基于BP神经网络的工程项目投标报价风险加价预测研究.docVIP

基于BP神经网络的工程项目投标报价风险加价预测研究 　　[摘 要]工程报价确定时，其加价部分须考虑风险费用。本文分析了BP神经网络在风险加价预测中的运用，并引入实际工程，运用MATLAB软件，对其风险加价费率进行预测。 　　[关键词]BP神经网络；投标报价；风险加价 　　1 引 言 　　工程投标承包是一项风险型事业，具有淘汰、激励和调节三个基本功能，其风险和利润并存。中国际劳工组织专家Baldwin A.N.，McCaffer R.和Oteifa S.A.指出，工程报价确定时，其加价部分须考虑风险费用，合理确定风险加价费用，而决策的正确程度会直接影响中标率和利润回报。风险加价费用是指承包商对自留风险损失的补偿，确定时应综合考虑投标承包该项目全过程的期望风险损失值。 　　2 BP神经网络职称论文 　　本文将采用BP网络对风险加价费用进行预测。 　　2.1 输入元素选择与量化 　　输入元素选择时要注意的是，当不能提供较多训练样本时，必须设法减少样本维数。故本文将引入AHP对风险因素进行权重计算，通过排序，选取权值较大的作为输入元素。并建立相应的风险因素清单，合理估计风险事件发生概率及损失，确定哪些风险事件自留。 　　确定输入值的方法：样本工程与基本工程（样本中选择一个）对比的重要程度用标度来表示，标度取值范围为[0，9]，通过标度确定输入值，如表1所示，表中分别为基本工程和样本工程的风险因素，输入值为人工神经元网络的输入值。 　　2.2 网络设计和训练 　　网络设计主要解决的问题是隐层数设计和隐层节点设计。隐层数设计一般先考虑设一个隐层，当一个隐层节点数很多仍不能改善网络性能时，才考虑再增加一个隐层。隐层节点设计主要依据是训练误差最小时的隐节点数。 　　网络训练主要要解决的问题是寻找最佳训练次数，以获得好的泛化能力。当测试误差最小时，停止训练。 　　3 案例分析 　　以国内一家总承包公司采用EPC模式实行总承包为例。共收集到24样本，1个作为基本工程，20个作为训练样本，3个作为检测样本，运用MATLAB建立风险加价费率预测模型。 　　3.1 确定输入元素 　　结合本案例中项目的特点，列出了具体的风险因素，并运用AHP计算出各因素的相对权重。最后根据权重排序，从17个因素中选取12个权重较大的输入变量。 　　3.2 确定输入输出数据 　　输入元素量化，先建立风险清单，见表2.作为样本工程识别风险事件的参考依据。通过样本风险的识别、分析与评价，确定所选样本的自留风险事件，并对风险事件进行评价分析。 　　3.3 网络设计和训练 　　运用MATLAB，建立单隐层模型，经过训练，网络性能良好，并确定隐层节点数为10时，训练误差最小。并经过7000多次训练后得到最小误差。 　　3.4 检验样本预测 　　最后引用样本数据进行模型的检测并发现，绝对误差达到令人满意的效果，预测值与实际值非常接近。见表4. 　　4 结 论 　　通过以上分析发现，BP神经网络对风险加价费率预测具有一定的精准性，可以为承包商在投标报价时提供决策支持。