【摘要】针对目前我国工程可行性研究阶段估算方法不合理、投资估算精度不高、缺乏合理的定价依据、编制方法不合理等诸多问题，根据工程造价的特点，在分析现有投资估算方法优劣的基础上，提出运用神经网络模型估算法来估算桥梁工程的造价。文章通过对工程投资估算规范性文件、相关研究的文献资料进行信息沉淀分析，咨询专家并结合工作实际情况，最终确立了7个影响工程投资估算的因素，之后对7个影响因素运用技术手段进行了可量化处理,为以后工程造价估算提供了简单有效的方法，对工程造价的精度控制在10%以内起到了积极的作用。
【关键词】神经网络；工程造价；工程量；估算；影响因素
1引言
随着 “十三五”计划的不断深化，基础设施投资力度加大，修建了大量的道路、桥梁等工程。近年来，我国建设项目在投资建设过程中常常出现“三超”问题，做好工程的投资精度控制，直接影响项目的资金安排、工期安排，对控制三超意义重大。从目前投资控制角度来看，存在估算精度较低、缺乏合理的定价依据、编制方法不合理等诸多问题，影响整个项目的投资控制，为业主的投资融资计划带来了不便。
近年来，国内外对工程造价估算模型的研究主要运用人工神经网络、灰色关联分析、模糊数学、多元线性回归、案列推理等方法。已有研究针对传统方法预测精度低和样本需求量大等缺陷，构建了基于最小二乘支持向量机的预测模型，但支持向量机核函数较难确定，且核函数以后,在求解问题分类时需要大量的存储空间；有研究根据模糊数学方法计算拟建工程各特征函数的隶属度函数和贴近度,并计算出拟建工程的造价，此种方法需对模糊信息进行判断，并将工程进行相似度转化，难以确定与已建工程的贴近度；有研究人员通过案例推理研究结果整合运用，将案例的方法在工程造价方面应用，但具有相同特点的案例较为难收集，建立了单位面积投资与各单项工程投资之间的多元回归模型，并对该模型进行检验及实例验证分析，然而多元线性回归对于工程造价非线性求解具有局限性且样本需求量大。基于此，本文采用神经网络算法构建模型，将选取指标作为工程造价预测模型的输入集，进行住宅工程项目造价预测。
2 工程造价及工程量估算的特点
建筑工程按照不同工作环境可分为，房屋建筑工程造价、市政委建筑工程造价、园林项目建筑工程造价、道路建筑工程造价、航空港建筑工程造价、矿类建筑工程造价等。建筑工程造价通过对不同工作环境进行细致化算法， 提升建筑工程造价适用性。 建筑工程造价具有资金流通性、资金融合性、工程逻辑性、工程浮动性等特点。资金流通性是指建筑工程造价所消耗资金巨大，在进行资金交易时通过多途径资金流通令项目持续进行。资金融合性是指建筑工程材料费用、建筑工程设备费用、建筑工程综合费用相融合。工程逻辑性是指工程项目中建筑工程顺序性， 先对总体进行评估定价，再依次对个体进行评估定价，形成工程造价的逻辑性。工程浮动性是指在项目施工过程中，由于工期时间较长，材料及人工价格会产生上下浮动状态，令整体工程造价发生浮动性变化。 建筑工程造价按照计算方式不同可分为投资型算法、预设型算法、修改型算法、图案型算法等。
3 住宅工程造价特征指标选取
根据建筑工程造价的含义可以将工程造价分为建设投资和建设期利息两部分，建设投资又包括工程费用、工程建设其他费用以及预备费，本文主要考虑项目立项以及设计阶段的工程造价费用，因而未考虑建设期利息部 分。在项目立项以及设计阶段，建设用地费用基本确定，然而建筑工程的相关信息相对较少，往往只能通过初步确定的项目类型、工程结构等项目参数以及以往工程项目信息价格对工程造价进行估算。
建筑安装工程费可按造价形成划分，也可按照费用构成划分。按照造价形成划分，可以划分为分部分项工程费、措施项目费、其他项目费以及规费税金。也就是说，其自身的设计参数也是计算建筑工程造价的重要依据。传统的工程造价是将建设项目中单项工程、单位工程为对象，根据设计图纸按照相应规范计算工程量套用定额，其精准度较高，但工作量较大，所需时间较长。钢筋及砼工程主要是根据工程结构类型不同得到的工程量也不同，因此可选取结构类型作为钢筋及砼工程的特征指标；施工技术措施费多数是根据建筑面积计量的，因此建筑面积可对其良好反映；根据各分部分项工程特点，最终选择结构类型、基础类型、基础埋深、门窗面积、混凝土平米含量、地上建筑面积、地下建筑面积、地上层数、地下层数、地上平均层高、地下平均层高、檐高 12 个项目特征指标。参考以往文献，结构及基础类型往往作为定性指标出现在造价估算中。
按照费用构成要素划分，可以划分为人工费、材料费、施工机具使用费、企业管理费、利润以及规费税金。材料费的变化对工程费用的影响较大，也会造成管理费和利润等费用的变化，从而影响工程项目总造价。因此，主要材料的价格对控制工程造价显得非常重要。选取钢筋价格增长率、商品混凝土价格增长率作为影响工程造价的 2 个市场影响因素指标。
4神经网络模型
4.1 MLP神经网络
多层感知器（Multilayer Perceptron，缩写 MLP）是一种前馈神经网络，它可以被看做是一个有向图，包含对个节点层，每个节点都是一个神经元带有非线性激活函数，也可以叫做处理单元，节点从外部或者其他节点接收输入，经作用函数计算输出，基本结构如图 1 所示。其实质是通过大量样本学习训练自我调整连接权值，模拟非线性输入和输出。
MLP 网络模型算法核心思想是：通过前向通路（箭头的方向）得到误差，再把该误差反向传播实现权值 w 的修正。 MLP模型网络初始权值是任意设置的。
4.2 BP神经网络
4.2.1 BP神经网络概念
BP神经网络模型能够很好地模拟项目特征与工程造价之间的非线性关系，提高投资估算的精度，工程的投资估算进行研究时现已采用BP神经网络模型，并通过Matlab软件实现对神经网络模型的运用。现有研究成果表明，BP神经网络模型可通过自学习能力，处理多个数据间的非线性关系，建立多个影响因素与输出结果计算关系模型，这一特点正好与工程投资预估的要求相适应，因此可以选择BP神经网络，建立建筑工程的投资估算模型。BP神经网络预估模型操作过程如图2所示。
4.2.2BP模型的建立
建立BP神经网络模型的主要工作步骤有以下6条：
1、始数据的采集及输入。
2、数据归一化分析与处理。
3、理数据的网络训练。
4、验网络训练成果，对输出数据进行仿真分析。
5、对比仿真数据与采集样本数据。
6、得到满足误差要求的算法，对拟建项目进行计算。
（1）原始数据的采集及输入
收集工程项目数据，并随机选择20组数据进行模型的构建与准确性分 析，然后将最后一组数据代入所得模型中进行计算，进一步验证模型计算的精度。其中前20组数据为模型构建使用数据，最后一组数据为验证模型精度的数据。
（2）数据归一化分析与处理
由于选取的7个影响因子的取值范围及单位不同，致使自变量的量纲不同，因此需要首先进行量纲换算、统一，消除量纲对模型运行产生的“噪声干扰”，提高模型的运算精度。
（3）运用Matlab软件进行BP神经网络建立空心板梁模型的建立
通过不断的计算及结果反馈，逐步为7个影响因素的权重进行优化，建立数据建的网络联系，在Matlab软件BP神经网络工具箱中用生成前馈BP 神经网络的函数newff建立模型。
（4）检验网络训练成果，对输出数据进行仿真分析
经过上述语言的运算，影响工程投资的7 个因素与总投资之间的BP网络已经搭建完毕，将 20组数据输入构建的计算模型中，正向计算出工程的总投资，与实际值进行对比。通过输入影响因素计算出的预估总投资与实际值基本一致，进而证明构建的计算模型可以较为准确的反应出 20组基本数据之间的内在联系，所得模型具有较好的准确性。
（5）模型的误差检验
为了进一步验证模型的准确性，将最后一组数据输入到构建的网络模型中进行计算，将得到的总投资估计值和实际总投资进行对比发现两者误差小于5%，可以得出采用文章构建的基于BP神经网络技术的工程投资估算模型得出的工程的预估投资与实际总投资之间的误差率较小，可以满足工程可行性研究结算的投资精度控制要求。
5 结束语
针对目前工程造价控制精度低、投资控制效果差的现状，结合工程自身的特点，依托BP神经网络模型建立了工程投资估算模型，并对其准确性及精度进行了验证，误差率较小，已将其控制在±10%以内。 将BP神经网络模型应用于工程的投资估算控制，可有效提高方案比选、设计优化及投资控制的效率，对于项目决策的准确性与合理性起到积极作用。
【参考文献】
[1]黄永军,赵娜.BP神经网络技术方法在市政空心板梁投资估算模型中的应用[J].工程造价管理,2019(02):5-13.
[2]路妍. 粒子群优化BP神经网络算法在输电线路工程造价预测中的应用[A]. 中国电力科学研究院.2018智能电网新技术发展与应用研讨会论文集[C].中国电力科学研究院:《计算机工程与应用》编辑部,2018:5.
[3]陈磊,陈乐.基于神经网络的装修工程造价快速估算方法研究[J].宁夏工程技术,2018,17(04):334-337.
[4]时艳.基于BP神经网络预估的绿色建筑造价成本研究[J].建材与装饰,2018(48):114-115.
[5]赵路.三代核电站仓库消防工程造价估算模型研究[J].山西建筑,2018,44(30):217-219.
[6]张如好,柳裕政.基于可变模糊理论的建筑工程造价估算研究[J].山西建筑,2018,44(28):204-205.
[7]钱源,琚静.基于神经网络技术的公路工程补充定额编制[J].珠江水运,2018(18):74-75.
论文作者:熊琳,
论文发表刊物:《城镇建设》2019年第09期
论文发表时间:2019/7/23
标签：工程造价论文; 神经网络论文; 模型论文; 工程论文; 数据论文; 建筑论文; 精度论文; 《城镇建设》2019年第09期论文;