侯文婷

摘 要： 傳統(tǒng)建筑工程成本分析方法存在運行效率低、收斂性能差，導致成本分析不準確。因此提出基于粗糙集理論的建筑工程成本分析方法，構建粗糙集?小波神經(jīng)網(wǎng)絡預測模型，實現(xiàn)建筑工程成本的準確分析，通過粗糙集屬性約簡過濾掉冗余屬性，減少小波神經(jīng)網(wǎng)絡輸入節(jié)點，降低網(wǎng)絡結構的復雜性，提高網(wǎng)絡訓練效率和精度。利用此預測模型，將采集到的建筑工程成本干擾因素通過粗糙集理論實施約簡處理，將約簡的因素作為小波神經(jīng)網(wǎng)絡的節(jié)點輸入訓練網(wǎng)絡，得到建筑工程成本的分析結果。實驗結果說明，所提方法具有較高的運行效率和收斂性能，能夠對建筑工程成本進行快速、準確的分析。

關鍵詞： 粗糙集理論； 建筑工程； 成本分析； 小波神經(jīng)網(wǎng)絡； 約簡； 冗余屬性

中圖分類號： TN711?34； F407.9 文獻標識碼： A 文章編號： 1004?373X（2018）19?0083?06

Abstract： The traditional cost analysis method of construction engineering has low operation efficiency and poor convergence performance， which leads to inaccurate cost analysis. Therefore， a construction project cost analysis method based on rough set theory is put forward， in which the rough set and wavelet neural network forecasting model is constructed to realize the accurate analysis of the cost of construction engineering. The attribute reduction of rough set can filter out the redundant attributes to decrease the number of input node of wavelet neural network， reduce the complexity of network structure， and improve the efficiency and precision of network training. The acquired factors influencing the construction engineering cost are reduced by means of rough set theory， and the reduced factor is deemed as input node of wavelet neural network for training network to get the analysis result of construction engineering cost. The experimental results show that the proposed method has high operation efficiency and convergence performance， and can quickly and accurately analyze the cost of construction project.

Keywords： rough set theory； construction engineering； cost analysis； wavelet neural network； reduction； redundant attribute

隨著經(jīng)濟的快速發(fā)展，建筑行業(yè)的市場競爭不斷提升，高質量的建筑工程成本管理能夠提高建筑工程的效益，增強建筑企業(yè)的市場競爭力。尋求有效的建筑工程成本分析方法，對于確保建筑企業(yè)健康快速發(fā)展具有重要應用意義[1]。傳統(tǒng)基于神經(jīng)網(wǎng)絡的建筑工程成本分析方法，存在運行效率低、收斂性能差，導致成本分析不準確。為了解決該問題，本文提出基于粗糙集理論的建筑工程成本分析方法，采用粗糙集?小波神經(jīng)網(wǎng)絡預測模型，實現(xiàn)對建筑工程成本的快速、準確分析。

1 基于粗糙集?小波神經(jīng)網(wǎng)絡的建筑工程成本分析

粗糙集理論能夠依據(jù)不可分辨原理以及知識約簡措施，基于數(shù)據(jù)得到邏輯規(guī)則，將該規(guī)則當成知識系統(tǒng)的模型，輸出定性以及定量的混合性信息，對條件特征以及決策特征間的關聯(lián)性實施設置，對決策表實施約間獲取輸入空間同輸出空間間的關聯(lián)性，將冗余屬性過濾掉，使得知識表達空間維數(shù)降低。小波神經(jīng)網(wǎng)絡基于小波變換以及動態(tài)映射原理，采用小波神經(jīng)網(wǎng)絡結構對輸入同輸出關系知識的隱藏函數(shù)編碼實施分析[2]，對網(wǎng)絡結構實施學習、調控，得到輸入空間與輸出空間的關聯(lián)性。本文結合小波分析、神經(jīng)網(wǎng)絡及粗糙集理論，即粗糙集?小波神經(jīng)網(wǎng)絡預測模型，實現(xiàn)建筑工程成本分析，通過粗糙集原理對小波神經(jīng)網(wǎng)絡輸入端樣本實施約簡處理，得到屬性間的關系，對小波神經(jīng)網(wǎng)絡結構進行簡化。

1.1 粗糙集?小波神經(jīng)網(wǎng)絡預測模型構建

本文設計的基于粗糙集?小波神經(jīng)網(wǎng)絡建筑工程成本預測模型結構如圖1所示。

圖1中預測系模型是小波神經(jīng)網(wǎng)絡智能預測系統(tǒng)，網(wǎng)絡的前置結構是粗糙集，對網(wǎng)絡輸入節(jié)點實施預處理。

1.1.1 粗糙集的約簡過程

1.2 建筑工程成本因素分析及數(shù)據(jù)采集

建筑工程項目具有規(guī)模高、周期長等特征，建筑工程成本和較多因素間具有一定的關聯(lián)性。本文對某建筑企業(yè)進行研究，得到建筑工程數(shù)據(jù)，通過專家調查方法獲取影響建筑工程成本分析的干擾因素，這些因素主要有定量指標及定性指標[5]。定量指標是建筑面積、占地面積、建筑總高度、層高、工期、建造當年的造價指數(shù)等；定性指標是建筑用途、結構種類、地基種類、基礎類型、門窗類型、項目管理水平以及施工現(xiàn)場狀態(tài)等。

1.2.1 數(shù)據(jù)的離散化

2） 定性指標。對定性指標的離散化操作結果用表2描述。

對單位面積的建筑工程成本進行約簡處理后，可知工程成本分析的干擾因素是：總高度、標準層面積、結構類型、地下室面積以及項目管理水平和工期。

1.2.2 網(wǎng)絡訓練準備

1） 數(shù)據(jù)的預處理。獲取通過粗糙集屬性約簡后的最小屬性集，將屬性集當成神經(jīng)網(wǎng)中的兩個輸入節(jié)點，完成單位面積建筑工程成本的預測[8]。通過粗糙集約簡后的歷史數(shù)據(jù)用表3描述。

小波神經(jīng)網(wǎng)絡輸入以及輸出都是歸一化數(shù)據(jù)，若規(guī)范層建筑面積指標的最高值是9 520，則將全部該指標的值除以10 000獲取歸一化的數(shù)據(jù)，其他指標也通過相同的方法獲取歸一化數(shù)據(jù)。

2） 小波神經(jīng)網(wǎng)絡的結構和參數(shù)選取。分析表3能夠獲取小波神經(jīng)網(wǎng)絡的輸入節(jié)點以及輸出節(jié)點是6和1，基于經(jīng)驗設置隱層節(jié)點數(shù)大約是8，則“6?8?1”分別用于描述小波神經(jīng)網(wǎng)絡的輸入層節(jié)點數(shù)、隱含層節(jié)點數(shù)以及輸出層節(jié)點數(shù)[9]。參數(shù)選取過程中，設置期望誤差[ε=0.000 1]，訓練次數(shù)是10 000次。

3） 網(wǎng)絡的訓練和預測評估結果。采用的訓練樣本是前15組數(shù)據(jù)，第16～18組作為系統(tǒng)檢驗樣本，網(wǎng)絡期望誤差是0.000 1，通過10 000次訓練。

1.3 建筑工程成本預測

采用粗糙集?小波神經(jīng)網(wǎng)絡模型對建筑工程成本實施預測過程中，期望誤差值是0.001，最終得到第16～18樣本的預測結果，用表4和圖4描述。

將擬建工程的干擾變量輸入到訓練好的粗糙集?小波神經(jīng)網(wǎng)絡預測模型內，通過式（9）得到擬建工程的成本預測值。

2 實驗分析

實驗對比分析本文方法和神經(jīng)網(wǎng)絡，對兩種方法各試驗次數(shù)低于10 000次，訓練的期望誤差平方和是 0.000 1，兩種方法的運行次數(shù)結果如表5所示。兩種方法在最高運行次數(shù)下的收斂情況如圖5、圖6所示，迭代200次的誤差對比見表6。

綜合分析上述結果能夠得出，本文方法的收斂效率高于神經(jīng)網(wǎng)絡，誤差低于神經(jīng)網(wǎng)絡，具有較高的運行性能。

為了確保建筑工程的相似性，實驗采用某建筑工程的6種項目數(shù)據(jù)當成測試數(shù)據(jù)，采用本文方法和傳統(tǒng)神經(jīng)網(wǎng)絡對該建筑工程成本實施預測，用表7描述。

將約簡后的6組數(shù)據(jù)當成測試樣本，輸入本文方法和神經(jīng)網(wǎng)絡中，兩種方法的工程成本分析結果同真實值對比情況如表8和圖7所示。

分析上述實驗結果可得，利用神經(jīng)網(wǎng)絡方法進行工程成本預測時，最低以及最高相對誤差值是0.030 4和0.044 6，本文方法的最低以及最高相對誤差是0.005 8和0.011 6，說明本文方法的預測精度更高，是一種高精度的建筑工程成本分析方法。

3 結 語

本文提出基于粗糙集理論的建筑工程成本分析方法，采用基于粗糙集?小波神經(jīng)網(wǎng)絡預測模型，實現(xiàn)建筑工程成本的快速、準確分析，具有較高的應用價值。

參考文獻

[1] 許寧，譚立新，范藝林.淺談綠色施工成本和效益[J].施工技術，2015，44（21）：107?109.

XU Ning， TAN Lixin， FAN Yilin. Introduction of the green construction costs and benefits [J]. Construction technology， 2015， 44（21）： 107?109.

[2] 王麗，王志祥.建筑工程綠色施工質量與環(huán)境成本分析[J].施工技術，2016，45（12）：103?106.

WANG Li， WANG Zhixiang. Analysis of green construction quality and environmental costs in construction engineering [J]. Construction technology， 2016， 45（12）： 103?106.

[3] 梁喜，陳永鵬.基于VE理論的LCC與直覺模糊TOPSIS法的項目成本方案分析[J].數(shù)學的實踐與認識，2016，46（20）：93?101.

LIANG Xi， CHEN Yongpeng. LCC and intuitionistic fuzzy TOPSIS method based on the theory of the VE analysis of the project cost scheme [J]. Mathematics in practice and theory， 2016， 46（20）： 93?101.

[4] 高成，趙學鑫，高世昌，等.BIM技術在中國尊建筑工程施工中的應用研究[J].鋼結構，2016，31（6）：88?91.

GAO Cheng， ZHAO Xuexin， GAO Shichang， et al. Research on the application of BIM in the construction of a super high?rise China honour project [J]. Steel construction， 2016， 31（6）： 88?91.

[5] 張飛漣，劉尚，楊中杰，等.基于粗糙集的大型建設工程項目團隊知識存量度量研究[J].模糊系統(tǒng)與數(shù)學，2016，30（1）：157?164.

ZHANG Feilian， LIU Shang， YANG Zhongjie， et al. The research on measuring knowledge stock of large?scale construction project team [J]. Fuzzy systems and mathematics， 2016， 30（1）： 157?164.

[6] 陳超，陳性元，汪永偉，等.基于粗糙集理論的冗余規(guī)則處理方法[J].計算機工程與設計，2014，35（1）：21?25.

CHEN Chao， CHEN Xingyuan， WANG Yongwei， et al. Redundant rules process based on rough set theory [J]. Computer engineering and design， 2014， 35（1）： 21?25.

[7] 張立平，葉回春，周妍，等.基于粗糙集理論的工礦廢棄地復墾利用實施效果評價模型及應用[J].中國礦業(yè)，2016，25（z1）：249?254.

ZHANG Liping， YE Huichun， ZHOU Yan， et al. Evaluation of implementation effect of abandoned mine land reclamation and reutilization and its application based on rough set theory [J]. China mining magazine， 2016， 25（S1）： 249?254.

[8] 譚忠富，鞠立偉，陳致宏，等.基于粗糙集理論與CLSDE算法的環(huán)境經(jīng)濟調度優(yōu)化模型[J].電網(wǎng)技術，2014，38（5）：1339?1345.

TAN Zhongfu， JU Liwei， CHEN Zhihong， et al. An environmental economic dispatch optimization model based on rough set theory and chaotic local search strategy differential evolution algorithm [J]. Power system technology， 2014， 38（5）： 1339?1345.

[9] 蔡振禹，劉陽洋.基于主成分分析的建筑工程成本影響因素分析[J].數(shù)學的實踐與認識，2016，46（13）：15?22.

CAI Zhenyu， LIU Yangyang. Analysis of influence factors of construction engineering cost based on principal component analysis [J]. Mathematics in practice and theory， 2016， 46（13）： 15?22.

[10] 鄭紹羽，李素芹，毛寶林.基于改進的粗糙集條件信息熵和灰關聯(lián)投影法的工程項目投標決策研究[J].數(shù)學的實踐與認識，2014，44（12）：102?111.

ZHENG Shaoyu， LI Suqin， MAO Baolin. The study of construction projects bidding decision based on the improved rough sets conditional information entropy and gray relation projection method [J]. Mathematics in practice and theory， 2014， 44（12）： 102?111.