论文部分内容阅读
摘要：本文对建筑工程实际造价预测模型的建立进行了阐述，然后分析了建筑工程实际造价动态预测模型的结构。最后通过实例，阐述了建筑工程实际造价动态预测的应用，以供相关工程造价工作人员参考。
关键词：建筑工程 造价 模型
引言：
在建筑工程施工建设的全过程中，需要控制的内容很多，工程造价就是其中最为主要的一个方面。造价预测是造价控制的主要内容之一，可分为静态预测与动态预测。动态预测是在静态预测的基础上，根据国家的政策内容以及市场经济的具体情况，对与建筑工程相关的价格进行合理的调整以及预测。通过对实际造价的动态预测，可以向社会各层定期或是不定期发布建筑工程的经济指标以及造价指数。
1、建筑工程实际造价预知模型建立
若想对建筑工程造价进行实际预知，动态预知是关键。动态预知必须在相关的平台上收集具体建筑工程项目的进度信息以及工程的造价信息，采用科学的评估法，对施工环境和施工材料的市场价格变化情况进行研究，分析出两者对实际造价预知的影响。另一方面，必须注意建筑工程施工设备、技术的投入情况以及施工人员对工程造价的影响。然后结合建筑工程施工企业历史造价的相关信息，建立以 BP 神经网络为基础的预知模型，并保证其科学性、合理性和可行性。在预知未来工程造价时，需要在预知结果的基础上，对可能遇到的、潜在的造价控制问题进行分析预知，找到问题及时进行预防和处理，避免因小细节给工程带来质量问题，影响企业的健康发展。建筑工程施工过程中，相关管理部门需要在合同的起草、商议以及签订、实行上对工程造价进行有效的预知。通过统筹论证分析工程造价控制，保证建筑工程的实际造价始终处于可控状态。同时，根据上交的工程造价控制表和报告表，科学合理的分析工程造价控制的结果以及决策。以建筑工程施工企业历史的造价数据信息为基础，运用BP 神经网络模型对实际造价的资金发展以及变化情况进行分析预知。然后比较造价预知的数据与造价计划，确定建筑工程施工的计划值，并对施工中可能会出现的问题进行分析，有针对性的采取改进措施，确保建筑工程实际造价预知结果更加真实、可靠以及准确。
2. 建筑工程实际造价动态预测模型结构
对于建立在BP神经网络基础之上的建筑工程结构设计而言，其实质在于：根据建筑工程項目的实际情况，确定神经网络的结构层数，同时准确判定各个结构层神经元的具体数量。一般情况下，神经网络只存在一个输入层，且输入层与输出层之间保持一对一的对应关系、在本文中，所分析的神经网络结构输入层中神经元个数的多少主要受到建筑工程实际造价这一因素的影响，以某高层建筑工程为例，神经网络输入层当中可以划分为四个独立的神经元元素，其一为土壤等级，其二为管理水平，其三为气候条件，其四为单位造价。而总体费用则是输出层中唯一的神经元元素。从这一角度上来说，以该神经网络结构为立足点，工作人员需要通过对Matlab网络工具的应用，形成与该建筑工程实际造价动态预测目标相契合的神经网络，然后通过对应函数，形成一个独立的BP神经网络。需要特别注意的一点是：在对神经网络进行训练的过程当中，通常建议采取基于计算机梯度的训练方式，通过对梯度权值、阈值进行调整的方式，使性能函数达到最理想状态。在此期间，网络工具Matalb当中提供了含量以供训练，一般是采取Train触发的方式。具体到建筑工程实际造价的动态预测工作当中来看，神经网络的触发方式多以Traingdm函数为首选方案，在利用该函数更新梯度权值、阈值的过程当中，需要重点评估梯度方向可能对预测结果产生的影响（梯度方向的评估包括当前的梯度方向以及前段时间的梯度方向这两个方面），通过此项操作，恶意避免因参照函数调整而对整个神经网络性能产生的不良影响。
3.实际造价动态预测模型在实际案列中的应用
以某高层建筑工程为例，在结合该工程案例实际情况构建BP神经网络预测模型的过程当中，首先需要从工程特征的分析角度入手，根据工程特征，收集既往的工程经验数据，形成建立在BP神经网络基础之上的训练例子集合。为使问题更加简化，仅纳入对住宅型浇筑的分析，共纳入10个工程例子，其中8个用于学习，另有2个用于模型检验。根据BP学习算法，在C语言的辅助下编写BP神经网络通用程序，学习样本如下表所示（见表1）。
根据该学习样本集合，通过系统勘察与调研分析的方式，明确会对该工程实际费用产生影响的相关要素。本文以上分析中，认为会影响实际费用的因素有四个方面：其一为土壤等级，其二为管理水平，其三为气候条件，其四为单位造价。建模过程当中可以将以上四个方面的要素作为神经网络输出层中四个独立的节点。而对于神经网络输出层而言，仅涉及到一个独立的元素，即实际造价预测值。按照以上分析，可形成1层对应12个节点，整体结构为“4-12-1”的三层式网络结构。以该高层建筑工程XX年XX月的建筑费用为预测对象，计划费用为2400万元。在此基础之上，构建与该实际造价动态预测模型相对应的训练样本，并将预测值偏差范围固定在[0，2]区间内。首先需要在神经网络中输入相关的数据，采用学习算法对数据进行反复性运算与处理。在此基础之上，工作人员可以通过对检测结果的分析，判断其实际输出值与计划值的一致性情况。在本工程中，检测结果显示其均方差D<0.0002，证明计划值与实际输出值之间差异非常小，符合动态预测的具体要求。由于实际输出值与计划值之间的差异非常小，则可以将该神经网络模型直接作用于对建筑工程实际造价的动态预测工作当中。例如：对于该高层建筑工程而言，XX月预期CPI（单位造价）指数为1.283，所对应的管理水平指数为1.138，土壤等级指数为1.062，气候条件指数为1.232。根据以上数据，工作人员可以直接将其输入已经训练好的神经网络模型当中，并对目标值进行预测，预测费用为2500万元。通过对预测费用与计划费用的对比，认为：对于本工程而言，XX月的资金需求明显高于计划费用。得出这一结论后，相关人员可进一步查找产生该现象的原因，通过市场调研的方式最终查明：导致预测费用显著高于计划费用的主要原因是XX月份建筑原料市场价格有大幅度的提升趋势，结构施工费用超支。
4.结束语
在建筑工程项目建设实施的全过程当中，其实际造价的动态预测与整个工程造价的控制管理密切相关。企业须建立建筑工程实际造价动态预知 BP神经网络，保证实际造价动态预知的科学性、可靠性以及准确性，实现企业经济效益和社会效益最大化。
参考文献：
[1]常春光，尹凯.施工阶段工程造价动态控制研究[J].沈阳建筑大学学报（社会科学版），2014，01：60-65.
[2]张佳丽.略论如何有效实现建筑工程造价的动态管理[J].中国建筑金属结构，2013，06：138.
关键词：建筑工程 造价 模型
引言：
在建筑工程施工建设的全过程中，需要控制的内容很多，工程造价就是其中最为主要的一个方面。造价预测是造价控制的主要内容之一，可分为静态预测与动态预测。动态预测是在静态预测的基础上，根据国家的政策内容以及市场经济的具体情况，对与建筑工程相关的价格进行合理的调整以及预测。通过对实际造价的动态预测，可以向社会各层定期或是不定期发布建筑工程的经济指标以及造价指数。
1、建筑工程实际造价预知模型建立
若想对建筑工程造价进行实际预知，动态预知是关键。动态预知必须在相关的平台上收集具体建筑工程项目的进度信息以及工程的造价信息，采用科学的评估法，对施工环境和施工材料的市场价格变化情况进行研究，分析出两者对实际造价预知的影响。另一方面，必须注意建筑工程施工设备、技术的投入情况以及施工人员对工程造价的影响。然后结合建筑工程施工企业历史造价的相关信息，建立以 BP 神经网络为基础的预知模型，并保证其科学性、合理性和可行性。在预知未来工程造价时，需要在预知结果的基础上，对可能遇到的、潜在的造价控制问题进行分析预知，找到问题及时进行预防和处理，避免因小细节给工程带来质量问题，影响企业的健康发展。建筑工程施工过程中，相关管理部门需要在合同的起草、商议以及签订、实行上对工程造价进行有效的预知。通过统筹论证分析工程造价控制，保证建筑工程的实际造价始终处于可控状态。同时，根据上交的工程造价控制表和报告表，科学合理的分析工程造价控制的结果以及决策。以建筑工程施工企业历史的造价数据信息为基础，运用BP 神经网络模型对实际造价的资金发展以及变化情况进行分析预知。然后比较造价预知的数据与造价计划，确定建筑工程施工的计划值，并对施工中可能会出现的问题进行分析，有针对性的采取改进措施，确保建筑工程实际造价预知结果更加真实、可靠以及准确。
2. 建筑工程实际造价动态预测模型结构
对于建立在BP神经网络基础之上的建筑工程结构设计而言，其实质在于：根据建筑工程項目的实际情况，确定神经网络的结构层数，同时准确判定各个结构层神经元的具体数量。一般情况下，神经网络只存在一个输入层，且输入层与输出层之间保持一对一的对应关系、在本文中，所分析的神经网络结构输入层中神经元个数的多少主要受到建筑工程实际造价这一因素的影响，以某高层建筑工程为例，神经网络输入层当中可以划分为四个独立的神经元元素，其一为土壤等级，其二为管理水平，其三为气候条件，其四为单位造价。而总体费用则是输出层中唯一的神经元元素。从这一角度上来说，以该神经网络结构为立足点，工作人员需要通过对Matlab网络工具的应用，形成与该建筑工程实际造价动态预测目标相契合的神经网络，然后通过对应函数，形成一个独立的BP神经网络。需要特别注意的一点是：在对神经网络进行训练的过程当中，通常建议采取基于计算机梯度的训练方式，通过对梯度权值、阈值进行调整的方式，使性能函数达到最理想状态。在此期间，网络工具Matalb当中提供了含量以供训练，一般是采取Train触发的方式。具体到建筑工程实际造价的动态预测工作当中来看，神经网络的触发方式多以Traingdm函数为首选方案，在利用该函数更新梯度权值、阈值的过程当中，需要重点评估梯度方向可能对预测结果产生的影响（梯度方向的评估包括当前的梯度方向以及前段时间的梯度方向这两个方面），通过此项操作，恶意避免因参照函数调整而对整个神经网络性能产生的不良影响。
3.实际造价动态预测模型在实际案列中的应用
以某高层建筑工程为例，在结合该工程案例实际情况构建BP神经网络预测模型的过程当中，首先需要从工程特征的分析角度入手，根据工程特征，收集既往的工程经验数据，形成建立在BP神经网络基础之上的训练例子集合。为使问题更加简化，仅纳入对住宅型浇筑的分析，共纳入10个工程例子，其中8个用于学习，另有2个用于模型检验。根据BP学习算法，在C语言的辅助下编写BP神经网络通用程序，学习样本如下表所示（见表1）。
根据该学习样本集合，通过系统勘察与调研分析的方式，明确会对该工程实际费用产生影响的相关要素。本文以上分析中，认为会影响实际费用的因素有四个方面：其一为土壤等级，其二为管理水平，其三为气候条件，其四为单位造价。建模过程当中可以将以上四个方面的要素作为神经网络输出层中四个独立的节点。而对于神经网络输出层而言，仅涉及到一个独立的元素，即实际造价预测值。按照以上分析，可形成1层对应12个节点，整体结构为“4-12-1”的三层式网络结构。以该高层建筑工程XX年XX月的建筑费用为预测对象，计划费用为2400万元。在此基础之上，构建与该实际造价动态预测模型相对应的训练样本，并将预测值偏差范围固定在[0，2]区间内。首先需要在神经网络中输入相关的数据，采用学习算法对数据进行反复性运算与处理。在此基础之上，工作人员可以通过对检测结果的分析，判断其实际输出值与计划值的一致性情况。在本工程中，检测结果显示其均方差D<0.0002，证明计划值与实际输出值之间差异非常小，符合动态预测的具体要求。由于实际输出值与计划值之间的差异非常小，则可以将该神经网络模型直接作用于对建筑工程实际造价的动态预测工作当中。例如：对于该高层建筑工程而言，XX月预期CPI（单位造价）指数为1.283，所对应的管理水平指数为1.138，土壤等级指数为1.062，气候条件指数为1.232。根据以上数据，工作人员可以直接将其输入已经训练好的神经网络模型当中，并对目标值进行预测，预测费用为2500万元。通过对预测费用与计划费用的对比，认为：对于本工程而言，XX月的资金需求明显高于计划费用。得出这一结论后，相关人员可进一步查找产生该现象的原因，通过市场调研的方式最终查明：导致预测费用显著高于计划费用的主要原因是XX月份建筑原料市场价格有大幅度的提升趋势，结构施工费用超支。
4.结束语
在建筑工程项目建设实施的全过程当中，其实际造价的动态预测与整个工程造价的控制管理密切相关。企业须建立建筑工程实际造价动态预知 BP神经网络，保证实际造价动态预知的科学性、可靠性以及准确性，实现企业经济效益和社会效益最大化。
参考文献：
[1]常春光，尹凯.施工阶段工程造价动态控制研究[J].沈阳建筑大学学报（社会科学版），2014，01：60-65.
[2]张佳丽.略论如何有效实现建筑工程造价的动态管理[J].中国建筑金属结构，2013，06：138.