基于BP神经网络的建筑工程造价预测研究.docVIP

　　基于BP神经网络的建筑工程造价预测研究 1绪论 1.1研究背景和意义 建筑业是我国重要的物质生产部门之一，它关系到我国国民经济的发展，直接影响着我国国民经济的发展水平.建筑业在我国的国民经济中占有较大份额，特别是改革开放以来，建筑业在国民经济中的份额不断增加，在我国的经济发展的过程中，扮演着重要角色。而建筑业的核心是建筑工程，因而，建筑工程的管理具有很高的现实意义。从投资的角度来看，建筑工程管理主要包括前期的投资估算、方案设计扩初设计及施工图设计阶段的设计概算、招投标阶段的工程预算、竣工后的工程结算和工程决算等。而建筑工程管理的重点则是建筑造价的投资估算。建筑工程造价的投资估算直接决定着一个项目的盈利能力。建筑工程的投资估算中占有重要地位的则是建筑安装工程的造价，即建筑工程造价。因此，建筑工程造价的预测具有重要意义。建筑工程造价预测是建筑相关领域的重要内容，它可以为项目可行性研究、设计方案选提供重要依据，其准确与否直接影响项目的投资决策。建筑工程造价预测的成功实现能够为建筑工程造价的控制管理带来较大便捷，因此，具有很高的研究价值。建筑工程造价预测即是利用以往类似工程的数据和一定的数学模型，来实现的。以往建筑工程造价的预测往往集中在传统的统计分析和简单的回归理论上。如通过移动平滑和线性回归等或者是使用单位指标法[1]。 1.2建筑工程造价预测的现状、面临问题 建筑工程造价预测是建筑工程行业中一项非常重要的工作内容，在建筑工程的管理中十分重要。建筑工程造价的预测往往发生在项目建设的前期，它是建筑工程项目可行性研究的基础，设计方案比选的重要依据，将直接影响项目的投资决策。鉴于项目投资决策所要求的及时准确性，因此，建筑工程造价预测的精度和实效性至关重要。以往，建筑工程造价的预测主要是通过单位指标法，即根据工程的特征、结构以及规模，套用相应的预测指标，计算并汇总实现的。整个过程相对较为复杂、耗时；同时，该套预测方案也存在预测精度难以保障的问题。使用单位指标法进行建筑工程造价预测，所套用的指标体系都是由地方或者本行业统一的，而每个单一项目的施工管理水平和施工现场条件等等都不是统一的，具有很强的个体性；因此，使用单位指标法未能充分考虑到每个单一项目的个体性，从而导致该套方法对建筑工程造价预测的精度不够。近年来，国内外许多专家学者为了追求准确快速的实现建筑工程造价预测，便提出了建筑工程造价预测的新方法，即基于传统的统计分析方法进行预测。这些研究人员大都釆用概率论、线性回归等方法，已达到快速预测建筑工程造价的目的。这些预测技术往往可以在某一特定条件下实现建筑工程造价的预测；但往往也存在预测精度不高以及预测耗时等问题，且泛化能力较差，应用前景不佳。随着计算机技术的不断进步，一些人工智能理论也不断应用到工程造价的预测上来。这其中，人工神经网络预测技术便得到了许多专家学者的青睐。本研究便是在总结前人研究的基础之上，进而不断创新构建的基于BP神经网络的建筑工程造价预测模型。 2文献综述 2.1国内外工程造价预测研究综述 国内比较成熟的研究有集中于传统的统计学习方法，例如线性回归、参数估计、指数平滑和时间序列、灰色理论等等。也有基于人工智能理论的人工神经网络的工程造价预测模型研究，但相对传统的统计分析方法而言，还不够成熟[13]。线性回归是通过统计分析以寻找隐藏在大量数据背后的统计规律性的方法，线性回归法是通过建立回归分析模型来预测工程造价的，当该方法面对不确定因素繁多且数据样本较少的情况时表现较差。段鹏（2008)分别针对传统的统计分析方法如线性回归、参数估计、指数平滑等进行了深入分析，并指出，指数平滑法更适合短期内的一些预测。对于长期的预测来说，指数平滑法的表现则不够让人满意。指数平滑语法在进行短期预测时，优势较为明显，如其所需计算较为便利，费用低，历史数据需求小等，相对来说，指数平滑预测法是一种较为优秀的短期预测技术；而线性回归是运用统计方法，寻找隐藏在大量数据背后的统计规律性的方法，线性回归法是通过建立回归分析模型来预测工程造价，当该方法面对不确定因素繁多且数据样本较少的情况时表现较差，甚至会出现方法失效的情况[14]。时间序列法也是进行工程造价预测的重要统计分析方法，它是一种动态数据的处理[15-16]。许多专家学者也针对基于时间序列法的工程造价的预测模型，展开了深入研究。其中包括胡六星（2012)以工程量清单计价为基細，提出了基于时间序列的建筑工程造价预测模型。分别对工程量清单中的各项清单的价格或造价进行预测，进而估算出整个建筑工程的造价。并以钢材的价格估算为例，进行了实证分析，且分析结果表明，基于时间序列的钢材价格预测准确度较高[17]。陈文萃，卢彩霞等（2013)也基于时间序列理论对建筑工程的造价进行了预测[18-19]。 .. 2.