基于支持向量机地送电工程造价快速估算研究.pdfVIP

基于支持向量机的送电工程造价快速估算研究 韦俊涛，俞集辉，彭光金，杨光 (重庆大学输配电装备及系统安全与新技术国家重点实验室，重庆400030) 摘要：本文针对送电工程造价管理中，出现的众多影响因素以及同一时期样本数日有限的实际情况，提出一种基于小样 本智能预测的送电工程造价估算模型。对原始指标数据进行预处理，提出主要的信息量，得到合理的简化指标体系，以 新指标作为输入集建立基于支持向量机的学习网络，对历史工程进行学习训练，并对新建工程进行预测估算。实例预测 表明：该方法在小样本学习方面表现突出，应用在送电工程造价快速估算中能够达到理想的效果。 关键词：送电工程：预处理；估算模型；支持向量机；小样本 l引言 ，(J)=(w·工)+6 (1) 实际电力送电工程建设中，造价管理受到投 w∈R“(原始空间)为权向量，b是偏置量。而利 入资金量大、专业覆盖面较广、材料种类繁多等 用支持向量机求解非线性函数优化问题，主要是 因素的影响，因此给电力建设投资方的投资管理 通过一个非线性映射将S非线性映射到一个高维 带来了大量的问题。虽然现有的定额概预算管理 特征空间(Hilbert空间)，将非线性函数优化转 制度在一定意义上对合理确定和控制：[程造价起 化为高维特征空间中的线性函数优化问题哺1，关 到了积极作用，但“量价合一”的管理方式是的 系如下式： 投资管理与市场经济模式脱钩，不利于施工方改 ，(工)=wrC(x)+b (2) 进技术条件，提高市场竞争力。另一方面，由于 其中，矿(x)：R”jR～，为Hilbert空间的映射函数。 受众多的技术因素以及建设地域的综合经济水平 对于SVM优化问题来说，可以转化成下式： 的影响，且同一段时期内，搜集到可类比的历史 工程十分有限，从而使得送电工程造价估算成为 minJ：三矿w w·b 2 (3) 一个多影响、非精确的小样本预测问题。因此， 如何快速、有效的对一个新建工程进行造价的估 s．t l咒一【矿烈耳)+6】l≤￡ 算，成为投资方和管理方关注的焦点。 其中， i=l，．．．，m，为了确保式(3)有最优解，引 在工程估价方面，随着机器学习研究的发展， 入松弛变量善，善，则优化问题可转化为如下式： 出现了很多的智能算法，例如神经网络¨。2，，遗传 算法∞1，小波分析H11等等。但以上几种算法针对 min，(川=去矿w+c∑(毒+善，) 小样本、多影响因素的工程估算都不能得到理想 yf一【矿烈薯)+刎≤￡+磊 (4) 的效果。1995年，Vapnik等人怕卅1根据统计学习 Vector Yk一【w7纵五)+6】≤￡+善f 理论提出了支持向量机理论(Support Machine，SVM)，该方法能够有效的解决小样本、 参，善。≥o i=I，2，．．．，m 高维数以及局部极小点等实际问题，针对送电工 其中，C(C0)为指定常数，用来表示函数f 程造价的特殊性，提出原始指标的主要信息量， 的平滑度和允许误差大于￡的数值之间的这种， 并利用支持向量机建立学习网络可以达到其他算 主要为提高泛化能力和减小误差之间起调控作 法无法比拟的预测效果，以达到快速对新建工程 用。￡为一正数，主要是用来控