基于机器学习的居住建筑工程造价预测探讨

论文价格:150元/篇 论文用途:硕士毕业论文 Master Thesis 编辑:vicky 点击次数:
论文字数:38989 论文编号:sb2021052610275635778 日期:2021-06-24 来源:硕博论文网
通过本文各章节的研究与分析,得到了结论如下。(1)在对文献调研的基础之上,对影响居住建筑工程造价的的因素进行分析,分别从建筑特征、结构基础特征、装修特征、建筑材料特征以及其他工程特征入手,初选出影响因素。通过专家问卷调查和制定筛选规则,对指标筛选。最终确定 15个输入参数,并对其进行量化。

1 绪论

1.1 研究背景
工程造价预测是建筑行业中的重要工作,从投资角度看,建筑工程管理包括项目前期的投资估算、方案设计阶段的设计概算、招投标阶段的工程预算以及项目竣工后的结算和决算等过程。而在此过程中,工程造价的投资估算是工程管理的重点,直接决定着一个项目的盈利能力。它是项目可研报告、方案选定以及投资决策的重要依据。因此,进行工程造价的预测能够为工程造价控制带来极大方便,具有较高的研究价值和意义[1]。
工程造价预测是利用前期积累的大量工程项目的造价数据,通过相关理论构建专业的数学模型来对要建设的工程进行造价预测。传统的工程造价预测主要使用简单的统计分析和线性回归理论,如单位指标法等。由于工程造价受到数量巨大且复杂的因素的影响,且以往在收集数据时随意性高、模糊性大,选取指标时未对施工单位的管理水平、专业能力等进行区分。导致这些预测方法中存在计算精度不高、时效性差和耗时较多等缺点,也不能很好地适应当下的经济体制,进而导致传统的工程造价预测耗时耗力且无法达到令人满意的精度和效果,也就使得工程造价预测失去了其原有的意义。因此,建筑行业急需一种科学有效的方法来改变工程造价预测工作的窘困局面。
BP神经网络是当前应用最广泛的机器学习算法之一,能训练和存贮海量的输入-输出模式映射关系,可以较为容易地对难以精确表达的非线性对象进行训练计算,而无须事前揭示描述这种映射关系的数学方程。因此,如何在工程造价预测的过程中引入先进的BP神经网络方法,进而保证工程造价预测的精确性和实效性,提高工程造价预测的整体效果是工程造价预测工作的当务之急,具有较为深刻的现实意义。
........................

1.2 研究目的及意义
1.2.1 研究目的
随着我国经济的迅速发展,建筑行业迫切需要一种性能优异的工程造价预测方法来克服当前工程造价预测时的计算精度不高、时效性差和耗时较多等缺点,改变工程造价预测工作的窘困局面。因此运用BP神经网络方法对居住建筑工程造价进行预测,主要有以下目的:
(1)在项目初期,进行工程造价预测工作的信息较少,利用BP神经网络能进行自主训练学习的优点,实现工程造价的快速、精准预测,为开发商在投资决策时提供有力决策帮助。
(2)通过对居住建筑工程造价预测指标体系的构建,明确居住建筑工程造价的各部分之间的关系,了解其各部分的重要程度,以便于进一步展开后续分析,以精准有效地控制项目的工程造价。
(3)通过利用BP神经网络对工程造价数据进行训练、测试,构建居住建筑工程造价预测模型,并利用以往的工程案例数据进行模型验证,以检验其实用性。待模型验证无误后,将建好的模型运用到实际案例中,为工程造价预测工作人员提供相应指导。
1.2.2 研究意义
居住建筑工程造价预测效果的准确性直接影响到项目前期的投资决策和招投标时候的报价竞争力,也关系到项目相关利益方在竣工后的效益情况,因此在科学合理的工程造价预测指标体系之上,构建精准有效的预测模型,以克服现有预测方法的计算精度不高、时效性差和耗时较多等缺点。
理论意义:为我国建筑行业对工程造价预测的研究提供思路和参考。将BP神经网络应用在居住建筑工程造价预测,它能够较为容易地对难以精确表达的非线性对象进行训练计算,构建预测模型,从而快速准确地进行预测,得到精准可信的结果。该研究可为我国建筑行业工程造价预测的智能化、快速化发展提供思路和参考。
实际意义:为我国建设项目全过程的工程造价管理提供参考。在项目初期,精确的造价预测可以为项目决策、项目规模确定等提供依据;在可研和设计时,工程造价预测可以为工程的设计概算提供参考;在招投标时,为施工单位提供合理的投标报价;在施工时,为建设各方提供合理的成本管理参考;在竣工时,为项目各方的结算提供支持。因此,精准的工程造价预测可为建设项目全过程的工程造价管理提供参考,为我国居住建筑工程造价管理的高质量发展提供支持。
.......................

2 工程造价预测与机器学习理论基础

2.1 工程造价预测对象研究
工程造价即工程的建造价格。根据中国造价管理协会的规定[38],建筑的工程造价有两种含义:
(1)从建设单位角度进行定义
建筑工程造价是指某项工程通过建设而形成的所有固定资产和无形资产等所需花费的全部费用之和。投资者从选定项目开始,对项目进行评估决策、初步设计及施工图设计、工程招标、过程施工以及竣工验收等一系列活动所支付的全部开支就构成了工程造价费用总和。从这个意义上讲,工程造价就是工程所需的投资费用。
(2)从承包单位角度定义
工程造价是指为将一项工程建设完成,在土地交易、设备购置或租赁、技术劳务分包或聘用以及工程承包等活动中所花费的各项支出而形成的建筑安装工程费用。这种含义是在中国特色社会主义市场经济和商品经济制度下而形成的。它以未完工程这种特殊商品作为交换对象,通过招标、发包等交易方式,在进行多次估算的基础上,最终由市场主导而形成的建筑安装工程价格。本研究主要从工程造价预测的第二种含义出发来进行工程造价预测研究,即本文所构建的居住建筑工程造价预测指标体系,是以居住建筑建设项目的建筑安装工程成本为基础,进而实现居住建筑的建造成本快速预测。无论从投资方角度还是承包方角度来说,建设项目的建筑安装工程成本都是工程造价中非常重要的一环。
(1) 建筑特征指标图
(1) 建筑特征指标图

........................

2.2 工程造价预测概述
2.2.1 工程造价分类
工程建设分为不同的阶段,主要有项目建议书阶段、可研阶段、初步设计阶段、深化设计阶段、施工图设计阶段、招投标阶段、工程施工阶段以及竣工验收阶段。通过对工程建设阶段的划分,按照工程建设阶段的不同,对应有不同的工程造价工作,分别代表不同的含义,主要分为投资估算、设计概算、修正概算、施工图预算、合同价、竣工结算和竣工决算七类[40]。
(1)投资估算
投资估算又称估算造价,是从投资角度所做的造价预测工作。投资估算是在项目的建议书阶段和可研阶段对既定的拟建项目进行初步计算,编制投资估算文件从而对投资额进行大致测算和确定。投资估算是项目早期的重要内容,是项目立项、方案选定及投资决策的重要参考依据,可为投资者提供决策支持。
(2)设计概算
设计概算是在较大或较为复杂的工程采用三阶段设计时,在进行深化设计时所做的造价工作。根据深化设计,通过编制概算文件对估算造价进行修正和调整,进而使得投资额更加准确。因此概算比设计概算更加准确。设计概算编制应按项目合理建设工期预测在项目建设期内的设备和材料市场供应及价格变化、建筑安装施工市场变化、项目建设贷款和租赁设备在项目建设期间的时间价值等动态因素对项目投资的影响,合理的确定建设项目投资。因此,本文主要探讨居住建筑工程概算预测。
(3)施工图预算
施工图预算是指在施工图设计阶段,基于施工图而编制的一种造价文件。它是施工图设计阶段的重要内容之一,是在设计完成的施工图的基础上编制完成的,因此它比修正概算更加详细和精确,但是会受到修正概算的影响和控制。
(4)合同价
合同价是指在工程招投标阶段,建设单位与承包单位通过正规的招投标流程,签订的工程总承包合同、施工总承包合同、材料采购合同等确定的价格,是用于给付承包方按照合同要求完成项目的价款数。由于后期一些客观因素的影响,合同价并不一定等同于实际工程价格。它由发承包双方根据国家有关法律法规、协议条款以及施工内容计算而来,属于市场价格的范围内的一种。
图2.2 BP 神经网络结构图
图2.2 BP 神经网络结构图
................................

3 居住建筑工程造价预测模型输入量选取.........................22
3.1 居住建筑工程造价预测模型输入量选择原则..........................22
3.2 居住建筑工程造价影响因素分析.........................................23
4 基于机器学习造价预测模型构建............................36
4.1 模型构建机理.................................36
4.2 确定居住建筑工程样本............................37
5 实例验证................................47
5.1 工程样本的选取............................47
5.2数据预处理....................50

5 实例验证

5.1工程样本的选取
在第四章中,建立了基于BP神经网络的居住建筑工程造价预测模型,本节将选择实际工程数据用于模型的训练、预测等。本研究所选取的居住建筑均位于内蒙古地区,均为已建成项目住宅的竣工决算数据。通过整理获取到45个项目的基本信息和最后的竣工结算造价信息。经过对项目的分析,去除掉无用信息后,最终确定使用其中40个项目作为本研究的样本数据。其中,将30个居住建筑项目的特征和造价信息作为预测模型的训练样本,将10个居住建筑项目的特征和造价信息作为预测模型的预测样本。
对于这40个项目的信息量化,分为两个部分,可以直接量化的则直接以原始数据在准,进行记录,例如建筑面积、层高、层数等输入参数,可以直接按照其原始数据作为模型的输入量;而对于定性的输入参数则参照前文中3.5节中的方法,对其量化,例如:居住建筑的基础类型,可以将箱形基础计为1、条形基础计为2、独立基础计为3、筏板基础计为4、井格基础计为5。通过这种方式量化完成的定性指标,再将其作为模型的输入量,进行造价的训练学习。
......................

6 结论与展望

6.1 结论
本文将主成分分析与 BP 神经网络结合应用于居住建筑工程造价预测中,建立了科学有效的估算模型,并充分显示了两者的优势。主成分分析将影响工程造价的众多复杂因素进行分析,得到少数个主控因素,并将这几个少数主控因素作为 BP神经网络的输入向量,建立工程造价预测模型,并通过工程实例对所建模型进行了验证。通过本文各章节的研究与分析,得到了结论如下。
(1)在对文献调研的基础之上,对影响居住建筑工程造价的的因素进行分析,分别从建筑特征、结构基础特征、装修特征、建筑材料特征以及其他工程特征入手,初选出影响因素。通过专家问卷调查和制定筛选规则,对指标筛选。最终确定 15个输入参数,并对其进行量化。
(2)利用 BP 神经网络,建立了工程造价预测模型。对模型输入参数的确定和筛选,最终确定了 BP 神经网络的模型结构,居住建筑工程造价预测模型的模型层次为 3 层,输入参数为 15 个,输出参数为 1 个,隐含层节点数为 10 个,学习率为0.1。同时,也对 BP 神经网络的其他参数也进行了相应设定。输入层数输入层的神经元激励函数采用双曲正切 S 型传输函数(TANSIG),隐含层的神经元激励函数采用线性传输函数(PURELIN),网络训练采用变梯度反向传播算法(TRAINLM),学习函数为梯度下降动量学习函数(LEARNGDM),性能函数选择均方误差性能函数(MSE)。
(3)通过主成分分析对 15 个输入参数进行分析,得出第一个主成分已经包含了 27.125%的原始信息量,前 8 个主成分已包含了原始指标 87.258%以上的信息量。将前八个指标作为新的输入量,形成 PCA-BP 神经网络预测模型。通过计算结果表明,PCA-BP 神经网络的居住建筑工程造价预测精度,高于 BP 神经网络的居住建筑预测模型。
参考文献(略)