祁神軍,張?jiān)撇?丁烈云,

(1.華僑大學(xué)土木工程學(xué)院,福建泉州362021; 2.華中科技大學(xué)土木工程與力學(xué)學(xué)院,湖北武漢430074)

建設(shè)工程項(xiàng)目工序的LS-SVM工期預(yù)測(cè)模型

祁神軍1,2,張?jiān)撇?,丁烈云2,

(1.華僑大學(xué)土木工程學(xué)院,福建泉州362021; 2.華中科技大學(xué)土木工程與力學(xué)學(xué)院,湖北武漢430074)

鑒于傳統(tǒng)工期預(yù)測(cè)的模糊性和隨機(jī)性,分析影響工程項(xiàng)目工期的因素及參數(shù)的獲取方式.采用最小二乘支持向量機(jī)(LS-SVM)構(gòu)建建設(shè)工程項(xiàng)目工序工期的預(yù)測(cè)模型,并用工程實(shí)例論證方法的有效性.結(jié)果表明,對(duì)類似工程或者同一工程項(xiàng)目的類似工序的進(jìn)度執(zhí)行狀況進(jìn)行學(xué)習(xí),采用LS-SVM的工期預(yù)測(cè)模型預(yù)測(cè)即將開展的工程項(xiàng)目的工序工期,符合實(shí)際工期控制的要求.與基于BP神經(jīng)網(wǎng)絡(luò)工期預(yù)測(cè)模型對(duì)比分析, LS-SVM的工期預(yù)測(cè)模型的預(yù)測(cè)誤差更小,平均訓(xùn)練時(shí)間更短,網(wǎng)絡(luò)總誤差更小.

建設(shè)工程項(xiàng)目;最小二乘向量機(jī);工序;工期預(yù)測(cè)

進(jìn)度計(jì)劃是建設(shè)企業(yè)集團(tuán)工程項(xiàng)目進(jìn)度控制的指揮棒,而各工序的建造工期精確程度直接影響整個(gè)進(jìn)度控制.人為因素在工期估算中會(huì)產(chǎn)生隨機(jī)性和模糊性[1-2],而工程條件的多重復(fù)雜性也會(huì)導(dǎo)致工期的各種可能性.1987年,Thomas和Yiakoum is提出了影響高速公路項(xiàng)目的生產(chǎn)建造效率的因素,包括環(huán)境因素、施工現(xiàn)場(chǎng)因素、管理因素及中斷因素,并建立了相應(yīng)的勞動(dòng)生產(chǎn)率和產(chǎn)出因素之間關(guān)系的模型[3].1997年,Thomas等[4]將中斷因素分為資源、返工和管理3類.2001年,Ovararinand等[5]指出,影響建筑工程效率的13%～35%是工作面到材料倉庫之間的距離不夠引起的.Botero等通過10個(gè)案例的研究[6],指出影響進(jìn)度的因素一般包括10種因素,如工作開展之前的準(zhǔn)備、人力,進(jìn)度安排的精確性、材料,進(jìn)度執(zhí)行過程中的協(xié)調(diào)、返工、機(jī)械設(shè)備、天氣、設(shè)計(jì),以及其他因素.最小二乘支持向量機(jī)[7](Least Square SVM,LS-SVM)是經(jīng)典的支持向量機(jī)的發(fā)展和改進(jìn).它采用等式約束代替不等式約束,以平方項(xiàng)作為優(yōu)化指標(biāo),將二次規(guī)劃問題轉(zhuǎn)化為用最小二乘法求解線性方程組,降低了計(jì)算的復(fù)雜性,大大提高了求解速度.本文考慮了工程項(xiàng)目工期的隨機(jī)性和模糊性,并根據(jù)工程實(shí)踐提出諸要素的參數(shù)獲取方式,構(gòu)建了基于支持向量機(jī)(LS-SVM)的工期預(yù)測(cè)模型[8].

1 影響工序工期的因素及參數(shù)獲取

1.1 影響因素分析

不同工程項(xiàng)目,影響工期的因素是不同的.考慮到大型工程項(xiàng)目建造過程的共性,以及工序工期影響因素?cái)?shù)據(jù)的可獲取性,綜合國內(nèi)外學(xué)者對(duì)工期影響因素的研究,設(shè)定影響工序工期(t)主要有如下7種因素:建筑工程工序本身的工程量(Q),在該工序可分配的人員(P)、材料(M)及設(shè)備(E),可供該工序進(jìn)行的工作面(S),該工序的施工水文地質(zhì)條件(C),以及項(xiàng)目施工管理水平.施工水文地質(zhì)條件還包括施工階段的平均氣溫、施工階段凍土深度、施工階段的降雨量、施工階段的風(fēng)速等[9].

1.2 參數(shù)獲取[10]

根據(jù)工程項(xiàng)目實(shí)踐及參數(shù)的可獲取性、適用性等原則,提出參數(shù)獲取的方式,如表1所示. (1)Q可從工程量清單預(yù)算中直接獲取.(2)當(dāng)j工序僅有1種材料時(shí),M=;當(dāng)j工序存在多種材料時(shí)其中: mi,j,p(m)i,j分別表示i材料在j工序中的預(yù)算量和預(yù)算單價(jià).

(4)S是該工序可供工作的工作面與工程量之比.

(5)C取1,2,3,4共4個(gè)等級(jí).

表1 工程項(xiàng)目工期預(yù)測(cè)參數(shù)的取值Tab.1 Parameter values of p roject activity duration

2 模型的建立

設(shè)l組待訓(xùn)練類似工序樣本,即(x1,t1),…,(xl,tl)∈R6×R,xi=(Qi,Pi,Ei,Mi,Si,Ci).

(1)若因素Q,P,E,M,S,C與工期t構(gòu)成線性關(guān)系,則設(shè)其線性回歸函數(shù)為

(2)若因素Q,P,E,M,S,C與工期t構(gòu)成非線性關(guān)系,則使用相同的非線性映射φ.然后,把數(shù)據(jù)映射到一個(gè)高緯特征空間并進(jìn)行線性回歸.

關(guān)鍵的問題是核韓式K(x,y)的選取,使得K(xi,yi)=φ(xi)Tφ(xj),其非線性回歸函數(shù)的解為

因此,只需要通過訓(xùn)練樣本求解出參數(shù)a,b,即可對(duì)工程項(xiàng)目的工期進(jìn)行預(yù)測(cè)[11].

3 算例分析

3.1 樣本來源

某一建設(shè)企業(yè)集團(tuán)承建了某市地鐵的一個(gè)標(biāo)段,沿線需要建造若干灌注樁.根據(jù)建造完成的9個(gè)灌注樁的影響因素Q,P,M,E,C,S和工期t等的統(tǒng)計(jì)數(shù)據(jù),預(yù)測(cè)即將展開的第10,11個(gè)灌注樁的工期.樣本統(tǒng)計(jì)數(shù)據(jù)和待測(cè)樣本的基礎(chǔ)數(shù)據(jù),如表2所示.

表2 樣本統(tǒng)計(jì)數(shù)據(jù)和待測(cè)樣本的基礎(chǔ)數(shù)據(jù)Tab.2 Statistical data of learned samp les and basic data of forecasted samp les

3.2 訓(xùn)練仿真

經(jīng)過對(duì)樣本的訓(xùn)練,在網(wǎng)絡(luò)總誤差為0.011,b為-0.062 1,α=[51.101 5,-32.167 2,-1.078 1, -20.687 6,18.633 5,0.551 3,1.295 0,-18.963 9,1.315 5]的情況下,構(gòu)建訓(xùn)練模型.

在試驗(yàn)中,同基于神經(jīng)網(wǎng)絡(luò)的工期預(yù)測(cè)方法進(jìn)行了對(duì)比,結(jié)果如表3所示.表3中:tr,tc分別為實(shí)際工期值和預(yù)測(cè)工期值.BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入層設(shè)置6個(gè)神經(jīng)元,且采用Tansig轉(zhuǎn)換函數(shù);輸出層節(jié)點(diǎn)數(shù)為1,采用Purelin函數(shù),且選擇Traingdx函數(shù)進(jìn)行學(xué)習(xí)和訓(xùn)練.

表3 BP神經(jīng)網(wǎng)絡(luò)與最小二乘支持向量機(jī)的仿真結(jié)果對(duì)比Tab.3 Comparison between the simulation results by BPmodel and LS-SVM model

通過表3可得,BP神經(jīng)網(wǎng)絡(luò)與LS-SVM模型仿真的絕對(duì)誤差最大值分別為-0.130 4和0.019 5.其訓(xùn)練網(wǎng)絡(luò)總誤差分別為0.025 9,0.011 0;平均訓(xùn)練時(shí)間分別為82.031 0,0.453 0 s;平均訓(xùn)練誤差率分別為1.989 0×10-4,2.085 5×10-4.

由此可驗(yàn)證基于結(jié)構(gòu)風(fēng)險(xiǎn)的最小化.折衷考慮經(jīng)驗(yàn)風(fēng)險(xiǎn),置信區(qū)間的LS-SVM的預(yù)測(cè)模型對(duì)工程項(xiàng)目工序工期進(jìn)行預(yù)測(cè)時(shí),可能有更高預(yù)測(cè)精度和更快的訓(xùn)練速度[12].

3.3 工期預(yù)測(cè)

對(duì)待測(cè)工序的工期進(jìn)行預(yù)測(cè),第10,11個(gè)灌注樁的預(yù)測(cè)工期分別為3.30,9.56 d,實(shí)際工期分別為3.5,9.0 d,預(yù)測(cè)工期與實(shí)際工期的偏差分別為-3.32%,3.90%.導(dǎo)致誤差結(jié)果的主要原因是,在組織施工方面出現(xiàn)了窩工.從大型工程項(xiàng)目施工的角度來講,絕對(duì)工期偏差在半天之內(nèi)是允許的.

4 結(jié)束語

考慮工程項(xiàng)目工期的隨機(jī)性和模糊性,根據(jù)工程實(shí)踐提出影響工期諸要素的參數(shù)獲取方式,構(gòu)建基于支持向量機(jī)的工期預(yù)測(cè)模型.該模型能準(zhǔn)確地預(yù)測(cè)類似工程項(xiàng)目的工序工期,有效編制工程項(xiàng)目的進(jìn)度計(jì)劃,使工程項(xiàng)目建造過程穩(wěn)定均衡、工作流持續(xù)、建造周期縮短、建造成本降低、產(chǎn)品質(zhì)量和客戶滿意度提高.在大型工程項(xiàng)目工序工期預(yù)測(cè)中,該方法具有一定的指導(dǎo)意義和價(jià)值.

[1] 陸歆弘.模糊假言推理確定施工工期[J].基建優(yōu)化,1999,20(5):18-21.

[2] 何飛,張貴平.工程施工工期概率:模糊估算法[J].陜西建筑,2000(2):42-45.

[3] SANDERS S R,THOMAS H R.Factors affecting masonry-labor p roductivity[J].J Constr Engrg and M gm t, ASCE,1991,117(4):626-644.

[4] THOMAS H R,MA THEWSC T,WARD J G.Learning curvemodelsof construction p roductivity[J].JConstr Engrg and M gm t,ASCE,1986,112(2):245-258.

[5] OVARARIN N,POPESCU C M.Field facto rs affecting masonry p roductivity[C]∥Proc of the 45th AACE:International Transaction.Pittsburgh:[s.n.],2001:91-100.

[6] BOTERO L F,ALVAREZM E.Last p lanner:An advance in p lanning and controlling construction p rojects:Case study in the city of Medellin[C]∥Proc of the 4th Brazilian Symposium on Construction Management and Economics.Porto A legre:[s.n.],2005:1-9.

[7] SUV KENSJ A K,VUNDEWULLEJ.LeusL squares suppo rt vector machine classifiers[J].Neural Processing Letter,1999,9(3):293-300.

[8] SALEM O,SOLOMON J,GENA IDYETAL A.Site implementation and assessment of lean construction techniques [J].Lean Construction Journal,2005,3(2):1-21.

[9] 張?jiān)撇?胡云昌.人工神經(jīng)網(wǎng)絡(luò)的建設(shè)工期定額地域分類[J].華僑大學(xué)學(xué)報(bào):自然科學(xué)版,2004,25(3):270-274.

[10] 祁神軍,丁烈云,駱漢賓.大型工程項(xiàng)目工序工期精準(zhǔn)預(yù)測(cè)方法研究[J].重慶建筑大學(xué)學(xué)報(bào),2007,29(6):141-144.

[11] 宋志宇,李俊杰.最小二乘支持向量機(jī)在大壩變形預(yù)測(cè)中的應(yīng)用[J].水電能源科學(xué),2006,24(6):49-52.

[12] 辛治運(yùn),顧明.基于最小二乘支持向量機(jī)的復(fù)雜金融時(shí)間序列預(yù)測(cè)[J].清華大學(xué)學(xué)報(bào):自然科學(xué)版,2008,48(7): 1147-1149.

Forecast M odel of Activity Duration Based on LS-SVM in Construction Engineering Project

Q IShen-jun1,2,ZHANG Yun-bo1,D ING Lie-yun2
(1.College of Civil Engineering,Huaqiao University,Quanzhou 362021,China; 2.College of Civil Engineering and Mechanics,Huazhong University of Science and Technology,Wuhan 430074,China)

Referring to fuzziness and randomness for activity duration fo recast of construction engineering p roject by traditional ways,the influence facto rs of activity duration are analyzed,and parameter calculation is also p roposed.A fo recast model of activity duration based on the least square suppo rt vector machine(LS-SVM)is set up,and the analysisof a subway case confirms validity of thismodel.Themodel is trained by the schedule execution situation of the activities in o ther similar p rojects o r the similar activities in the same p roject,the activity duration sim ulated by the model confo rm s w ith the request of schedule controlling.In the forecastmodel of activity duration based on LS-SVM,the p rediction and network total erro rs is less,training time is shorter than the ones in he fo recastmodel based on BP.

construction engineering p roject;least square support vector machine;activity;activity duration fo recast

TU 722

A

(責(zé)任編輯:錢筠 英文審校:方德平)

1000-5013(2010)05-0562-04

2009-10-23

祁神軍(1982-),男,講師,主要從事工程項(xiàng)目管理的研究.E-mail:qisj972@163.com.

國務(wù)院僑辦科研基金資助項(xiàng)目(08QZR06);華僑大學(xué)高層次人才科研啟動(dòng)項(xiàng)目(07BS404)