1--BP神经网络在建筑工程估价中的应用

第37卷　第2期2005年6月西安建筑科技大学学报(自然科学版)J1X i’an U n iv.of A rch.&T ech.(N atural Science Editi on)V o l.37　N o.2Jun.2005B P神经网络在建筑工程估价中的应用周丽萍1,2,胡振锋2(1.西安建筑科技大学土木工程学院,陕西西安710055;2.西北工业大学力学与土木建筑学院,陕西西安710002)摘　要:在建设项目管理中前期工程估价是一项十分重要的工作,根据神经网络的原理和工程造价估算的特点,通过研究工程造价的构成,特别是建筑工程结构和主要分项工程的特征在工程造价中所起的作用,确定了7个主要因素,作为神经网络的输入变量,提出了基于BP神经网络的工程估价模型.共收集了20个住宅工程估价实例,其中18个作为训练样本,2个作为检测实例,经测算其精度基本可以满足实际工程投资估算的需要.因此,神经网络在这方面有很好的应用前景.关键词:工程估价;神经网络;估价模型;BP算法中图分类号:F283,T P183 文献标识码:A 文章编号:100627930(2005)022*******　αThe application of neural networki n the cost esti m ation of con structionZH OU L i2p ing,H U Z hen2f eng(1.Schoo l of C ivil Eng.,X i’an U niv.of A rch.&T ech.,X i’an710055,Ch ina;2.Schoo l of M echanics and C ivil Eng.,N o rthw estern Po lytechnical U niversity,X i’an710072,Ch ina)Abstract:Co st esti m ati on of constructi on p ro jects is a very i m po rtant task fo r m anagem ent of constructi on p ro jects.A cco rding to the basic p rinci p les of the neural netw o rk and the characteristics of p ro ject co st esti m ati on,w ith the breakdow n of p ro ject co st and facto rs having effect on them,and the functi ons of structures and their characteristics review ed in detail,seven m aj o r facto rs are identified as neural netw o rk input variables.O n the basis of the theo retical analysis,the paper brings up the model of co st esti m ati on of constructi on engineering based on the BP N euralN etw o rk.E igh teen actual constructi on p ro jects are used as training samp les and tw o p ro jects are used as test samp les.T est results show that the p recisi on m eets the esti m ati on requirem ents w ell.T herefo re,th is m ethod show s the p rom ising perspective in co st esti m ati on of constructi on p ro ject.Key words:construction cost esti m ation;neu ral net w ork;esti m ation m od el;B P calcu lation m ethod.确定工程造价是建设工作中十分重要的一环,在不同的设计阶段有着不同的方法:如初步设计阶段编制概算,施工图设计阶段编制预算,而最为关键的则是在建设前期的工程造价估算.因为工程的估算价是整个成本管理过程的起点,是成本控制的基础.在瞬息万变的市场经济环境中,探寻一套快速、简捷、实用的工程造价估算方法已成为建筑行业的迫切需要[1].众所周知,工程造价受多方面因素影响,其构成比较复杂,然而一个有丰富经验的造价师,根据工程类型、特征及其相关情况,参照以往经验和工程数据资料,就能大致估算出其造价,而无需进行大量繁杂计算,而且经验越丰富,资料积累越多,估算的α　收稿日期:2004212213作者简介:周丽萍(19632),女,陕西略阳人,副教授,博士研究生,从事建筑经济与管理方面的教学和研究.造价就越准确.模仿这种大脑思维模式,正是人工神经网络所擅长的.神经网络模型通用性、适应性强,它不但不排斥新样本,相反它会随着样本数的不断增加而提高自身的概括能力和预测能力.这正好满足了建立造价信息系统的要求—-动态地、自适应地从众多已完工程中提取有用信息,进行预测并辅助决策.由于建筑工程的单件性,一般不存在两个完全一样的工程,但许多工程之间存在着某种程度的相似性,造价估计分析的基本原理就是建立在建筑工程的相似性基础上.对于某个待建工程(欲估工程),首先从分析建筑类型和工程特征入手,再从数目众多的同类已竣工的工程中找出与待建工程最相似的若干个工程,然后利用这些相似工程的造价资料作为原始数据进行推理,最后得到拟建工程的造价及其他有关数据[2].本文采用目前应用最广泛的误差反向传播人工神经网络模型即B P (B ack P ropagati on )网络模型,以工程特征为参数,利用实际历史数据验证了通过神经网络进行快速估价的估算效果[3].1　基于B P 网络的估价模型1.1　B P 网络模型简述标准的B P 网络模型由三类神经元层组成,其最下层称为输入层,中间层为隐含层(可为多层),最上层为输出层,各层神经元形成全连接,各层内的神经元没有连结.B P 算法的学习过程是由正向传播和反向传播两个过程组成.在正传播过程中,输入信息从输入层、经隐含层逐层传递、处理,每一层神经元的状态只影响下一层神经元的状态.如果在输出层不能得到期望输出,则转入反向传播过程,将误差信号沿原来的连接通路返回,通过修改各层间连结权的值,逐次地向输入层传播,再经过正向传播过程,这两个过程的反复运用使得误差不断减小,直至满足要求(见图1).图1　B P 神经网络基本结构F ig .1　Basic structure of BP neural netwo rk图中神经元的输入与输出(除输入层)为非线性映射,一般采用S (Sigm o id )函数压缩{F (x )=[1+ex p (-x )]-1,F (x )∈[0,1]}.设有p 个输入样本,当加入第k 个样本时,对某层单元j 来说,设其上一层有m 个结点,与它的连结权表示为w ij ,单元j 的输入总和为S j k ,输出为y j k ,则S j k=∑mi =1wijy k j ,y j k =F (S j k ),y j k再作为下一层的输入,如此反复直至输出层.当我们定义系统误差为:E (W )=12∑k =j(T k j -Y k j )2时,其中T j k 为输出结点j 的期望输出,Y j k为输出结点j 的网络输出.如果系统误差不满足要求,就转入误差反向传播过程,主要是调节连接权的值.按梯度下降法,每当加一个训练样本时,各层连接权调整量应为:∃w ij =Γ∆j m y i m -1,其中:Γ∈[0.01,1]称为训练速率系数,∆j m 为第m 层的第j 个单元的误差值,输出层结点∆j =F ’(S j )[T j k -Y j k]Y j .网络通过连接权的自调整,实现自适应和自组织.经多次训练后的网络具有对样本的记忆、回忆和联想能力,最终可用来进行预测.1.2　工程特征因素的定量化描述所谓工程特征是指能表示工程特点,且能反映工程的主要成本构成的重要因素,工程特征的选取,应参照历史工程资料的统计和分析,并根据专家的经验确定.通过对典型住宅工程的造价组成及建筑结构参数变化对造价的影响进行分析,我们确定基础类型、结构形式、建筑层数、门窗类型、外墙装饰、墙体材料、平面组合等7种主要因素作为工程特征.建筑工程的工程特征有不同的类型:如结构可以是砖混结构,框架结构等;基础可以是砖条基,钢筋砼条基等,我们称之为特征类目[4].列举工程特征的不同类目,依据定额水平及工程特征对造价影响的相关性导致平方米造价的改变,从小到大排序,并主观给定对应的量化数据,结果见表1.362第2期周丽萍等:BP 神经网络在建筑工程估价中的应用表1　成果建筑工程特征类目定量化表T ab.1　Feature catego ries and quantifafive table of civil engineering特征类目定量化值123456……基础类型砖条基钢筋砼条形基础粉喷桩加固地基钢筋砼条基片筏基础钢筋砼带基钢筋砼桩基钢筋砼满堂基础……结构形式砖混框架预制板全现浇框架框剪结构建筑层数66-78-1011-1314-1617-19门窗类型木门窗木门塑钢窗木门铝合金窗铝合金门窗外墙装饰清水墙干粘石水刷石面砖墙体材料空心砖标准砖砌块钢筋砼隔板平面组合一室一厅二室一厅二室二厅三室一厅三室二厅四室一厅四室二厅依据表1,可以给任意一个住宅工程模式进行定量化描述.以T i=(t i1,t i2,…,t i7)表示.其中,T i表示第i(i=1,2,…)个工程的序列号;t ij(j=1,2,…,7)表示第i个工程的第j个特征的定量化数值.如某工程(序列号设为i)是钢筋砼条基,砖混结构、7层、木门铝合金窗、外墙水刷石、标准砖、三室一厅,则其定量化描述为T i=(2,1,2,4,2,3,4).如果某特征由几种类目混合构成,可按比例计算其加权平均值作为该特征的量化结果[5].1.3　建立估价模型本文采用三层B P网络模型,该模型的输入单元为7个,分别为基础类型、结构形式、建筑层数、门窗类型、外墙装饰、墙体材料和平面组合,用I1-I7表示;输出单元为4个,分别为每平方米造价和每100平方米的钢材、木材、水泥用量,用O1-O4表示;隐层单元为237+1=15个.共收集了训练样本18个,测试样本2个,模型用V isual B asic6.0编程实现.表2列出了20个典型样本的特征类目定量化数据和预算资料.表2　典型样本特征类目定量化数据及预算资料表T ab.2　Feature2quantifafive data and budget m aterials of typ ical samp le p ro jects序号输入项输出项I1I2I3I4I5I6I7O1O2O3O411121122498.2316.100.0069143.1 23123324525.1418.450.0046178.3 32111222.5493.4517.180.0072159.3 41111112487.4315.920.0059132.4 51113223506.5715.680.0051138.6 62123324538.6016.470.0043149.2 73111224542.9117.920.0043168.9 84123325562.4719.230.0046172.4 92243334897.2526.010.0042208.9 103253333.5989.7329.420.0038221.4 1142633341045.2127.970.0041223.2 125242434.51029.6733.230.0067236.2 13546334241106.9235.270.0039239.8 1452433341015.6928.900.0042216.4 1562333341065.7230.420.0052211.3 166343333.51108.5036.060.0039242.4 1762434341045.3932.010.0047232.6 186463423.51138.2838.470.0035247.9 192113222.5489.6316.390.0046147.95 205473334.11142.7535.860.0037251.74 1.4　检测结果分析用收敛后的网络对第19和20组数据进行检测,详细结果见表3.从测试结果看,总体误差比率较小,已经基本能满足工程可行性研究的投资估算需要和初步设计的概算需求,这说明模型的泛化能力较好,估价模型较为成功.个别工程误差大,是由于网络对有些特征学习不够,其原因主要在于学习样本数量有限,但即便是如此,与其他模型相比,其优越性也是明显的.随着样本的充实和数据的积累,误差将不断缩小,也必将取得非常理想的结果.(下转第296页)引理4[3]　设{S n,D,≤}是拓扑空间X中的网,那么{S n}n∈D收敛于点x,当且仅当对于3D中任意的无穷大元Λ,有SΛ|v(x).定理4　设X是拓扑空间,I是X中的理想,S(I)是I的伴随网,则li m I=li m S(I),ad I=ad S(I).证明:“]”设S(I)是I的伴随网,于是=(Π(x,A)∈D(I))(Π(y,B))∈D(I))((x,A)≤(y,B)∴AΑB)由转换原理,3 =(Π(x,A)∈3D(I))(Π(y,B))∈3D(I))((x,A)≤(y,B)∴AΑB).于是取(y,B)为3D(I)中任意的无穷大元,(x,A)为D(I)中任意元,显然(x,A)≤(y,B),那么AΑB,于是v(I)ΑB.又S((y,B))=y|B,所以S((y,B))|v(I).而理想I收敛于点x,由定理1,v(x)Αv (I).于是S((y,B)|v(x),由引理4,伴随网S(I)收敛于点x.“α”反设理想I不收敛于点x,则存在G∈Γ(x),使得G|I.于是对于D(I)中任意的(x,A),G⁄A.于是取y∈G-A,有S((y,A))∈G,由转换原理,对于3D(I)中任意的(x,A),有S((y,A))∈3G,从而S((y,A))∈v(x).由引理4,伴随网S(I)不收敛于点x,这与题设矛盾,故理想I收敛于点x.类似方法可以证明另一个等式.参考文献:[1]　王国俊.L-fuzzy拓扑空间论[M].西安:陕西师范大学出版社,1988.[2]　D avis M.A pp lied N onstandard A nalysis[M].N ew Yo rk:W iley,1977.[3]　陈东立,马春晖.网收敛的非标准特征及其应用[J].西安建筑科技大学学报,2003,35(3):2892291.[4]　Kelley J L著.汪　浩译.一般拓扑学[M].长沙:国防科学技术大学出版社,1981.(编辑　白茂瑞)(上接第264页)表3　检测结果分析T ab.3　A nalysis of the results测试样本序号1920O1O2O3O4O1O2O3O4实际值489.6316.390.0046147.951142.7535.860.0037251.74预测值481.7646.460.0048145.871185.8437.180.0035247.09相对误差 %1.604.664.171.413.773.685.711.852　结论与展望基于B P神经网络的工程造价估算模型充分利用了神经网络这个“特征提取器”的作用,从大量过去的工程参算资料中自动提取工程特征与预算资料的规律关系;由于神经网络具有高度的容错性,因而对于过去的工程资料中由于人为的或其它因素造成的偏差有自动纠偏功能;此外由于神经网络是并行处理数据的,因而其处理速度相当快,这点满足了快速估算要求,实践证明是有效的.基于神经网络的估算模型,其主要限制在于工程特征向量的选取和训练样本的选取上,估算模型的准确度取决于这两点.然而这两个方面的选取目前只能凭借经验来完成,缺乏理论指导.因此,只要选取的工程特征能够代表工程本质、选取的训练样本和待估工程类似,那么应用神经网络进行工程估价是极具发展潜力的.参考文献:[1]　周继成.人工神经网络[M].北京:科学普及出版社,1993.[2]　王孟钓.建筑工程造价估测系统分析[J].系统工程,1994,12(3):36243.[3]　李孝安.神经网络与神经计算机导论[M].西安:西北工业大学出版社,1994.[4]　张守健.建筑工程预算与估价报价手册[M].北京:中国建筑工业出版社,1996.[5]　王守清.计算机在建筑工程成本测算中的应用[M].北京:清华大学出版社,1996.(编辑　白茂瑞)。