前言:本站为你精心整理了环境空气污染监测中工程造价探究范文,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。
摘要:由于未进行有效地指标选取,导致环境空气污染监测中工程造价预测结果与实际存在较大误差。提出环境空气污染监测中工程造价智能化预测方法。利用层次分析法计算所有拟定影响指标的权重,利用粒子群算法(PSO)优化神经网络模型初始权值和阈值,构建改进神经网络(PSO-ANN)的预测模型,实现空气污染监测站工程造价智能化预测。结果表明:所构建预测模型应用预测结果与实际结果更为接近,二者仅相差1.46万元,证明所研究预测方法的准确性更高,为环境工程建设投资提供了可靠依据。
关键词:环境空气污染监测;工程造价;指标选取;神经网络;预测模型
前言
近年来,全球环境一直不断恶化,空气污染较为严重,因此空气污染治理一直备受各界关注。在污染治理当中,环境监测是前提和基础,各国非常重视空气污染的监测与治理[1]。基于上述背景,关于空气污染监测站成本预测的方法很多,但普遍存在预测不准确的问题。一旦所需要预测的工程量巨大,涉及到的指标因素众多,这些方法由于缺乏对指标因素的合理选择,导致构建的模型不是因为指标选择过多,增大数据量,就是指标因素选择过少,导致预测精度不足[2]。针对上述问题,提出基于层次分析法和改进神经网络(AHP-PSO-ANN)的空气污染监测站工程造价智能化预测方法,以期方便工程造价工作,提高工程造价预测质量,促进环保工程建设顺利。
1基于AHP-PSO-ANN监测站工程造价智能化预测方法
为更好地监测空气污染,为污染治理提供可靠的依据,污染监测站的建造是十分必要的。为更好地节约建造成本,控制成本支出,进行工程造价预测至关重要[3]。在这里结合层次分析法、粒子群算法和人工神经网络算法进行预测。
1.1预测模型指标筛选
构建模型的第一步是筛选指标,选择影响空气污染监测站工程造价的影响因子。影响监测站工程造价的指标有很多,有的指标概念重叠,需要合并,有的指标可直接对造价产生影响,而有的则是产生间接影响,因此指标选择的合理性至关重要[4]。选择的指标不能过多,也不能过少。指标过多,会增加计算量,干扰预测的准确性;而指标过少,则会导致预测精度下降[5]。为此,可通过层次分析法来进行指标筛选。层次分析法是一种通过对比各个指标对工程造价的影响程度来计算指标权重[6]。通过对比权重大小来筛选指标。层次分析法筛选指标流程步骤如下:步骤1:罗列所有对空气污染监测站工程造价产生影响的指标;步骤2:对指标进行整理,由此建立指标层次结构模型;步骤3:图1中同一层次指标两两比较,比较其相对重要程度,并进行评分。如极端重要则为9分;强烈重要为7分;明显重要为5分;稍重要为3分;同等重要为1分;稍不重要为1/3分;明显不重要为1/5分;强烈不重要为1/7分;极端不重要为1/9分。步骤4:根据比较得到的相对重要程度评分,建立判断矩阵A,其描述如式(1):其中,aij代表第i个指标相对于第j个指标的比较结果。步骤5:计算权重Wi,计算公式如(2):Wi=Wi∑nj=1Wi(2)其中,W=kMi(i=1,2,…,n)(3)Mi=πaij(i=1,2,…,n)(4)式中,Wi代表第i指标的权重;Mi代表判断矩阵每一行元素的乘积;W代表各行Mi的几何平均数;n代表指标数量;k代表方根值。步骤6:计算最大特征根。λmax=∑mi=1(AW)iW()in(5)步骤7:一致性检验。(1)计算一致性指标CI,计算公式如(6):CI=λmax-nn-1(6)(2)计算一致性比例CR,计算公式如(7):CR=CIRI(7)其中,RI为随机一致性指标,其取值见表1。(3)一致性判断。当CR<0.10,通过检验。步骤8:层次总排序。选出累积权重>0.7的指标作为预测模型的指标。将上述过程筛选出来的指标作为后续预测模型输入变量[7]。
1.2预测模型构建
1.2.1神经网络预测模型。选择指标后通过人工神经网络算法构建空气污染监测站工程造价智能化预测模型。。人类处理问题是通过大脑中神经元来完成的,因此人工神经网络就是模拟神经元工作原理进行预测的。通过上述章节选出的指标作为神经网络的输入变量,通过运算输出预测结果。人工神经网络有三层,每一次输入向量如下:输入层,向量为X(x1,x2,…,xi,…,xm);隐含层,向量为Y=(y1,y2,…,yk,…,yi);输出层,向量为Z=(z1,z2,…,zj,…,zn);三层之间的连接权值和阈值设置如下:输入层与隐含层:权值—wik;阈值—ξk;隐含层和输出层:权值—wkj;阈值—ζj;人工神经网络预测过程分为前向传播和反向传播两个过程。1.2.1.1前向传播隐含层运算:yk(=f∑mi=1(wikxi+ξk));k=1,2,…,u(8)输出层运算:zj(=f∑uk=1(wkjyk+ξj));j=1,2,…,n(9)式中,f()为传递函数。1.2.1.2反向传播(1)误差计算:计算输出层实际输出zj与设定的期望输出gj之间的误差Ej。Ej=∑nj=1(gj-zj)22(10)当Ej大于设定输出层阈值ζj,则进行反向传播。通过Ej调整权值和阈值。隐含层与输入层之间的误差Sk计算公式如(11):Sk=yk(1-yk()∑nj=1wkjE)j(11)(2)权重与阈值调整:输入层与隐含层,隐含层与输入层的权值调整公式(12)~(13):w'kj=wkj+hykEj(12)w'ik=wik+hxiSk(13)式中,w'kj、w'ik均为调整后的权值;η代表学习速率。输入层与隐含层,隐含层与输入层的阈值调整公式(14)~(15):ξ'j=ξj+hEj(14)ξ'k=ξk+hSk(15)式中,ξ'j、ξ'k均为调整后的阈值。1.2.2粒子群算法优化神经网络模型。神经网络算法具有很好的自适应性和学习能力,因此依靠该算法构建预测模型具有很好的智能性,但是权值和阈值的初始值是随机选择的,这样容易无法实现全局最优,预测结果不准确。针对上述问题,利用PSO优化模型的初始权值和阈值。粒子群算法是可通过不断迭代运算,寻找最优值的,其寻找神经网络预测模型权值和阈值过程见图1。图1中,粒子速度和位置下一次迭代更新计算公式如(16)~(17):速度更新:vk+1id=vkid+e1r1(Qkid-Ukid)+e2r2(Qkgd-Ukid)(16)位置更新:Uk+1id=Ukid+vk+1id(17)式中,k代表迭代次数;vk+1id代表k+1次迭代粒子i的速度;vkid代表k次迭代粒子i的速度;Ukid代表k次迭代粒子i的位置;e1、e2代表调节因子;r1、r2代表随机数,r1、r2∈(0,1);Qkid代表k次迭代粒子i的局部最好位置;Qkgd代表k次迭代粒子i的全局最好位置。
2算例分析
2.1工程概况
某监测站位于中西部地区,但是该地区工业发达,因此历年来工业污染逐渐加重,因此在该地区建立一个空气污染监测,实时掌握当地空气环境。该工程当时项目投资概算总计为652.30万元。其中,建筑安装工程费:土建、装饰、给排水、水暖、配电、通信、管线、其它等预计450万元左右(具体项目支出见章节3.4)。征地费用预计200万元。然而,在建设结束后,发现预计费用预测出现偏差,导致工程花费的实际费用远远超出项目投资概算总计652.30万元,达到了693.06万元,因此在后期追加了投资。在上述背景下,以这个已建设完成的空气污染监测站工程为例,根据已知信息预测该工程建设完成后所需要的成本,并与实际成本支出进行对比,验证预测方法的应用准确性。
2.2监测站工程造价影响指标筛选
利用层次分析法对拟定的监测站工程造价预测影响指标进行筛选,筛选结果见表2。从表3中可看出,在20个影响指标中,有5个指标的累积权重小于0.7,未选入后续神经网络预测模型的输入量,其余指标入选。
2.3神经网络预测模型训练
利用MATLAB2009a,构建一个神经网络模型,模型构建过程中所需要的参数如下:学习速率设置为0.1;迭代次数为100;初始权值为0.365和0.452;初始阈值为0.012和0.035;各层传递函数均为tansig。接着,利用粒子群算法构建的神经网络模型参数进行,优化后的初始权值为0.256和0.352;初始阈值为0.022和0.030。MATLAB2009a平台上构建优化后的神经网络预测模型,并利用train函数进行训练,训练样本为50个,训练结果见图2。图2神经网络预测模型训练结果从图2中可看出,测试样本输入后,得出的预测值与实际值误差很小,二者几乎达到重合,说明预测模型拟合效果好,可用于所研究监测站工程的造价预测当中。
2.4预测结果统计与分析
预测结果和实际结果对比如下:项目预测结果/实际结果(1)土建项目:256.36万元/257.25万元;(2)装饰项目:25.60万元/25.71万元;(3)给排水项目:52.36万元/52.85万元;(4)水暖项目:17.54万元/17.52万元;(5)配电项目:87.41万元/87.36万元;(6)通信项目:32.69万元/32.72万元;(7)管线项目:15.64万元/15.65万元;(8)征地费用:204.00万元/204.00万元;共计:691.60万元/693.06万元。从上述结果可知,所构建预测模型应用下,预测结果远超当时项目投资概算总计为652.30万元,与实际结果更为接近,二者仅仅相差1.46万元,证明所研究预测方法的准确性更高。
3结语
综上所述,为降低空气污染的影响范围,并进行有效治理,进行污染监测是必要的。污染监测主要通过监测站来完成,因此在各个地区中建立了各种监测站。监测站的建立需要大量成本,为降低成本浪费或者预防成本不足,进行环境空气污染监测中工程造价智能化预测方法研究。该研究经过算例分析,证明了预测方法的应用效果,但是本研究仍有需要改进的地方,即所构建的预测模型指标选取时未考虑气候等自然环境造成的影响,因此最后得出的结果与实际结果仍存在误差,这也是导致实际成本更高的原因,有待进一步优化和改进。
作者:方力炜 单位:温州职业技术学院