神经网络在工程造价及工程量快速估算中的运用探讨
基于BP神经网络的工程造价估算模型研究_李晓娟
0 引言
确定工程造价是建设工作中重要的一环 , 特 别是建设前的估算是工作的重点 , 它是成本控制 的基础 , 是进行成本控制的起点 . 通过工程造价的 估算, 业主单位能在进行设计招标之前大致确定 该工程的造价 . 现如今市场经济竞争十分激烈, 实 际招投标工作要求能快速准确地进行工程造价的 估算, 业主与承包商都需要快速和准确确定出工 程造价 , 这些要求了各单位需高效率工作, 而且还 得保证所计算出数字的精确性 . 建筑工程估价是 利用以往类似工程的数据, 并运用一定的模型而 进行计算的. 但估算由于影响因素多 , 加之所收集 数据的随机性、 模糊性等影响, 往往难以达到人们 满意的精度. 神经网络 ( Art ificial Neural Net w or k) 技 术 是根据生物神经系统的作用原理发展起来的并行 信息处理系统 , 它能够处理复杂非线性问题 , 具有 自组织、 自学习以及容错性等特点, 与传统的数学 方法不同 . 它是基于数据的建模 , 通过学习, 能够 有效地计算出隶属函数的最佳参数, 使得设计出 的推理系统能够最好地模拟出希望的或是实际的 输入输出关系 , 系统中的模糊隶属函数及规则是 通过对大量已知数据的学习得到的, 而不是基于 经验或是直觉任意给定的. 这对于那些特性还不 被人们所完全了解或者特性非常复杂的系统是非 常重要的, 本文正 是利用这一优点, 分析 基础类 型、 墙体形式、 内、 外墙装饰、 楼地面等 5 种主要因 素与每平方米造价和每 100 平方米的钢材、 水泥
表 2 检测结果分析 T ab. 2
测试值与序号 实际值 预测值 误差值 / % Q1 1 560 1 650 5. 7
果分别为每平方米造价和每 100 平方米的钢材、 水泥用量. 从建立模型以及估算结果来看 , 其评估 精度是令人满意的及结论是可行的. 因此 , 只要选 取的工程特征能够代表工程本质、 选取的训练样 本和待估工程类似 , 具有较好的应用价值 . 参考文献:
基于神经网络的建筑工程造价估计
基于神经网络的建筑工程造价估计摘要；在建筑工程施工过程中，工程造价对工程的施工质量、施工进度都有着重要的影响。
随着神经网络技术的发展，在工程造价方面逐渐使用了神经网络。
在建筑工程施工过程中准确的工程造价对建筑企业经营有着重要的影响，因此，在施工前要对建筑工程造价进行估计，以便能准确的掌握相关的信息。
关键词；神经网络；工程造价；估计一、我国建筑工程造价管理现状1、建筑工程造价管理监督做得不到位新时期，我国建筑市场正在处于上升期，但是其造价管理监督工作做得不到位，加剧了市场上不公平的竞争。
目前一些建筑企业中不规则的现象屡见不鲜，主要表现为：建筑过程中压缩工期、压低造价、拖欠公款等，严重影响了工程的效益和质量。
值得关注的是，建设中超预算等浪费现象也很严重，严重威胁到了整体工程的收益。
2、缺乏对建筑成本的重视度建筑工程施工的成本直接影响着建筑企业的收益，建筑造价的管理工作主要就是针对成本进行有效管理。
因此，建筑企业的工作人员必须要认识到这个问题的重要性，在做成本预算时就要考虑其重要性，力图最大限度提高经济效益。
如果这个问题没有受到重视，势必会影响工程的整体经济利益，在实际的造价管理工作中这种现象是很普遍的，严重不利于社会资源的节约，也不利于我国建筑事业的快速稳定发展。
3、我国建筑工程造价管理的计价方式落后目前，工程造价模式是我国建筑工程当中所使用的主要计价模式，它主要是以定额计价为主，但是随着经济的日益发展，这种计价方式已经不能满足现代经济发展的需求，也不能适应现代工程预期造价的需求。
在当今激烈的市场竞争中，现行建设主管部门编制的工程预算定额仅仅适用于当前的社会平均水平，要想把企业的实际消耗和技术管理水平有效地反应出来是真正难以实现的，这在很大程度上不利于企业的公平竞争。
二、神经网络分析法工程项目造价估算的方法有许多种，其中最常用的有以下几种：人工神经元网络技术、数理统计、定额计算、自适应过滤技术、经验公式、灰色理论以及模糊数学等方法，这些方法中目前采用最多的是人工神经元网络技术。
遗传神经网络模式下的工程造价快速估算研究
２适 应 度 函数 的 构 造 ．
本算 法 中将 适 应 度 函数 取为 输 出端 的误 差 平方 和 的 倒数 ， 即对第 个 ｉ 个体 ， 适应度 是 其
ｆ＝ ＝ ｊ ｆ— ｉ ） ＿ －
“
１ Ｊ
／
Ｊ Ｉ ∑（ｌｊ＋ Ｉ ＼ ｄ ｙ２ｅ ∑ ｊ￣ —）
其 中 ， 无穷小 的数 ， ８为 以防止输 出端 的误差 为零 ， ： 如 ００ ０ 。Ｐ为训 练样 本数 ， 为输 出层 结点 个数 ，ｊ ．０ １ Ｍ ｄ 为期 望 输 出， ｖ 为实际输 出 。 这样选 取的适应 度函数 比较 直观地 反
对 应 的 是 ｔ。 Ｏ ｉ
好 地解决 这类 问题 。但是 ， 神经 网络模 型 的结构 和参数 至 今 没有系 统 的规 律 可循 ，不 恰 当地选 取会 使 网络收 敛慢 ，
甚 至 造 成 网 络 发 散 ． 且 训 练 过 程 经 常 会 陷 入 局 部 极 小 而
值［ ３ １ Ｈ ｌｎ 。由 ｏｌ ｄ首先 提 出的遗传算法 是模拟生 物在 自然环 ａ 境 中 的遗传 和进 化 过程 而 形 成 的一种 随 机搜 索 全局 优 化 算 法 。 算法 在 问题 空 间进行 全 局并 行 的 、 该 随机 的搜 索 优 化。 使得种群 全局达 到最优 的收敛问。因此 ， 利用遗 传算 法 来优 化神经 网络模 型 中的参数 不仅 能够 找 到最优 解 ， 同时 能够保 证较快 的收敛速度 。
数 。 每 一 个 字 符 串 中； 应 于 一 个 隐 含 层 的 中 心 Ｃ、 度 对 宽
和权值 ｔ。 ｉ 一个分量 和 ｏ、 ｉ 别用 Ｌ Ｏ Ｃｅ 的 Ｒ ｒｔ分 ｉ Ｏ 个字节表 示 。
， Ｌ ｆ ＋ ） 每 Ｌ 字 节 则 ＝Ｎ ２Ｌ 。 个 表 示 Ｃ 中的一 维 ， ； ＮＬ个 对 应 的 是 Ｃ ，个 对 应 的 是 ｏ， 个 ； Ｌ ｒＬ
人工神经网络送电线路工程造价的快速估算重点
人工神经网络送电线路工程造价的快速估算摘要：根据送电线路工程造价结构的影响因素，结合人工神经网络的特点，提出了运用人工神经网络进行工程造价快速估算和审查的方法．分析送电线路工程造价结构和影响因素，构建关于送电线路工程造价的神经元输入输出向量，建立了相应的人工神经网络模型，导出了算法的实施步骤，通过历史工程样本训练和实例样本计算分析，得到了比较好的快速计算结果，满足了工程项目概算方案审查的要求，为电力工程概算提供了一种客观、快速的审查方法．关键词：BP算法；人工神经网络；造价估算工程建设项目设计造价的审查对于建设单位来说是个复杂的问题，在审查工程概算时，还会碰到技术方案问题2．目前审查人员主要是借助相关限额设计指标，结合自己多年来的工作经验，检查工程项目的概算，提出需要进行的费用调整．建设方采用这种做法，一方面主观性较强，人为因素比较多，缺乏合理的、统一的审查方式和费用调整标准，另一方面，十分有限的审查人员整天忙于应付大量的核对、查询工作，效率低下且还容易出错．因此如何快速、合理的完成工程项目造价的审查任务是一个值得研究的课题．对于工程造价的快速估算∞1和核算，国内外都有一些相应的研究。
国外有人采用成本估算的方法，建立工程成本的数据库，根据历史工程、类似工程的历史资料，结合相应的参考指标手册，用类比、回归的方法确定拟建工程的造价情况，也作为审核造价的方法．也有人利用典型工程建设经验，将模糊数学引入工程造价估计，提高计算速度，减少了计算周期∞j．还有人采用相似工程法来估算造价，但其主观性强，准确性还不够高．人工神经网络作为现代非线性科学的重要组成部分，它具有学习、记忆、联想、归纳、概括和抽取、容错以及自适应的能力，近年来在很多领域都得到广泛的应用．笔者尝试在送电线路工程领域，用某地区已建的费用合理、质量良好的送电线路工程造价构成作为学习样本，训练构造好的神经网络，用以对该地区待分析的送电工程项目造价进行的计算和评估，由此达到提高客观性和快速审查的目的．1 送电线路工程造价估算模型建立分析工程造价估算问题，可列为数学映射问题，神经网络的重要功能之一就是可以高度逼近任意2个不同维空间的非线性映射p』．因此，把用来描述工程造价特征的信息作为网络的输入向量x=(x。
工程造价估算模型种类及神经网络法应用
系， 实现从输入 状态空 间到输 出状 态空 间的非 线性 映射 。 另一 种运 行方 式是 演化式 ， 在这 种 网络 中输入 相 当于 初始态 ， 网络演化 的终态是 输 出。 种网络 类似 于一个 耗散 的非线性动 力 此 学系统 。 态空 间在 演化 中不断 收缩 ， 终收 状 最 缩 到一个 小的吸 引子集 ， 个吸 引子集 都有一 每 定的吸 引域 ， 能量 函数 是此类 网络的一个 基本
了应 用 分 析 。采 用 科 学 的 ， 简 便 的 而 又 准 确 的 遗 价 估 算 模 型 具 有 重 要 的 工 程 意 义 ，以确 保 工 程 投 资 及 控 制 目 标 的 顺 利 完 成 。 关键词 ：工程 靠价 估算模型 神经 网络 洪 中图分类 号 ： ２ Ｇ４ ０ 文献标 识码 ： Ａ 文章编 号 ： ６ ４ ９ ｘ（ ０ ９ Ｏ （） １ ７ １ １ ７ 一Ｏ ８ ２ ０ ） ８ ｃ一Ｏ ２ —０
量 。
块 。 用ｎ ｗｆ函数 可以用 来生 成Ｂ 网络 。 采 ｅ ｆ Ｐ 在 Ｂ 神经 网络生成和初 始化 以后 ， Ｐ 即可利用现有 的 “ 入～ 一 目标 ” 练 样 本 数 据 对 网络 进 输 训 行 训练 ， 网络 的训 练通 常采 用ｔａｎ ｒ ｉ 函数 来完 成 。 用 网络 仿真 模 块 和数 据 处 理模 块 。 Ｐ 利 Ｂ
２工程造价估算法种 类
目前 ， 国内 外 已 出现 的投 资估 算 方 法很 多 ， 要 有 最 小二 乘 回 归模 型法 、 数 测 算 主 指 法 、 程 系数 估算 法 、 程 建 设 概 算 指标 估 工 工 算 法 及模 糊 类 比估 算模 型 等 等 。 种方 法 均 每 有一定 的优缺 点和适用 范围 ， 最小二乘 回归模 型克服 了单位 面积 法的 缺点， 准确 性较 高 ， 但 其外推性 较差 ； 模糊 类比估算模 型优点 是准确 性较好 ， 模型建立起 来后 ， 计算较 为简单 ， 点 缺 是 隶属 系数 、 模糊 关 系 系数 和权 重系 数等 由 经验 确定 ， 并且要 求 不断调 整 ， 增加 了模型 建 立 的难 度 。 着模 糊数 学 理 论和 计 算 方法 的 随 发展 ， 这种 方法运用 于工程造价 测算具 有独特 的优 势 。 对待 建 工程 和 已建工 程 的相 似 程 可 序 进行定量化 研究和对 比 ， 从而快速 地利用 类 似 已建工程 的造价资料 ， 估算 出待 建工程造价 的方法 。 方法 的最 大 优 点是 能 在待 建 工程 此 还 处于图纸不全 的初步 设计 阶段时 ， 或在施工 图纸 比较 齐全的 阶段 ， 不必计算 分部分 项工程 量 ， 必套用概预 算定额 即可迅速而较 准确地 不 估算 出工 程造价 。 不过 此 方法也 有其 缺 陷 ， 就 是需要 建立起广泛 的信息来 源 ， 建立完 备的信 息数据库 和信息管理 系统 ， 这样 才能保证 估算
神经网络方法在钢筋混凝土工程估价中的应用1
神经网络方法在钢筋混凝土工程估价中的使用摘要：在发展中国家，神经网络方法可以为混凝土工程的造价分析提供一种指导性的工具，以克服各种变化因素已经主观因素的影响。
本文中，提出3中神经网络方法来评价一个发展中建筑市场里模板工程、钢筋工程以及混凝土工程的生产率。
18名专家被分在6个项目中手机数据，92项数据被收集用于分析。
使用了商业软件进行神经网络的计算。
处理过的数据被用于建立、训练、检验神经网络。
神经网络产生的框架显示出足够的收敛性已经相对较强的普遍适用性。
当对输入数据进行敏感性分析时，本框架也能对变化趋势的做出很好的表示。
关键词：神经网络；混凝土；生产率；计算机辅助；发展中国家；项目管理前言投资估算对于顺利完成建设工程项目是很必要的内容。
对建筑工程的估算可以分为对直接费用、间接费用、不确定费以及利润等。
直接费用包括材料费、人工费和机械费。
直接费是指构成工程实体的各项费用，它由各项定量指标和定性指标构成。
定量因素包括单位材料价格、单位人工工资、单位设备租赁费用和折旧。
定性因素更难确定，包括各种生产率以及建设风险等。
有经验的估价师依靠他们的经验对定性因素做出判断。
而相对缺少经验的估算师则可以通过工具来组合各种不确定因素。
神经网络方法是通过模仿人脑的功能，像人脑一样，通过对以往的学习，对数据做出归纳和总结。
数据网络在建设工程方面得到很多的使用。
Portas和Abourizk（1997）设计了一套神经网络系统对梁、板、墙工程中模板的生产率进行分析。
Sonmez和Rowings（1998）发展了对模板组装、混凝土浇捣、凝固过程的估算。
Arditi和Tokdemir（1999）试图用神经网络预测建筑工程诉讼的结果。
Alsugair和Al-Qudrah （1998）则用神经网络决定公路的翻新和否。
Hegazy和Ayed（1998）则用神经网络对高速公路进行估价。
Li et al（1999）则对建筑项目的投标确定进行顺利网络分析。
基于贝叶斯正则化神经网络的工程造价估算模型研究
基于贝叶斯正则化神经网络的工程造价估算模型研究
摘要
建筑业在我国经济发展中起支柱产业的作用.随着我国经济体制改革
的不断深入,经济的持续发展,固定资产的投资不断增加,往往在投资控· 制部分存在一些问题.在建设过程中投资随着项 目的进行而无法控制,最 终导致超出预期估算的局面,给投资人带来了无法预测的损失.因此投资 估算的正确性,合理性将直接影响到项 目的投资决策,投资控制,投资经
重点的建设全过程投资控制,指出投资估算在项 目建设前期的重要地位.
()分析投资估算的固有特点,总结传统投资估算方法的优缺点,展 2
望Hale Waihona Puke 程投资估算的发展趋势.()介绍神经网络在建筑工程领域的应用实例,阐述神经网络模型的 3
结构,主要特点,原理算法,提出其应用于投资估算的最佳模式.
()概括基于神经网络投资估算模型的基本原理,主要特点及框架, 4 详细介绍模型的函数及其主要功能,阐述了模型的训练和测试并探讨了系
在不同参数取值情况下的泛化性能. 最后, 通过实际运算结果表明: 系统的基本理论正确, 程序设计合理,
华北水利水电学院硕士学位论文
实际应用效果较好 .
关键词:神经网络,投资估算,泛化能力,贝叶斯正则化
�
华北水利水电学院硕士李位论文
到西方国家的 " 量"与 " 价"分离的做法m .即不依据定额,而靠造价师 的经验和技巧,参照当时当地的技术经济指标和造价信息来估算工程造
价.这种专家大脑的思维方式与神经网络工程的研究正好吻合.这就为投
资估算与神经网络的结合提供了思路与基础.
目 前神经网络数学模型己广泛的应用于公路,住宅,厂房等投资估算 中.它是对造价估算方式与国际接轨所作的有效尝试,并开拓了神经网络 的又一应用领域.本论文主要在以下的几个方面进行了研究: ( )建设工程项目 1 投资控制的现状,提出以项目前期投资决策阶段为
BP神经网络与TOC下工程造价预控措施分析
BP神经网络与TOC下工程造价预控措施分析为了对于工程的造价实施有效的预控，减少建设投资的不确定性，通过运用BP神经网络实施对于工程造价的预测，根据此方法预测出的结果对于工程的计量清单进行优化。
然后利用TOC理论对优化后的工程清单计价模式进行控制，从而达到了工程造价预控的实施。
文章以某工程为例，分别论述了BP神经网络的预测、TOC理论的控制、基于ＢＰ神经网络与ＴＯＣ理论的工程造价预测与控制，最后通过案例分析，证明了此方式的有效性。
标签：BP神经网络；TOC理论；工程造价；预控措施；分析建筑业作为我国的主要物质生产部门，一直以来都在国民经济的发展中占有重要地位。
即使是在2008年美国次贷危机以来，我国政府通过强有力的扩大内需的一系列措施，使得我国的经济继续的保持着快速的增长。
而建筑业也要在此过程中，不断的学习工程造价管理的先进方法，同时也要不断的总结实施工程造价中的经验教训，不断的大胆创新，从而不断的提升我国的工程造价实践水平以及理论层次。
下文主要结合BP神经网络对工程造价的预测以及TOC理论对工程造价的控制进行论述。
1 BP神经网络的预测BP神经网络的清晰表述是在20世纪80年代被提出的，这一算法的提出不仅解决了多层神经网络的学习问题，同时也实现了多层网络的设想，从而极大的促进了神经网络的发展。
BP神经网络的全称为Back Propagation，即误差反向传播神经网络，是一种多层、前向的神经网络，可以简单的理解为误差的传播方向是与信号的前向传播相反方向的。
一般的BP网络都有不止一个的sigmoid隐层以及线性的输出层，从而可以有效的实现对多个不连续点函数的逼近。
反向传播也就是从后向前的进行误差的调整，网络的权值顺着性能函数的梯度反向的调整。
BP神经网络的结构图如下图1所示，每一个神经元都是用一个节点表示，P、A是网络的输入以及输出向量，网络由隐层、输入层以及输入层节点组成，其中隐层可以是一层，也可以是多层，通过权将前后层连接起来。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
神经网络在工程造价及工程量快速估算中的运用探讨发表时间：2019-07-23T10:57:48.553Z 来源：《城镇建设》2019年第09期 作者： 熊琳[导读] 通过对工程投资估算规范性文件、相关研究的文献资料进行信息沉淀分析，咨询专家并结合工作实际情况，最终确立了7个影响工程投资估算的因素。
恒大地产集团（深圳）有限公司【摘要】针对目前我国工程可行性研究阶段估算方法不合理、投资估算精度不高、缺乏合理的定价依据、编制方法不合理等诸多问题，根据工程造价的特点，在分析现有投资估算方法优劣的基础上，提出运用神经网络模型估算法来估算桥梁工程的造价。文章通过对工程投资估算规范性文件、相关研究的文献资料进行信息沉淀分析，咨询专家并结合工作实际情况，最终确立了7个影响工程投资估算的因素，之后对7个影响因素运用技术手段进行了可量化处理,为以后工程造价估算提供了简单有效的方法，对工程造价的精度控制在10%以内起到了积极的作用。【关键词】神经网络；工程造价；工程量；估算；影响因素1引言
随着 “十三五”计划的不断深化，基础设施投资力度加大，修建了大量的道路、桥梁等工程。近年来，我国建设项目在投资建设过程中常常出现“三超”问题，做好工程的投资精度控制，直接影响项目的资金安排、工期安排，对控制三超意义重大。从目前投资控制角度来看，存在估算精度较低、缺乏合理的定价依据、编制方法不合理等诸多问题，影响整个项目的投资控制，为业主的投资融资计划带来了不便。
近年来，国内外对工程造价估算模型的研究主要运用人工神经网络、灰色关联分析、模糊数学、多元线性回归、案列推理等方法。已有研究针对传统方法预测精度低和样本需求量大等缺陷，构建了基于最小二乘支持向量机的预测模型，但支持向量机核函数较难确定，且核函数以后,在求解问题分类时需要大量的存储空间；有研究根据模糊数学方法计算拟建工程各特征函数的隶属度函数和贴近度,并计算出拟建工程的造价，此种方法需对模糊信息进行判断，并将工程进行相似度转化，难以确定与已建工程的贴近度；有研究人员通过案例推理研究结果整合运用，将案例的方法在工程造价方面应用，但具有相同特点的案例较为难收集，建立了单位面积投资与各单项工程投资之间的多元回归模型，并对该模型进行检验及实例验证分析，然而多元线性回归对于工程造价非线性求解具有局限性且样本需求量大。基于此，本文采用神经网络算法构建模型，将选取指标作为工程造价预测模型的输入集，进行住宅工程项目造价预测。2 工程造价及工程量估算的特点
建筑工程按照不同工作环境可分为，房屋建筑工程造价、市政委建筑工程造价、园林项目建筑工程造价、道路建筑工程造价、航空港建筑工程造价、矿类建筑工程造价等。建筑工程造价通过对不同工作环境进行细致化算法， 提升建筑工程造价适用性。 建筑工程造价具有资金流通性、资金融合性、工程逻辑性、工程浮动性等特点。资金流通性是指建筑工程造价所消耗资金巨大，在进行资金交易时通过多途径资金流通令项目持续进行。资金融合性是指建筑工程材料费用、建筑工程设备费用、建筑工程综合费用相融合。工程逻辑性是指工程项目中建筑工程顺序性， 先对总体进行评估定价，再依次对个体进行评估定价，形成工程造价的逻辑性。工程浮动性是指在项目施工过程中，由于工期时间较长，材料及人工价格会产生上下浮动状态，令整体工程造价发生浮动性变化。 建筑工程造价按照计算方式不同可分为投资型算法、预设型算法、修改型算法、图案型算法等。 3 住宅工程造价特征指标选取
根据建筑工程造价的含义可以将工程造价分为建设投资和建设期利息两部分，建设投资又包括工程费用、工程建设其他费用以及预备费，本文主要考虑项目立项以及设计阶段的工程造价费用，因而未考虑建设期利息部 分。在项目立项以及设计阶段，建设用地费用基本确定，然而建筑工程的相关信息相对较少，往往只能通过初步确定的项目类型、工程结构等项目参数以及以往工程项目信息价格对工程造价进行估算。
建筑安装工程费可按造价形成划分，也可按照费用构成划分。按照造价形成划分，可以划分为分部分项工程费、措施项目费、其他项目费以及规费税金。也就是说，其自身的设计参数也是计算建筑工程造价的重要依据。传统的工程造价是将建设项目中单项工程、单位工程为对象，根据设计图纸按照相应规范计算工程量套用定额，其精准度较高，但工作量较大，所需时间较长。钢筋及砼工程主要是根据工程结构类型不同得到的工程量也不同，因此可选取结构类型作为钢筋及砼工程的特征指标；施工技术措施费多数是根据建筑面积计量的，因此建筑面积可对其良好反映；根据各分部分项工程特点，最终选择结构类型、基础类型、基础埋深、门窗面积、混凝土平米含量、地上建筑面积、地下建筑面积、地上层数、地下层数、地上平均层高、地下平均层高、檐高 12 个项目特征指标。参考以往文献，结构及基础类型往往作为定性指标出现在造价估算中。
按照费用构成要素划分，可以划分为人工费、材料费、施工机具使用费、企业管理费、利润以及规费税金。材料费的变化对工程费用的影响较大，也会造成管理费和利润等费用的变化，从而影响工程项目总造价。因此，主要材料的价格对控制工程造价显得非常重要。选取钢筋价格增长率、商品混凝土价格增长率作为影响工程造价的 2 个市场影响因素指标。4神经网络模型4.1 MLP神经网络
多层感知器（Multilayer Perceptron，缩写 MLP）是一种前馈神经网络，它可以被看做是一个有向图，包含对个节点层，每个节点都是一个神经元带有非线性激活函数，也可以叫做处理单元，节点从外部或者其他节点接收输入，经作用函数计算输出，基本结构如图 1 所示。其实质是通过大量样本学习训练自我调整连接权值，模拟非线性输入和输出。 MLP 网络模型算法核心思想是：通过前向通路（箭头的方向）得到误差，再把该误差反向传播实现权值 w 的修正。 MLP模型网络初始权值是任意设置的。4.2 BP神经网络 4.2.1 BP神经网络概念 BP神经网络模型能够很好地模拟项目特征与工程造价之间的非线性关系，提高投资估算的精度，工程的投资估算进行研究时现已采用BP神经网络模型，并通过Matlab软件实现对神经网络模型的运用。现有研究成果表明，BP神经网络模型可通过自学习能力，处理多个数据间的非线性关系，建立多个影响因素与输出结果计算关系模型，这一特点正好与工程投资预估的要求相适应，因此可以选择BP神经网络，建立建筑工程的投资估算模型。BP神经网络预估模型操作过程如图2所示。
4.2.2BP模型的建立
建立BP神经网络模型的主要工作步骤有以下6条： 1、始数据的采集及输入。 2、数据归一化分析与处理。 3、理数据的网络训练。 4、验网络训练成果，对输出数据进行仿真分析。 5、对比仿真数据与采集样本数据。 6、得到满足误差要求的算法，对拟建项目进行计算。（1）原始数据的采集及输入
收集工程项目数据，并随机选择20组数据进行模型的构建与准确性分 析，然后将最后一组数据代入所得模型中进行计算，进一步验证模型计算的精度。其中前20组数据为模型构建使用数据，最后一组数据为验证模型精度的数据。（2）数据归一化分析与处理
由于选取的7个影响因子的取值范围及单位不同，致使自变量的量纲不同，因此需要首先进行量纲换算、统一，消除量纲对模型运行产生的“噪声干扰”，提高模型的运算精度。 （3）运用Matlab软件进行BP神经网络建立空心板梁模型的建立
通过不断的计算及结果反馈，逐步为7个影响因素的权重进行优化，建立数据建的网络联系，在Matlab软件BP神经网络工具箱中用生成前馈BP 神经网络的函数newff建立模型。 （4）检验网络训练成果，对输出数据进行仿真分析
经过上述语言的运算，影响工程投资的7 个因素与总投资之间的BP网络已经搭建完毕，将 20组数据输入构建的计算模型中，正向计算出工程的总投资，与实际值进行对比。通过输入影响因素计算出的预估总投资与实际值基本一致，进而证明构建的计算模型可以较为准确的反应出 20组基本数据之间的内在联系，所得模型具有较好的准确性。（5）模型的误差检验
为了进一步验证模型的准确性，将最后一组数据输入到构建的网络模型中进行计算，将得到的总投资估计值和实际总投资进行对比发现两者误差小于5%，可以得出采用文章构建的基于BP神经网络技术的工程投资估算模型得出的工程的预估投资与实际总投资之间的误差率较小，可以满足工程可行性研究结算的投资精度控制要求。5 结束语
针对目前工程造价控制精度低、投资控制效果差的现状，结合工程自身的特点，依托BP神经网络模型建立了工程投资估算模型，并对其准确性及精度进行了验证，误差率较小，已将其控制在±10%以内。 将BP神经网络模型应用于工程的投资估算控制，可有效提高方案比选、设计优化及投资控制的效率，对于项目决策的准确性与合理性起到积极作用。【参考文献】[1]黄永军,赵娜.BP神经网络技术方法在市政空心板梁投资估算模型中的应用[J].工程造价管理,2019(02):5-13. [2]路妍. 粒子群优化BP神经网络算法在输电线路工程造价预测中的应用[A]. 中国电力科学研究院.2018智能电网新技术发展与应用研讨会论文集[C].中国电力科学研究院:《计算机工程与应用》编辑部,2018:5.
[3]陈磊,陈乐.基于神经网络的装修工程造价快速估算方法研究[J].宁夏工程技术,2018,17(04):334-337. [4]时艳.基于BP神经网络预估的绿色建筑造价成本研究[J].建材与装饰,2018(48):114-115. [5]赵路.三代核电站仓库消防工程造价估算模型研究[J].山西建筑,2018,44(30):217-219. [6]张如好,柳裕政.基于可变模糊理论的建筑工程造价估算研究[J].山西建筑,2018,44(28):204-205. [7]钱源,琚静.基于神经网络技术的公路工程补充定额编制[J].珠江水运,2018(18):74-75.