BP神经网络工程造价预测模型分析

导语：BP神经网络工程造价预测模型分析一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要:文章提出了bp神经网络对于工程造价的预测方法，通过对指标的选取，确定了样本数据；再将采集的数据传入到MATLAB平台打造的BP神经网络预测模型；首先验证了该模型的可行性，再将其余的样本输入到BP神经网络工程造价预测模型中，进行工程造价预测。预测的结果是实际值与预测值误差相差很小，实现了仿真实验的目的，证明了BP神经网络对工程造价预测的精准性。

关键词：工程造价；预测；BP神经网络；模型分析

随着我国经济水平的提高，建筑行业也得到了快速的发展，对于建筑的投资异常的火热，随之而来的就是投资的失控化，合理的投资决策变得有尤为重要。市场竞争日趋激烈，工程造价的估算制约着投资决策的准确性，传统的工程造价估算方法已经满足不了发展需要。在这样的需求背景下人工神经网络因其具有高度非线性和非局限性的特点，被应用在工程造价领域，而其中使用比较广泛的既是BP神经网络算法，本文将对BP神经网络的工程造价预测进行分析研究，探究其工程造价的精度如何。

1相关概念介绍

1.1BP神经网络

BP神经网络作为人工神经网络中应用广泛的模型，是普通的单隐含层神经网络模型，将收集到的样本数据作为BP神经网络通过输入层，在经过隐含层后通过输出层后得出结果，结果可能出现两种情况，即期望值与结果相符，则信号流动结束。若结果与期望值有差异，网络信号将进行反向传播，沿着同样的路径发射回去，在信号传递期间，采用梯度下降法，通过对权值阈值的修改。使之误差趋于平方和最小值[1]。

1.2工程造价预测

工程造价预测是指对项目进行造价的预测，发生在项目建设前期，通过计算来预测项目的建设费用，特点是快速同时对于准确度要求极高。

2基于BP神经网络的工程造价预测

2.1BP神经网络工作原理及特点

BP神经网络的拓扑结构包含接收外界信息单元的输入层，中层信息处于与交换的隐层，以及最后神经元输出的输出层，它的工作过程是，神经元信息通过输入层，在经过中间层后传至输出层，如果得到的结果与期望相符，正向学习过程结束，如果相差较大，将进行反向的神经元信息的传输，直至误差在阈值范围内，程序结束运输。BP神经网络的特点是具有非线性映射能力，泛化能力和容错性，这些特点都将为后期工程造价预测模型提供技术支持。BP神经网络的网络结构如图1所示。

2.2基于BP神经网络的工程造价预测合理性

项目施工建设过程中涉及到的实际问题和突发问题，导致对于工程造价数据的数据有很大的难度，BP神经网络因其自身的技术特点决定了，它可以为项目进行快速精准的预测，为投资人提供决策服务，同时可以避免传统算法精度较差和时间花费较长的问题，避免因这些问题错过了决策时间。

2.3BP神经网络算法缺点

对于隐含层的数目和神经元节点的数量无法把握，缺乏网络结构的理论依据；当误差较大时，神经网络为了较小误差就会进行反复的训练进行学习，但训练到一定程度后，误差减少的程度就会减低，想要达到理想误差，那么迭代数就会增加；如果BP神经网络收敛到局部极小值时，可能预测的精度就会降低[2]。

3基于BP神经网络的工程造价预测模型的构建

3.1工程造价预测指标的选取

此研究的数据信息是根据某建筑工程的实际建设情况展开的，对影响工程造价的主要因素进行了表格整理，某些因素可能会产生重合现象，因素对于工程造价的影响程度也是不同的，工程造价影响因素进行分类和内涵界定如表1所示。通过对概念的分类和整合，提取出17个影响工程造价的因素作为控制对象进行研究，每个因素都进行内涵的界定，选取的指标在工程造价领域均有参照标准，所选取指标也是行业能认可的参考对象。做完指标内涵界定后，仍需进行指标量化工作，将各项指标的数据设定成具体值，便于后期研究的进行[3]。

3.2BP神经网络预测模型解析

首先本文研究的BP神经网络预测模型是依靠MATLAB平台打造的，编写的模型也是来源于MATLAB平台中的工具箱模块。操作流程是利用该平台的工具箱来完成网络设计和训练工作。在进行模型构建时，已经选取了研究指标，并进行内涵的界定和量化工作打下了工程造价预测的基础。其次，就是采集研究对象产生的数据并进行整理分析，为了验证预测结果的准确性，本文将选取30个项目作为研究对象，得到的数据与项目对象分离，输入到MATLAB平台中的神经网络模型当中，从而实现模型的构建。最后将预测的样本输入到本文研究的预测模型之中，进行仿真实验来验证结果的精度，根据得到的精度情况在进行工程造价预测模型的可行性评估，流程如图2所示。

4模型仿真分析

4.1样本的选取

上文提到本文将选取29个工程项目作为试验的样本，为了避免因地质因素影响研究结果，特选取同一地点的项目，得到的数据也更具有代表性。在对研究样本选择时，明确了建筑面积范围，并且均是毛坯房，最后从中选取26个项目作为样本，其中21个作为训练，其余5个作为研究样本来进行仿真分析。

4.2BP神经网络预测模型的构建

首先，利用MATLAB平台中的工具箱设计一套BP神经网络。其次将选中的21个项目作为训练样本，输入到新构建的BP神经网络中进行模型的训练，目的是为了构建BP神经网络预测模型，通过训练的效果分析，得出实际工程造价数值与预测的数值差异不大，说明本文构建的BP神经网络预测模型训练效果很好，可以作为工程造价预测的模型进行研究使用。

4.3利用新构建的BP神经网络预测模型进行工程造价的预测

对于构建的BP神经网络预测模型，已经验证了拟合效果良好可以作为工程造价的预测模型，下面将剩余的5个样本作为预测样本，进行BP神经网络的工程造价预测。首先我们将剩余的5个项目样本为编号设置1，2，3，4，5。将5个样本输入到新构建的BP神经网络预测模型中，进行工程造价的预测。随后以图像的形式展示预测的效果，从图中可以看出预测的数据与5个项目实际的造价数据对比，对比发现两相误差很小[4]。

4.4BP评价神经网络预测模型的效果

4.4.1误差分析对于BP神经网络预测模型的预测结果，最直观的判断依据既是误差大小。为了保证研究的严谨性。本文将对5个项目样本的实际工程造价值与预测造价值进行绝对误差和相对误差的分析。绝对误差如表2所示。从表2中看出误差最大的是266元/m2误差可以接受，最小误差为-65元/m2可以看出BP神经网络预测模型的预测结果很精准。相对误差如表3所示。如表3所示，对于相对误差来说，误差相差最大值小于10%，依据行业标准，将相对误差控制在10%以内，该预测结果即为有效，因此无论是绝对误差还是相对误差的表现都很好，都能验证BP神经网络预测模型的预测的精准性。4.4.2测试结果稳定性分析测试结果的稳定与否也将决定预测的效果。为了充分验证BP神经网络预测模型的预测效果，本文将进行预测结果稳定的研究，利用上文中的相对误差表可以得出数值最大的误差为9.17%，最小的相差4.96%，浮动比例不大相对稳定，可以得出稳定性良好[5]。

4.5BP神经网络预测模型的预测速度分析

基于MATLAB平台进行的BP神经网络工程造价预测，利用系统中的编程进行测算，除了精度能够保证外，预测的速度相对于传统的预测方式和方法都具有绝对的速度优势，可以完美的实现投资人对于工程造价的需求，进而为投资人的决策提供支持。

4.6对BP神经网络工程造价预测模型影响因素分析

经过仿真分析，已经验证了BP神经网络预测模型的有效性和BP神经网络工程造价预测的精准性，我们将深入的分析对于模型结果产生的影响因素有哪些。本文将着重的分析样本个数对BP神经网络预测结果的影响。首先将样本个数增加至30个时，会对测试结果产生怎样的影响呢？通过实验得出测试的误差相比较之前的21个样本数时误差更大，说明BP神经网络工程造价预测在小样本数据上具有准确性，相比于其他的传统预测方式更具有优势，个数多时，误差较大不宜使用。即使是小样本数据也要保证基本的样本数，才能使结果更准确更具说服力。

5结论

本文通过对基于BP神经网络工程造价预测的研究，验证了构建的BP神经网络预测模型的有效性，再利用BP神经网络预测模型进行样本的仿真实验，得到了BP神经网络对于工程造价预测的准确性和快速性，实现了BP神经网络预测可行性的目的，但是该模型的测试范围还是有限的，在进一步提升预测精度和速度的同时，可以将BP神经网络预测应用的更广泛，使之能够为各行各业服务。

参考文献

[1]林骁元.基于神经网络的工程造价估算研究[J].价值工程.2018,37(27).

[2]王洁.基于BP神经网络工程造价预测研究[J].中国工程咨询.2017(09).

[3]陈新国.基于BP神经网络的建筑工程造价预测探讨[J].今日财富.2017(05).

[4]刘嘉威.基于BP神经网络的住宅项目工程造价估算模型研究[J].江西建材.2015,(16).

[5]王湘.基于神经网络算法的工程造价控制方法实证研究[J].赤峰学院学报（自然科学版）.2017,33(09):114-116.

作者：郭秀秀 单位：陕西省建筑职工大学