基于SVM回归模型工程造价预测方法.docVIP

基于SVM回归模型工程造价预测方法摘要 建设工程项目的成本控制和合理确定工程造价，是建设工程预算管理的首要任务，本文提出了一种SVM工程造价预测模型，不同于传统的基于经验风险最小化的回归方法，而是基于结构风险最小化准则。该方法在解决学习精度和推广性之间的矛盾方面有明显的优势，结果更加精确，是一种非常有前景预测工具。 关键词 支持向量机；造价预测；支持向量回归 一、引言 工程造价预测系统就是在保证建设项目工程质量和工期目标的前提下，为了实现项目的造价目标，在工程实施过程中，通过对大量的造价资料的分析研究，归纳出现场造价目标控制的数学模型，为造价目标的实现保驾护航，防止“三超”现象起着关键作用。 当前，对工程项目的造价研究取得了丰硕的成果，但都仅仅局限于线性关系，确定性变化规律，无不确定性影响因素的影响。实际上，更一般的情况下是一种非线性关系，受到许多非确定性因素的影响，如：地质条件、社会及市场因素、结构特征等。 支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的分类和回归的工具。通过结构风险最小化原理来提高泛化能力，较好的解决了小样本、非线性、高维数、局部极小点等实际问题，已在模式识别、信号处理函数逼近等领域得到了应用。该模型智能化程度高，寻找内部变化规律的能力强，大大提高了实用性。本文通过将SVM这一方法应用于工程造价预测系统，取得了较好的效果。 二、支持向量机回归原理 经验风险最小化原则一直是解统计模式识别等统计机器学习问题的基本思想，在此思想的指导下，人们主要解决如何更好地求取最小经验风险(训练误差最小)。支持向量机的基本思想为：首先通过非线性变换将输入空间变换到一个高维的特征空间，然后在这个特征空间中求取最优线性分类面使分类边界，即分类平面和最近点(支持向量)之问的距离最大，并且这种非线性变换是通过定义合适的核函数来实现，然后将SVM问题转化为二次规划问题，从而求解。 下面简要介绍可以用于预测的支持向量机回归的原理。 给定训练数据：(x1，y1)，(x2，y2)，…，(xi，yi)，…，(xn，yn)。 其中xi为输入向量，yi是对应的输出值，n为样本个数。 其中，通过非线性映射φ函数被映射到高维空间。ξ1，ξ*分别为在误差ε约束下|yi－[wTφ(xi)＋b]|＜ε的训练误差的上限和下限。ε定义了ε不敏感代价函数的误差。当预测值在定义的误差ε内，代价函数为0；当预测值在定义的误差ε外时，代价函数为预测值与误差ε的差的幅值。常数C＞0，它控制对超出误差的样本的惩罚的程度。求解后得到回归函数： 三、工程造价预测的SVM模型 (一)确定工程造价的主要影响因素 预测模型是输入工程项目指标到输出整体总造价水平的非线性映射。关键是建立网络的输入层和输出层指标。通过对大量历史数据进行分析，选定以下八个工程项目特征为工程造价的主要影响因素，即：基础类型，楼面工程，结构类型，门窗类型，抗震强度，楼层数量，墙体装饰，物价指数。 (二)工程特征向量的量化处理 把上述信息作为输入向量X =(x1，x2，x3)；将具体的工程造价作为模型的输出Y=(y1，y2，y3)；模型的输入向量分别符号X1―X8表示，输出向量以符号C表示。利用所积累的大量典型工程的工程特征、造价进行训练，从而实现输入空间到输出空间的映射。根据模型的特点，模型的输入、输出数均为[-1，1]之间，因此，首先将模型输入向量进行量化。量化结果见表1所示。 输入样本是一个行数为8的矩阵，一般采集的数据较多，仿真的效果亦愈好。本文采集了某地区25个工程项目的数据进行模型的训练和测试，见表2，其中20组数据用于网络训练，其余5组数据用于测试，见表2。 (三)网络测试结果与分析 对工程项目的特征进行量化和初始化之后，通过WinSVM工具箱进行训练，训练样本完成训练后，对测试样本进行测试，并计算得出样本模拟结果，见表4。模拟输投出结果与实际值的相对误差最大为6.8%，符合投资估算在项目中的可行性。所获得的结果符合研究阶段的精度要求。 四、结论 针对建筑工程造价编制的复杂性，由SVM回归模型建立的工程造价预测模型凭借其高度的自适应性、自学习能力，以及简便、快捷的数据处理能力，比一般的预测工作判别意义更加明了、清晰，指标抽取符合实际，为工程造价管理提供了决策工具和风险预测技术。得到了认同，在这一领域的应用，是新的尝试。 参考文献 [1]刘同书.住宅工程造价快速计算法.北京：中国审计出版社，1995. [2]沙凯逊.人工智能技术在建筑工程预算中的应用[J].山东建筑工程学院学报，1997，12(3):19-22. [3]Corts C，Va