基于rbf神经网络的工程造价预测研究.docxVIP

基于rbf神经网络的工程造价预测研究 摘要：为提高工程造价预测的精度，提出基于粗糙集和RBF神经网络的造价预测模型．将已完工程的历史造价数据作为研究对象，首先，利用粗糙集理论的属性约简特性，识别与工程造价有较大相关性的影响因素，剔除非主要影响因素；其次，将粗糙集约简后的数据作为输入，总造价作为输出，构建RBF神经网络进行造价预测；最后，将RS-RBFNN的预测结果与其他方法的预测结果进行对比分析，验证了该方法的适用性和有效性．作为工程造价预测在智能化方向上的一次尝试性研究，以期对建筑企业提高造价管理水平有所裨益． 准确的造价预测不仅有助于建设单位做出投融资决策，还能降低建设过程中造价超支的可能性．为进一步提高造价预测的精确度，学者们进行了广泛研究工程造价预测通常是预先收集已建类似工程的造价特征指标数据，然后通过一定的数学模型进行分析预测待建工程的造价．但是收集的特征指标数据之间通常存在大量的冗余信息，使得数据噪声较大，而RBFNN对数据噪声的敏感性不高，若不对数据噪声进行弱化处理，会降低RBFNN的学习拟合速度以及预测的精确程度．粗糙集理论（Rough Set Theory,RS）是波兰学者本文利用RS和RBFNN的优势互补特性，将两者有机结合用于工程造价的预测．首先，利用RS理论对影响工程造价的因素进行约简，减少RBFNN输入数据的维数；其次，将约简后的数据作为输入，总造价作为输出，构建RS-RBFNN模型进行造价预测；最后通过比较不同预测方法的预测结果偏差以及预测速度，得出了RS-RBFNN模型更适合于工程造价预测的结论．1 研究方法1.1 粗糙集粗糙集理论是PAWLAK Z提出的1种处理不确定性、模糊性和不一致性问题的智能算法1）外部数据获取形成决策表．将工程特征指标作为条件属性，工程总造价作为决策属性，构造原始造价数据决策表，决策表如式（1）所示：式中：U为论域；A=C∪D,C是条件属性工程特征指标的集合，D为决策属性总造价的集合，2种属性的并集构成非空有限集合A;V是属性集的V=∪（Va),Va∈A,Va集合，且是属性aA的值域；f:U×A→V,f(xi,a）∈V是1个信息映射函数，赋予每个对象相应的信息值．2）属性值离散化．利用粗糙集进行属性约简有一定的前提条件，即决策表中的属性值必须是离散的，所以需要提前对决策表中的属性值进行离散化处理．离散化是在不改变数据相对大小的条件下，对数据进行相应的缩小，从而提高算法的时空效率．3）属性约简．数据离散化处理后即可以进行属性约简，将约简后的最简属性集作为RBFNN的输入向量，不仅可以降低RBFNN的计算复杂度，减少运行时间，还能提高RBFNN的预测精度．1.2 RBF神经网络RBFNN是1种局部逼近的前馈式神经网络．RBF指的是径向基函数，是由POWELL于1985年提出的．1988年，MOODY等将RBF函数与神经网络相结合，自此，RBFNN得到了发展和应用RBFNN是1种3层前向网络，其网络结构如图1所示．第1层输入层由多个神经元组成，起到输入数据的作用，本文中的输入数据即约简后的多个工程特征指标；第2层隐含层包含多个径向基神经元，隐含层的作用是通过RBF激活函数将低维非线性可分的输入映射到高维线性可分的空间，隐含层输出的大小是由输入与基函数中心点的距离决定的；第3层输出层的激活函数为线性函数，最终的输出结果是隐含层神经元输出的线性加权．RBFNN的主要算法如下：对于输入的工程特征指标X=(x式中：c经过式（2）的非线性变换之后，便实现了从输入层到隐含层的映射．隐含层到输出层的线性映射，需要借助线性激活函数来实现，其函数公式以及权重调节公式分别如式（3）、式（4）所示：式中：F2 工程特征指标的确定所谓工程特征是指能表示工程特点，且能反映工程主要成本构成的重要因素．本文在参照历史工程资料的基础上，咨询专家意见，对影响工程造价的特征指标进行了全面的筛选和分析，初步确定了楼地面类型C在所选的初始工程特征里，楼地面类型C3 案例分析3.1 工程特征指标约简本文收集了某建筑企业承建的15个类似住宅工程的样本数据，进行案例分析．首先采用粗糙集专业软件Rosetta中的Booleanreasoning algorithm离散化算法对建筑面积、层数、门窗面积、总造价这4个连续变量进行数据的离散化，然后将离散化的分类变量和连续变量形成初始决策表，选用Genetical algorithm对离散化数据进行属性约简．在运算结果中，以频次大于等于15为筛选标准，得到楼地面类型（17次）、建筑面积（30次）、门窗类型（15次）、外装饰（33次）4个核心指标．初始决策表、初始特征约简信息表以及约简后的