神经网络在工程造价及工程量快速估算中的运用探讨

基于神经网络的建筑工程造价估计摘要；在建筑工程施工过程中，工程造价对工程的施工质量、施工进度都有着重要的影响。

随着神经网络技术的发展，在工程造价方面逐渐使用了神经网络。

在建筑工程施工过程中准确的工程造价对建筑企业经营有着重要的影响，因此，在施工前要对建筑工程造价进行估计，以便能准确的掌握相关的信息。

关键词；神经网络；工程造价；估计一、我国建筑工程造价管理现状1、建筑工程造价管理监督做得不到位新时期，我国建筑市场正在处于上升期，但是其造价管理监督工作做得不到位，加剧了市场上不公平的竞争。

目前一些建筑企业中不规则的现象屡见不鲜，主要表现为：建筑过程中压缩工期、压低造价、拖欠公款等，严重影响了工程的效益和质量。

值得关注的是，建设中超预算等浪费现象也很严重，严重威胁到了整体工程的收益。

2、缺乏对建筑成本的重视度建筑工程施工的成本直接影响着建筑企业的收益，建筑造价的管理工作主要就是针对成本进行有效管理。

因此，建筑企业的工作人员必须要认识到这个问题的重要性，在做成本预算时就要考虑其重要性，力图最大限度提高经济效益。

如果这个问题没有受到重视，势必会影响工程的整体经济利益，在实际的造价管理工作中这种现象是很普遍的，严重不利于社会资源的节约，也不利于我国建筑事业的快速稳定发展。

3、我国建筑工程造价管理的计价方式落后目前，工程造价模式是我国建筑工程当中所使用的主要计价模式，它主要是以定额计价为主，但是随着经济的日益发展，这种计价方式已经不能满足现代经济发展的需求，也不能适应现代工程预期造价的需求。

在当今激烈的市场竞争中，现行建设主管部门编制的工程预算定额仅仅适用于当前的社会平均水平，要想把企业的实际消耗和技术管理水平有效地反应出来是真正难以实现的，这在很大程度上不利于企业的公平竞争。

二、神经网络分析法工程项目造价估算的方法有许多种，其中最常用的有以下几种：人工神经元网络技术、数理统计、定额计算、自适应过滤技术、经验公式、灰色理论以及模糊数学等方法，这些方法中目前采用最多的是人工神经元网络技术。

人工神经网络送电线路工程造价的快速估算摘要：根据送电线路工程造价结构的影响因素，结合人工神经网络的特点，提出了运用人工神经网络进行工程造价快速估算和审查的方法．分析送电线路工程造价结构和影响因素，构建关于送电线路工程造价的神经元输入输出向量，建立了相应的人工神经网络模型，导出了算法的实施步骤，通过历史工程样本训练和实例样本计算分析，得到了比较好的快速计算结果，满足了工程项目概算方案审查的要求，为电力工程概算提供了一种客观、快速的审查方法．关键词：BP算法；人工神经网络；造价估算工程建设项目设计造价的审查对于建设单位来说是个复杂的问题，在审查工程概算时，还会碰到技术方案问题2．目前审查人员主要是借助相关限额设计指标，结合自己多年来的工作经验，检查工程项目的概算，提出需要进行的费用调整．建设方采用这种做法，一方面主观性较强，人为因素比较多，缺乏合理的、统一的审查方式和费用调整标准，另一方面，十分有限的审查人员整天忙于应付大量的核对、查询工作，效率低下且还容易出错．因此如何快速、合理的完成工程项目造价的审查任务是一个值得研究的课题．对于工程造价的快速估算∞1和核算，国内外都有一些相应的研究。

国外有人采用成本估算的方法，建立工程成本的数据库，根据历史工程、类似工程的历史资料，结合相应的参考指标手册，用类比、回归的方法确定拟建工程的造价情况，也作为审核造价的方法．也有人利用典型工程建设经验，将模糊数学引入工程造价估计，提高计算速度，减少了计算周期∞j．还有人采用相似工程法来估算造价，但其主观性强，准确性还不够高．人工神经网络作为现代非线性科学的重要组成部分，它具有学习、记忆、联想、归纳、概括和抽取、容错以及自适应的能力，近年来在很多领域都得到广泛的应用．笔者尝试在送电线路工程领域，用某地区已建的费用合理、质量良好的送电线路工程造价构成作为学习样本，训练构造好的神经网络，用以对该地区待分析的送电工程项目造价进行的计算和评估，由此达到提高客观性和快速审查的目的．1 送电线路工程造价估算模型建立分析工程造价估算问题，可列为数学映射问题，神经网络的重要功能之一就是可以高度逼近任意2个不同维空间的非线性映射p』．因此，把用来描述工程造价特征的信息作为网络的输入向量x=(x。

神经网络方法在钢筋混凝土工程估价中的使用摘要：在发展中国家，神经网络方法可以为混凝土工程的造价分析提供一种指导性的工具，以克服各种变化因素已经主观因素的影响。

本文中，提出3中神经网络方法来评价一个发展中建筑市场里模板工程、钢筋工程以及混凝土工程的生产率。

18名专家被分在6个项目中手机数据，92项数据被收集用于分析。

使用了商业软件进行神经网络的计算。

处理过的数据被用于建立、训练、检验神经网络。

神经网络产生的框架显示出足够的收敛性已经相对较强的普遍适用性。

当对输入数据进行敏感性分析时，本框架也能对变化趋势的做出很好的表示。

关键词：神经网络；混凝土；生产率；计算机辅助；发展中国家；项目管理前言投资估算对于顺利完成建设工程项目是很必要的内容。

对建筑工程的估算可以分为对直接费用、间接费用、不确定费以及利润等。

直接费用包括材料费、人工费和机械费。

直接费是指构成工程实体的各项费用，它由各项定量指标和定性指标构成。

定量因素包括单位材料价格、单位人工工资、单位设备租赁费用和折旧。

定性因素更难确定，包括各种生产率以及建设风险等。

有经验的估价师依靠他们的经验对定性因素做出判断。

而相对缺少经验的估算师则可以通过工具来组合各种不确定因素。

神经网络方法是通过模仿人脑的功能，像人脑一样，通过对以往的学习，对数据做出归纳和总结。

数据网络在建设工程方面得到很多的使用。

Portas和Abourizk（1997）设计了一套神经网络系统对梁、板、墙工程中模板的生产率进行分析。

Sonmez和Rowings（1998）发展了对模板组装、混凝土浇捣、凝固过程的估算。

Arditi和Tokdemir（1999）试图用神经网络预测建筑工程诉讼的结果。

Alsugair和Al-Qudrah （1998）则用神经网络决定公路的翻新和否。

Hegazy和Ayed（1998）则用神经网络对高速公路进行估价。

Li et al（1999）则对建筑项目的投标确定进行顺利网络分析。

BP神经网络与TOC下工程造价预控措施分析为了对于工程的造价实施有效的预控，减少建设投资的不确定性，通过运用BP神经网络实施对于工程造价的预测，根据此方法预测出的结果对于工程的计量清单进行优化。

然后利用TOC理论对优化后的工程清单计价模式进行控制，从而达到了工程造价预控的实施。

文章以某工程为例，分别论述了BP神经网络的预测、TOC理论的控制、基于ＢＰ神经网络与ＴＯＣ理论的工程造价预测与控制，最后通过案例分析，证明了此方式的有效性。

标签：BP神经网络；TOC理论；工程造价；预控措施；分析建筑业作为我国的主要物质生产部门，一直以来都在国民经济的发展中占有重要地位。

即使是在2008年美国次贷危机以来，我国政府通过强有力的扩大内需的一系列措施，使得我国的经济继续的保持着快速的增长。

而建筑业也要在此过程中，不断的学习工程造价管理的先进方法，同时也要不断的总结实施工程造价中的经验教训，不断的大胆创新，从而不断的提升我国的工程造价实践水平以及理论层次。

下文主要结合BP神经网络对工程造价的预测以及TOC理论对工程造价的控制进行论述。

1 BP神经网络的预测BP神经网络的清晰表述是在20世纪80年代被提出的，这一算法的提出不仅解决了多层神经网络的学习问题，同时也实现了多层网络的设想，从而极大的促进了神经网络的发展。

BP神经网络的全称为Back Propagation，即误差反向传播神经网络，是一种多层、前向的神经网络，可以简单的理解为误差的传播方向是与信号的前向传播相反方向的。

一般的BP网络都有不止一个的sigmoid隐层以及线性的输出层，从而可以有效的实现对多个不连续点函数的逼近。

反向传播也就是从后向前的进行误差的调整，网络的权值顺着性能函数的梯度反向的调整。

BP神经网络的结构图如下图1所示，每一个神经元都是用一个节点表示，P、A是网络的输入以及输出向量，网络由隐层、输入层以及输入层节点组成，其中隐层可以是一层，也可以是多层，通过权将前后层连接起来。

基于BP神经网络的装配式建筑工程造价自动预测方法

目录 一、内容概览．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．3 1.1 研究背景与意义．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．3 1.2 国内外研究现状．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．4 1.3 本文的主要内容和结构安排．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．6 二、装配式建筑概述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．7 2.1 装配式建筑的基本概念．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．7 2.2 装配式建筑的特点与优势．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．9 2.3 装配式建筑的发展历程与趋势．．．．．．．．．．．．．．．．．．．．．．．．．．．．10 三、工程造价管理理论基础．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．11 3.1 工程造价管理的概念与重要性．．．．．．．．．．．．．．．．．．．．．．．．．．．．12 3.2 工程造价的影响因素分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．13 3.3 传统工程造价估算方法及其局限性．．．．．．．．．．．．．．．．．．．．．．．．14 四、BP神经网络原理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．15 4.1 神经网络的基本概念．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．16 4.2 BP神经网络的工作原理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．18 4.3 BP神经网络的学习算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．19 4.4 BP神经网络的优缺点及改进措施．．．．．．．．．．．．．．．．．．．．．．．．．．20 五、数据准备与预处理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．23 5.1 数据收集方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．24 5.2 数据清洗与处理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．25 5.3 特征选择与数据标准化．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．27 六、基于BP神经网络的造价预测模型构建．．．．．．．．．．．．．．．．．．．．．．28 6.1 模型设计思路．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．29 6.2 输入层、隐含层和输出层节点数确定．．．．．．．．．．．．．．．．．．．．．．30 6.3 激活函数与损失函数的选择．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．32 6.4 模型训练与参数调整．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．34 七、案例分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．35 7.1 案例项目介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．36 7.2 数据集划分与模型训练．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．37 7.3 预测结果分析与评价．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．39 八、系统实现．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．40 8.1 系统架构设计．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．41 8.2 关键技术实现．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．43 8.3 用户界面设计．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．44 8.4 系统测试与优化．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．45 九、结论与展望．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．47 9.1 研究成果总结．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．48 9.2 存在的问题与不足．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．49 9.3 未来研究方向．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．50 一、内容概览 本文旨在探讨一种利用BP神经网络进行装配式建筑工程造价自动预测的方法，以期通过先进的技术手段提升工程造价预测的准确性和效率。首先，我们将从背景出发，简要介绍装配式建筑的概念及其发展现状，并分析传统人工预测方法的局限性，为后续引入神经网络预测方法提供理论依据。 接下来，文章将详细阐述BP神经网络的基本原理及其在机器学习中的应用。我们还将深入探讨如何设计适用于装配式建筑工程造价预测的BP神经网络模型，包括选择合适的输入输出变量、确定网络结构以及训练过程中的参数调整等关键步骤。 随后，本文将详细介绍数据收集与预处理的过程，包括装配式建筑工程历史造价数据的整理、清洗和特征提取，为BP神经网络提供高质量的数据支持。此外，还会讨论如何评估BP神经网络预测结果的有效性和准确性，确保所提出的方法具有实际应用价值。 在方法论部分，我们将具体展示采用BP神经网络对装配式建筑工程造价进行自动预测的实施步骤，包括模型构建、训练、验证及测试等环节。同时，也会提供相关的代码示例或流程图，便于读者理解和实践。 本文将对所提出的预测方法进行总结与展望，探讨其可能的应用场景和发展前景，并提出未来研究的方向，如提高模型泛化能力、降低计算复杂度、增强与其他预测方法的集成能力等。通过这一系列的研究工作，希望能够为装配式建筑行业的造价管理提供新的思路和技术支持。

人工智能在工程造价领域的发展探讨目前人工智能技术已在建筑工程造价中有初步运用，其采用科学方法来对工程造价进行计算和编制，从而代替人工劳动力，提高计算精度和准确率。

对人工智能和工程造价的影响因素进行了分析，并在人工神经网络、遗传算法以及数据信息应用方面对人工智能在工程造价领域的发展进行了探讨，最后结合公路工程造价实例分析了ＲBF 网络模型的实际应用和优势。

1概述将信息技术与工程造价计算进行相融合的交叉性研究，属于将人工智能技术引入工程造价领域的一种开创性探索研究。

在项目的工程施工过程中工程造价是影响项目施工的关键因素，造价计算的准确性对于工程施工的进展至关重要，在具体计算过程中需要项目整体统一计划，并且需要考虑到施工现场条件、施工方案、施工组织设计、施工质量要求等因素的影响。

工程造价领域引入人工智能不仅能够提高造价计算的准确性和高效性，还能解决人力计算易出现的错误和误差，并能将全部影响因素(如人工、材料、施工机械的市场价格变动，利率、汇率等一些风险因素的影响)进行综合考虑，对于承包商来说，能够得到一个最优的施工方案和最合理的投标报价，进而中标的可能性和期望更大，对于投资方来说，能够更加准确地把握工程项目的建设总投资，为项目的投资融资方案以及后面工程的顺利开展提供支持。

目前人工智能主要应用于云计算、大数据、图像识别、语音识别、LBS及AI技术等方面，以及在智能财务方面的应用，但是其在造价方向的研究较少。

2人工智能与工程造价概述人工智能是在计算机科学计算的基础上，依靠计算程序的编制和设计，实现代替人力劳动，完成相关应用的过程。

人工智能一般具有感知能力、记忆能力、适应能力以及反应能力等特点。

工程造价是建筑工程中非常重要的一个环节，其一般具有影响因素众多、造价总额较大、可变性强、动态性强以及复杂程度高等特点。

在人工从事造价计算的过程中，需要对整个造价过程中涉及到的工程量计算规则、价格水平、定额、费率等问题清晰明了，需要对影响工程造价的各种因素综合考虑，不能出现任何误差，因此耗费的精力和时间必须很多，人力计算时也难免容易出现一些误差或者错误，甚至给某些企业采取不正当手段达到恶意中标的目的。