建筑工程的造价预测研究

前言：本站为你精心整理了建筑工程的造价预测研究范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

一、建筑工程实际造价预测模型

在建筑工程中，其实际造价预测是极其重要的，对于提高建筑企业对工程造价的控制力度有着极其重要的作用。要进行工程造价的动态预测分析，首先必须要通过相关的平台收集详细具体的工程项目进度信息以及工程项目的造价信息。然后再通过科学的评估法，分析施工建设环境（经济环境、政策环境、自然环境等）以及建筑材料的市场价格波动情况对实际造价预测的影响。另外，还要兼顾建筑施工设备的投入情况以及施工人员情况对工程造价的影响。结合施工建设单位历史造价的相关资料，以BP神经网络为基础建立起科学合理、切实可行的预测模型。在对未来工程造价进行预测的同时，还要以预测结果为基础对潜在的、可能遇到的造价控制问题进行预测。寻找问题，并对这些问题进行预防和处理。在建筑工程施工阶段，项目部必须要以合同为基础对工程造价进行有效的预测。通过统筹论证对造价控制进行分析，确保工程的实际造价始终处于可控状态。通过上交的造价控制表以及报告表，对造价控制的结果以及决策进行全面的分析。以造价控制的历史数据为依据，运用BP神经网络模型对实际造价的资金发展变化情况进行预测。再通过造价预测数据与造价计划的比较，明确建筑工程计划值。采取有效的改进措施，确保建筑工程实际造价预测结果的真实性和可靠性。

二、建筑工程实际造价动态预测模型的结构

1.建筑工程BP神经网络的结构设计

所谓的建筑工程BP神经网络的结构设计，就是指确定神经网络的结构层数以及每层神经元的具体个数。通常情况下，BP神经网络只存在一个输入层以及与之相对应输出层。本文所分析的BP神经网络结构，其输入层中的神经元个数的多少，关键要看影响建筑工程实际造价的因素。以某站外管线工程为例，那么可将管理水平、土壤等级、单位造价、气候情况作为BP神经网络中输入层中的4个神经元，将站外管线的总体费用作为网络输出层中的唯一神经元。在上世纪80年代，RobertHecht-Nielson就对在闭区间内的任何连续函数做了研究。他表示，在闭区间内的任何连续函数都可以用一个隐含层的BP网络来逼近。由此可见，隐含层的个数通常为1。而隐含层的节点可以通过公式NNNah10进行计算，得出结果为12。公式中的hN为节点数目，1N为BP神经网络中输入层的节点数，0N为BP神经网络中输出层的节点数，a为调节常数（取值范围在1～10之间）。通过分析可以得知，站外管线BP网络的结构为“4-12-1”。具体而言，就是BP神经网络中有4个输入节点，12个隐含层节点以及1个输出节点

2.建筑工程实际造价动态预测BP神经网络的创建

通过上文的分析，建筑工程BP神经网络的结构已经明确。然后要在此基础上，利用Matlab网络工具构建建筑工程实际造价动态预测的神经网络。再通过与之相对应的函数（Newff），进而形成相应的BP神经网络。一般而言，在训练BP神经网络时，可采取计算机梯度方式，通过调整梯度权值和阀值，从而保障性能函数达到最小。在Matlab网络工具中提供了很多函数可以进行训练，不过这些函数大多属于批处理模式的训练函数，一般都是由Train触发。在建筑工程实际造价动态预测BP神经网络中，通常都是选择Traingdm函数进行训练。该函数在对梯度权值以及阀值进行更新时，必须要考虑梯度方向（包括现在的梯度方向以及前段时间的梯度方向）。以此降低参照函数调整对网络性能造成的影响，避免局部小问题的出现。在设计完建筑工程实际造价动态预测BP神经网络以后，再使用相应的设计值对其进行训练。首先，在前向传播中，数据的输入到输出是一个从前到后的过程。将前后节点值相连，然后再将值按照各个连接权重的大小加权输入活动函数，从而得到新的值，再传播到下一个节点。其次，在回馈阶段，如果输出值与预测值存在差距，此时就需要对神经网络进行“惩罚性学习”。过程是：寻找某个发生错误的输入节点。如果这个节点的权重最高，那么就降低对它的信任值以示惩罚。与此同时，再升高那些正确传输节点的信任值（即是加高权重）。被惩罚的节点会继续向前寻找错误源，并惩罚它们，直到惩罚传播到最初的输入点为止。

三、通过实例阐述建筑工程实际造价动态预测的应用

1.模型建立

本文以某站外管线工程为例，对建筑工程实际造价动态预测BP神经网络的应用进行阐述。首先，在建立BP神经网络预测模型的过程中，必须要对影响站外管线实际费用的诸多因素进行考虑。一般来说，主要是针对管理水平、土壤等级、单位造价、气候情况这四项指标进行分析，将上述四项指标作为BP神经网络输入层中的4个节点。然后再将站外管线实际造价的预测值设为输出层中唯一的节点，中间的隐含层节点数以及层数。根据上文中的分析，使用1层12个节点，建立起“4-12-1”的三层网络。利用该网络，对2013年8月份的建筑费用进行预测，计划费用为2434万元。然后再建立建筑工程实际造价动态预测模型的训练样本，固定其预测值的偏差范围为。

2.训练与测试

（1）训练将相关的数据输入到BP神经网络中，采用学习算法进行反复运算。检测结果显示，其实际输出值与其计划值非常接近。起均方差D＜0.0002，证明其符合要求。

（2）测试因为误差小，故可以使用该BP神经网络对建筑工程的实际造价进行动态预测。若8月份的预期CPI指数为1.273，管理水平指数为1.1352，地质状况指数为1.0625，气候状况指数为1.232。将这四项数据输入已经训练好的BP神经网络中，预测目标值，可得预测费用为2517万元。通过模型预测得出的数据，CV＜0，即是指8月份的资金需求超过了计划费用。通过市场调研，最终查出导致预测费用上涨的原因是8月份的管材市场价格大幅上涨，使得管线实际费用超支。

四、结语

建筑工程是人们改造自然环境的主要方式，其目的在于为人类打造出更适宜生活的环境，提供给人类生活中所需的各种设施，比如出行、居住、娱乐、工作等。工程造价能否得到有效的控制，将直接影响到建筑工程的施工质量以及建筑企业本身的利益。鉴于此，建筑企业必须要建立起建筑工程实际造价动态预测BP神经网络，对实际造价进行动态预测。

作者：张艳青单位：河南惠德工程造价咨询有限公司