基于BP神经网络的大规模建设项目投资估算方法.pdf

基于 BP 神经网络的大规模建设项目投资估算方法张爽（浙江国信项目管理咨询有限公司，浙江宁波 315000）【摘要】目前大规模建设项目投资估算方法的估算结果与实际结果误差较大，估算速率较低。针对此问题，文章引入 BP 神经网络研究了一种新的大规模建设项目投资估算方法，分析市场要求，建立指数指标矩阵，确定指标和投资之间的关联度，根据关联度计算结果，通过归一化处理得到非线性算子，在 BP 神经网络内部通过并行处理得到输出值和输出值阈值，通过逆向分析得到连接系数，确定误差数据节点，建立估算模型，通过多次筛选得到特征算子，完成信息提取，与阈值进行对比，判断估算结果的合理性。实验结果表明，基于 BP 神经网络的大规模建设项目投资估算方法采用并行计算，数据拟合度能够达到 99%，与传统WSR 投资估算方法相比，估算速率提高了 30%以上，与 BIM 投资估算方法相比，估算速率提高了 35%，更适合于实际应用。【关键词】BP 神经网络大规模建筑建设项目投资投资估算【中图分类号】TU-9【文献标识码】A【文章编号】1008-2166（2023）04-045-06【DOI】10.19730/ki.1008-2166.2023-04-045A Method for Evaluating the Rationality of Large-scale ConstructionProject Cost Based on BP Neural NetworkZhang Shuang(Zhejiang Guoxin Project Management Consulting Co.Ltd.,Ningbo 315000,China)【Abstract】At present,the error between the estimation results and the actual results of the large-scale construction projectinvestment estimation method is large and the estimation rate is low.In view of the above problems,this paper introduces BPneural network to study a new large-scale construction project investment estimation method,analyzes the marketrequirements,establishes the index index matrix,determines the correlation degree between the index and the investment,and calculates the results according to the correlation degree.The nonlinear operator is obtained through normalizationprocessing,the output value and output value threshold are obtained through parallel processing inside the BP neuralnetwork,the connection coefficient is obtained through reverse analysis,the error data node is determined,the estimationmodel is established,the feature operator is obtained through multiple screening,the information extraction is completed,andthe threshold is compared to judge the rationality of the estimation results.The experimental results show that the BP neuralnetwork-based large-scale construction project investment estimation method adopts parallel computing,and the data fittingdegree can reach 99%.Compared with the traditional WSR investment estimation method,the estimation speed increases bymore than 30%,and compared with the BIM investment estimation method,the estimation speed increases by 35%,which ismore suitable for practical application.【Key words】BP neural network;Large-scale construction;Construction project investment;Investment estimation作者简介：张爽（1990），女，浙江宁波人，工程师，主要从事工程造价咨询工作。收稿日期：2023 年 2 月Engineering Cost ManagementValuation and Measurement45工程造价管理/2023 年第 4 期一、引言在建设过程中，分析项目投资能够有效控制成本，对提高施工质量和效率、增强同业市场竞争力有关键意义。随着我国经济的发展，建设逐渐多元化，在实施建设项目时，投标单位会进行投资估算。就目前来看，投资估算的精准性和快速性已经成为项目投标竞争考虑的重要因素之一1。通过投资估算，投资商能够充分地对各种因素，如周期、金额等进行综合性考虑，通过科学的方式选择综合实力最强的投标单位2。我国在投资项目方面起步相对较晚，虽然目前建立了多套理论知识系统，但是控制能力较弱，在针对大型建筑进行投资估算时，花费的时间相对较长，因此，研究有效的投资估算方法已经成为目前建设项目关注的重点问题。针对大规模建设项目投资估算这一问题，相关领域学者进行了多次研究。目前应用比较广泛的投资估算方法主要是 WSR(物理事理人理)投资估算方法和 BIM 投资估算方法两种。WSR 投资估算方法通过分析物理、事理和人理之间的关系，建立递进结构，分析不同因素的服务质量后，通过均衡控制，在确保效益最大化的情况下实现估算。该方法能够使复杂的投资成本估算过程清晰化和条理化，能够很好地完成成本控制。BIM 投资估算方法的应用模式十分广泛，通过建立信息模型更好地传递投资信息，提高估算效率3，4。虽然传统估算方法能够在一定程度上实现项目投资合理性估算，并控制成本，但是在估算过程中输入的主观因素过高，很难考虑客观因素变化，导致估算结果准确率较低。文章基于 BP 神经网络研究了一种新的大规模建设项目投资估算方法，选取项目特征，建立估算模型，并通过实验验证了估算方法的实际应用效果。二、大规模建设项目投资特征选取文章选取某市单体建筑面积为 21020m2的大规模建设项目进行投资估算。大规模建设项目具有耗时长、投资大、施工难度高等特点。文章研究项目位于草原地区，建设区域包含草原和山地，面积广，涉及的施工技术较多。在项目投资估算过程中，首先提取特征算子，特征算子包含线性分子和非线性分子，根据对特征算子的分析，提高估算投资的合理性。文章提出的 BP 神经网络，能够同时在输入层、输出层和隐含层内部估算，多个特征算子同时估算，既能够节约估算时间，也能够保证估算效果。在估算大规模建设项目投资时，需要充分分析各种器具建材的购置费用，确定安装过程中的不同项目费用，以及其他使用费用5。在计算过程中，需要通过分析工程量的特征指标，确定不同因素的投资。1、投资特征矩阵在选取投资影响特征之前，需要考虑市场生产要求，分析市场的竞争强度，深入了解国家政策和相关行政规范，在确定企业的技术水平、经济水平和管理水平后，综合估算项目投资6。大规模建设项目融合多种不同的结构，建筑结构特征是影响项目投资的主要部分。此外，由于建设项目需使用大量建材、施工机械以及劳动力，市场物价水平也会使投资成本产生差异，因此市场因素也是项目投资估算的重要内容之一。在综合分析上述投资指标后，建立投资指数，融合市场环境和国家政策。根据选取的投资特征建立指标体系，文章通过灰关联算法建立指标体系，在确定不同的指标序列之后，得到序列曲线密集度，判断曲线之间的差距，根据差距分析结果确定关联度。利用投资特征建立的非线性算子矩阵如式（1）所示。式中，X 表示非线性算子矩阵；m 表示大型建筑的样本项目；n 表示选取的指标特性。2、指标和投资关联系数根据单方面投资得到的参考数列数值，对特征x11x12x1nx21x22x2nxm1xm2xmnX=渊1冤计价与计量46指标进行分析，确定指标与投资之间的关系，通过关联度的方式确定指标和投资的紧密程度。设投资项目共有 i 个样本，则指标和投资之间的关联系数计算公式如式（2）所示。式中，表示得到的关联系数；j 表示指标；minj表示指标最小值；minj表示样本最小值；籽 表示建设项目的分辨系数；maxj表示指标最大值；maxi表示样本最大值。通过关联系数能够明确不同样本在投资特征矩阵中的占比情况7，8。3、归一化处理根据关联系数进一步深入分析关联度的计算过程，设有公式（3）：在确定指标，得到投资关联度后，通过标准化处理，保证估算的准确性。文章采用非线性化方法完成数据的归一化处理，计算过程如式（4）所示。式中，Xij表示在神经网络内部进行归一化处理得到的非线性算子；max xij表示被处理指标 xij得到的最大输出结果。根据式（3）可知，在估算过程中，需要明确不同项目的指标最大值，根据最大值分析归一结果，从而保证估算结果的实际应用能力9，10。对非线性的投资特征算子进行归一化处理，得到最优投资特征分子，在确定归一化结果后，根据归一化结果得到数据分析特征因素，提取特征因素，采用统计分析的方式共同存储在存储层，为后续的投资估算打下良好的基础。三、基于 BP 神经网络的大规模建设项目投资估算模型BP 神经网络结合了人脑组织的各种特点，在检测过程中具备很多人脑工作特征，可以采用分布式的方法对数据进行存储，同时采用并行处理方法提高估算过程中信息处理的容错性，使估算过程能够适应不同环境的发展11，12。1、基于 BP神经网络的大规模建设项目投资矩阵提取的特征算子有可能信息不全，通过分布式存储的方法将数据分布在不同的神经节点，利用神经节点进行并行处理，由于数据在输入过程中，可能会出现残缺或变形，因此需要利用神经网络分析数据状态，筛选异常数据并进行修复。BP 神经网络能够很好地分析环境状态，根据环境要求进行改变，通过自学习和自组织进行数据训练，调节大规模建设项目估算投资参数，对外界的刺激进行检测，如果发现外界存在新的刺激，则需要重新调节神经部位，构建新的网络。BP 神经网络结构如图 1所示。根据图 1 可知，利用 BP 神经网络建立投资估算模型，估算模型中有 n 个输入节点，m 个输出节点，投资网络中的节点总数量共有 n 个，连接神经网络的神经元。根据输入节点建立输入矩阵，设输入矩阵为 Z，输入矩阵如式（5）所示。Z=（Z1，Z2，Zn）输出矩阵为 T，输出矩阵如式（6）所示。T=（T1，T2，Tm）2、基于合理性估算误差的估算模型根据输出值和输出值得到阈值，分析在 BP 神经网络中，输出矩阵的输出值与理想值的差别，得到误差值。如果误差值较大，则需要对样本进行重新训练。确定投资估算的连接权，采用逆向分析得到连接系数，提高系数数值，从而确保神经网络能ijminjmini|Xi0-Xij|+籽maxjmaxi|Xi0-Xij|Xi0-Xij|+籽maxjmaxi|Xi0-Xij|=（2）ij（3）ij姿j=1m移mi=1（4）Xij=xijmaxxij（5）（6）图 1BP 神经网络结构误差反向传播期望值输入层隐含层输出层误差正向传播x1x2x3xnyny3y2y1Engineering Cost ManagementValuation and Measurement47工程造价管理/2023 年第 4 期够达到理想状态。文章采用并行处理，同时在输入层、输出层和隐含层计算输出结果误差值。误差计算公式如式（7）所示。式中，E 表示得到的输出结果误差值；D 表示在理想状态下，BP 神经网络的输入值；O 表示输出理想状态值；k 表示提取的特征因素；l 表示输入和输出过程的特征算子提取层数；Dk表示实际状态下的输入数据值；Ok表示实际状态下的输出数据值。通过分析将数据误差上升，在隐含层中得到新的数据误差表达公式，如式（8）所示。式中，f（netk）表示 BP 神经网络内部得到的投资估算数据网络常数。利用网络常数对误差数据进行重新整合，将整合后的数据再次上升，得到的输入层的误差数据节点，如式（9）所示。式中，棕jk表示在输入节点内部的输入层信息。在调整误差之后，对权值进行校验和调整，分析误差系数，根据误差系数分析结果进行调整。权值和误差系数的关系为正比关系，误差系数越小，权值越小13。根据权重分析结果建立基于 BP 神经网络的大规模建设项目投资估算模型，在模型不同神经层输入特征算子信息，对特征算子进行检测，得到误差数据节点，统一处理每一层的误差数据节点，根据误差节点输出估算结果。四、基于 BP 神经网络的大规模建设项目投资估算1、自动期望分析在建立估算模型后，利用估算模型进行投资预测，在输入层和输出层上分析投资的显著性状态，确立成本因子。分析隐含层内部的输入因子，将分析结果进行深入处理输出，在输出层建立自动期望曲线，如图 2 所示。根据图 2 的自动期望曲线将输出结果与输入结果对比，确定投资估算网络内部的神经元数量，为提高精度要求，增加隐含层个数，同时得到节点函数和初始值，在神经网络内部根据大规模建设项目的实际状态得到投资估算结果14。2、大规模建设项目投资估算基于 BP 神经网络的大规模建设项目投资估算过程如图 3 所示。图 3大规模建设项目投资估算过程选取特征项目因素开始是否存在异常？YN二次筛选主要项目特征因素NY满足指标要求？语言编写估算结果输出结束信息输出适应值建立预测模型YN图 2自动期望曲线期望值低于预期值高于预期值预期时间Now（7）E=12（D-O）2=12（Dk-Ok）2移lk=1E=12Dk-f（netk）2移Ik=1（8）E=12移Ik=1Dk-f 移mj=0棕jkf（netj）2（9）计价与计量48根据图 3 可知，在估算过程中，首先需要选取特征因素，根据大规模建设项目的实际特点进行两次筛选，第一次筛选出项目内部的所有特征因素，第二次对主要项目特征因素进行筛选，然后将筛选结果作为输入变量输入到预测模型内部，同时采用Matlab 编写代码和 C+编写语言进行编写，通过挖掘得到分析样本，对样本进行检验，利用评价模型内部的评价指标进行对比分析。如果满足评价指标要求，则证明被估算项目为合理项目；如果不满足评价指标要求，则证明被估算项目为不合理项目，需要再次拟合新的方案15。五、实例应用为了验证基于 BP 神经网络的大规模建设项目投资估算方法实际应用效果，针对大规模建设项目进行实例研究。从网络数据库中选取6 个已竣工大规模建设项目实例作为测试样本，利用基于 BP 神经网络估算模型进行测试，见表 1。由表 1 可知，基于 BP 神经网络的大规模建设项目投资估算方法相对误差值较小，结果较为精准。将该方法应用到文章预估的大规模建设项目中，同时和基于 WSR 投资估算方法、基于 BIM 的估算方法进行对比，探究估算效果。在估算过程中，通过标注得到估算结果，迭代次数共有 600 次，允许存在的误差在 10-2之内，运算过程产生的误差如图 4 所示。根据图 4 可知，基于 BP 神经网络的大规模建设项目投资估算方法的估算数据拟合度最高。BP 神经网络在初始化处理后得到权重和阈值，通过多次运算进行迭代处理，确保数据拟合度在 99%以上。而传统的估算方法在估算过程中由于缺少信息处理能力，因此无法消除随机误差，导致估算精度较低，数据拟合度无法达到估算要求。由此可以证明，文章提出的估算方法预测结果合理。将文章方法和基于 WSR 投资估算方法、基于BIM 的估算方法进行估算速率对比，实验结果见表 2。根据表 2 可知，文章提出的估算方法估算时间低于传统估算方法，与传统 WSR 投资估算方法相比估算速率提高了 30%以上，与 BIM 投资估算方法相比提高了 35%以上。造成这种现象的原因是，文章提出的估算方法采用并行处理进行数据估算，因表 1样本实际值与预估值对比样本编号单方投资实际值/元 m-2单方投资预测值/元 m-2相对误差值/%101010625.149089443.96234122553.67262724885.29102211048.02296827975.76图 4估算数据拟合度实验结果表 2估算速率对比结果估算项目估算时间/hWSR 估算方法BIM 估算方法BP 神经网络估算方法主体结构5.525.863.13围护结构2.882.991.02支撑结构1.251.440.33项目建材1.141.190.21施工机械0.330.390.15人工费用0.280.340.14Engineering Cost ManagementValuation and Measurement49工程造价管理/2023 年第 4 期【参考文献】1吕芳.基于 BP 神经网络的高层建筑工程成本造价评估模型J.自动化技术与应用，2021，40（3）:113-117，123.2夏睿，张裕，叶晓桐.基于突变理论与 BP 神经网络的建筑施工安全综合评价J.现代电子技术，2021，44（9）:176-181.3王张军，顾伟红，李健强.基于 WSR-GCM 的地铁 TBM 施工进度风险评价J.铁道标准设计，2020，64（9）:127-132.4郭柯兰，陈帆.基于 BP 网络-BIM 模型的深基坑工程风险量化研究J.建筑经济，2020，41（9）:39-43.5陈悦华，张锐琪，李晓.基于 GA-BP 神经网络的中国既有建筑绿色改造风险评价研究J.湖北农业科学，2020，59（8）:199-205.6林康强，林育松.基于模糊气候聚类和改进 BP 神经网络的建筑气候数据清洗方法J.西安建筑科技大学学报：自然科学版，2021，53（2）:275-282.7翁虎，何勇，梁健.基于 DE-BP 神经网络的室内热舒适评价方法J.计算机系统应用，2020，29（6）:230-234.8董娜，卢泗化，熊峰.大数据背景下基于 ABC-SVM 的建筑工程造价预测J.技术经济，2021，40（8）:25-32.9袁春林，弋理，欧辉，等.基于正向设计 BIM 模型的造价建模规则研究J.工程造价管理，2022（2）:24-31.10胡庆国，蔡孟龙，何忠明.基于 GA-BP 神经网络的综合管廊投资估算研究J.长沙理工大学学报：自然科学版，2020，17（2）:68-74.11陈小波，张媛媛，崔平.基于 SVR 的工程建设项目快速投资估算方法研究J.工程管理学报，2020，34（1）:143-148.12张静.市政道路工程投资估算方法改进研究J.工程造价管理，2021（5）:57-63.13任瑜杰，时训先，王文靖，等.基于 BP 神经网络的政府总体应急预案评估研究J.武汉理工大学学报:信息与管理工程版，2021，43（5）:412-417.14滕文龙，丛炳虎，商云坤，等.基于 MEA-BP 神经网络的建筑能耗预测模型J.吉林大学学报:工学版，2021，51（5）:1857-1865.15孔德扬，高磊.基于 BP 神经网络的铁路安全管理评价研究J.微型电脑应用，2021，37（4）:98-101.此能够在短时间内精准、高效地实现投资估算，尤其适用于大规模建设项目。基于 BP 神经网络的大规模建设项目投资估算方法在估算过程中建立投资估算神经网络，同时在输入层、输出层和隐含层进行投资估算，提取特征算子，通过特征算子分析确定投资合理性，文章提出的估算方法在估算成本和估算误差上都明显优于传统估算方法，具有更好的实际应用效果。六、结论文章以某市的某大规模建设项目为研究对象，通过实例，进行以下分析：（1）构建 BP 神经网络建立投资估算模型，在估算模型中确定估算因子，确定投资估算误差。（2）利用估算模型建立自动期望曲线，确立成本因子，进行投资预测。（3）根据特征因素得到最优的估算方法，输出估算结果，判断估算合理性。分析认为，文章提出的投资估算方法能够很好地满足估算精度要求，数据拟合能力更强，估算效率更高，在大规模建设项目中有很高的应用价值。计价与计量50