16、17和18。打開MATLAB平臺后，調用BP神經網絡預測函數sim，函數建立格式為y=sim（net，x），其中，net表示訓練完成的網絡，而x、y分別表示輸入數據及網絡預測數據[6]。對5個測試樣本預測值及實際值擬合得到的曲線如圖2所示，圖2中顯示，5個樣本工程單方造價的實際與預測值間偏差并不大。

4.3.3 ?BP神經網絡預測模型評價

1）預測結果誤差評價。5個樣本工程單方造價實際與預測數據情況見表2，其中，單方造價預測結果的絕對偏差最小的樣本工程為14#，其單方造價實際值與預測值分別為893元/m3與828元/m3，差值為65元/m3，絕對偏差最大的為18#樣本工程，實際單方2 890元/m3，預測單方為3 156元/m3，差值為266元/m3，這一數據偏差未超出可接受范圍。而5組數據當中，相對誤差最大的是18#樣本工程，誤差值為9.20%，相對誤差最小的是17#樣本工程，誤差值僅為4.55%，但5個樣本工程的相對誤差均未超過10%，說明BP神經網絡預測模型在公共建筑工程造價預測準確度方面表現良好。

2）預測結果穩定性評價。利用曲線表示基于BP網絡模型的公共建筑工程造價預測結果的相對誤差，如圖3所示。根據曲線變化趨勢分析發現，5個樣本工程的相對誤差波動幅度不大，說明預測結果具有較高的穩定性，且仿真分析對于BP網絡模型造價預測結果的檢驗效果良好。模型構建與預測分析均利用MATLAB平臺完成，可通過編程運算完成整個預測過程，造價預測速度要優于傳統概預算軟件等傳統造價預測方法。

4.3.4 ?樣本數量對模型影響效應評價

在樣本數量較少的情況下，BP神經網絡預測造價的準確度、效率表現均良好，為進一步驗證樣本數量對模型預測結果的影響效應，選取13個樣本為訓練樣本，同樣以上述5個樣本工程作為測試樣本展開模型仿真分析，得到的模型預測結果數據見表3。在訓練樣本數量變少的情況下，測試樣本的造價預測結果絕對偏差、相對誤差均有所增大，除16#樣本工程的單方造價預測結果為9.53%以外，其余4個樣本工程的相對誤差均介于10%～20%，最高值為17.36%。說明，BP神經網絡造價預測模型雖在小樣本數據處理方面優勢顯著，然而訓練樣本數量也不能過少，否則可能會由于模型訓練不夠充分而導致預測結果的準確度，為此，公共建筑工程造價預測時，需要合理設置訓練樣本的數量。

5 ?結束語

本文根據文獻資料、結合工作經驗梳理了建筑工程造價預測的影響因子，提出了基于BP神經網絡模型預測公共建筑工程造價的快捷預測方法。BP神經網絡模型的構建主要采用MATLAB平臺，依托其中的神經網絡工具箱，分別調用參數設置函數newff、訓練函數train、預測函數sim而實現。結合篩選的案例工程，展開樣本訓練及測試分析，總結出基于BP神經網絡的公共建筑工程造價預測方法的預測準確率、快捷性、穩定性均較佳，在小樣本數據處理方面具有良好優勢，但實際應用中需要合理設置樣本數量，應盡可能增大訓練樣本數量，以降低預測結果的相對誤差，保障公共建筑工程造價預測的準確性。

參考文獻：

[1] 郭威，丁曉欣.基于BP神經網絡的公共建筑工程造價預測研究[J].建材技術與應用，2023（4）：10-13.

[2] 龍盈.基于BP神經網絡工程造價預測模型研究[J].江西建材，2022（10）：433-434，437.

[3] 謝金豪，劉文昌.基于GA-BP神經網絡的建筑工程造價預測研究[J].建筑經濟，2022，43（S1）：235-240.

[4] 劉偉軍，李念.基于MEA-BP神經網絡建筑工程造價指數預測[J].工程經濟，2021，31（1）：23-27.

[5] 滕凌云.基于BP神經網絡的建筑工程造價預測模型構建研究[J].住宅產業，2020（12）：110-113.

[6] 陳新國.基于BP神經網絡的建筑工程造價預測探討[J].今日財富，2017（5）：24-25.