湯青慧 李盼盼李雙雙

摘要：住宅工程的投資費用影響著工程決策、投資經濟效益等多方面，設計方案的選擇影響著工程全生命期造價。本文針對山東省濰坊市4個縣市區(qū)的24個工程案例，采用MLP神經網絡進行模型構建，確定了16個影響造價的主要因素作為網絡輸入變量，并對輸入參數(shù)進行歸一化處理，其中20組作為訓練樣本，4組作為檢驗樣本，對建筑工程項目造價進行準確的預測。經檢驗，基于MLP模型進行住宅工程造價估算，其預測精度符合工程投資估算標準要求。

Abstract： The investment cost of residential projects affects many aspects such as engineering decision-making and investment economic benefits. The choice of design scheme affects the whole life-cycle cost of the project. In this paper， based on 24 engineering cases in 4 counties and cities of Weifang City， Shandong Province， MLP neural network was used to construct the model， and 16 main factors affecting the cost were determined as network input variables， and the input parameters were normalized. 20 groups were used as training samples， and 4 groups were used as test samples to accurately predict the cost of construction projects. After inspection， the MRP model is used to estimate the cost of residential construction， and its prediction accuracy meets the requirements of engineering investment estimation standards.

關鍵詞：住宅工程;MLP模型;造價預測

Key words： housing project;MLP model;cost prediction

中圖分類號：TU723.3 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2019）14-0001-04

0 ?引言

住宅工程項目建設需要進行策劃決策、建設實施至竣工驗收等一系列活動，其中設計階段是有效降低工程造價的重要環(huán)節(jié)，對工程造價合理有效的控制可為投資者獲取項目利益最大化，而工程造價指數(shù)能夠有效的控制造價水平，提高投資收益。

從投資者的角度來看，住宅工程造價就是工程項目預期開支或實際開支的全部固定資產投資費用，同時，工程造價也是投資者作為市場供給主體出售工程項目時確定價格和衡量投資效益的尺度[1]。近年來，國內外對工程造價估算模型的研究主要運用人工神經網絡、灰色關聯(lián)分析、模糊數(shù)學、多元線性回歸、案列推理等方法[2]。申建紅等針對傳統(tǒng)方法預測精度低和樣本需求量大等缺陷，構建了基于最小二乘支持向量機的預測模型，但支持向量機核函數(shù)較難確定，且核函數(shù)以后，在求解問題分類時需要大量的存儲空間[3];于靖等根據(jù)模糊數(shù)學方法計算擬建工程各特征函數(shù)的隸屬度函數(shù)和貼近度，并計算出擬建工程的造價，此種方法需對模糊信息進行判斷，并將工程進行相似度轉化，難以確定與已建工程的貼近度[4];何敏宜通過案例推理研究結果整合運用，將案例的方法在工程造價方面應用，但具有相同特點的案例較為難收集[5]。尹曉媛等建立單位面積投資與各單項工程投資之間的多元回歸模型，并對該模型進行檢驗及實例驗證分析[6]，然而多元線性回歸對于工程造價非線性求解具有局限性且樣本需求量大?；诖耍疚牟捎肕LP神經網絡算法構建模型，將選取指標作為工程造價預測模型的輸入集，進行住宅工程項目造價預測。

1 ?住宅工程造價特征指標選取

根據(jù)建筑工程造價的含義可以將工程造價分為建設投資和建設期利息兩部分，建設投資又包括工程費用、工程建設其他費用以及預備費[1]，本文主要考慮項目立項以及設計階段的工程造價費用，因而未考慮建設期利息部分。在項目立項以及設計階段，建設用地費用基本確定，然而建筑工程的相關信息相對較少，往往只能通過初步確定的項目類型、工程結構等項目參數(shù)以及以往工程項目信息價格對工程造價進行估算。

建筑安裝工程費可按造價形成劃分，也可按照費用構成劃分。按照造價形成劃分，可以劃分為分部分項工程費、措施項目費、其他項目費以及規(guī)費稅金。也就是說，其自身的設計參數(shù)也是計算建筑工程造價的重要依據(jù)。傳統(tǒng)的工程造價是將建設項目中單項工程、單位工程為對象，根據(jù)設計圖紙按照相應規(guī)范計算工程量套用定額，其精準度較高，但工作量較大，所需時間較長。將傳統(tǒng)工程造價中的分部工程作為研究對象，通過計算26個案例中的分部工程費用比例發(fā)現(xiàn)，其中五大分部工程費用占總工程造價的95%左右：鋼筋及砼工程>施工技術措施費>門窗及木結構工程>屋面防水保溫及防腐工程>砌筑工程，結論說明鋼筋及砼工程對工程造價影響程度最大，其次是施工技術措施費，第三是門窗工程和屋面防水保溫工程，最后是砌筑工程。鋼筋及砼工程主要是根據(jù)工程結構類型不同得到的工程量也不同，因此可選取結構類型作為鋼筋及砼工程的特征指標;施工技術措施費多數(shù)是根據(jù)建筑面積計量的，因此建筑面積可對其良好反映;根據(jù)各分部分項工程特點，最終選擇結構類型、基礎類型、基礎埋深、門窗面積、混凝土平米含量、地上建筑面積、地下建筑面積、地上層數(shù)、地下層數(shù)、地上平均層高、地下平均層高、檐高12個項目特征指標。參考以往文獻，結構及基礎類型往往作為定性指標出現(xiàn)在造價估算中，本文根據(jù)案例進行數(shù)據(jù)分析發(fā)現(xiàn)，不同基礎類型、結構類型鋼筋及砌體墻平米含量不同：條形基礎鋼筋含量約為43kg/m2、獨立基礎鋼筋含量約為48kg/m2，筏板基礎鋼筋含量約為57kg/m2;磚混結構砌體墻約為0.10m3/m2，剪力墻結構砌體墻約為0.13m3/m2，框架結構砌體墻約為0.17m3/m2，因此，將鋼筋每平米含量、砌體墻每平米含量分別作為基礎類型、結構類型的依據(jù)，減少定性指標數(shù)量，減少主觀影響。

按照費用構成要素劃分，可以劃分為人工費、材料費、施工機具使用費、企業(yè)管理費、利潤以及規(guī)費稅金。通過計算本文選取的住宅案例的費用比例發(fā)現(xiàn)，在各項費用中，材料費、人工費、施工機具使用費所占比例分別是64.12%、13.3%、1.9%，由此可見，材料費的變化對工程費用的影響較大，也會造成管理費和利潤等費用的變化，從而影響工程項目總造價。因此，主要材料的價格對控制工程造價顯得非常重要。通過計算案例中各主材費用所占比例發(fā)現(xiàn)，鋼筋>商品混凝土>塑鋼窗>加氣混凝土塊>水泥，結論說明鋼筋對材料費的影響程度最大，其次是商品混凝土。因此，選取鋼筋價格增長率、商品混凝土價格增長率作為影響工程造價的2個市場影響因素指標。

此外，對本文選取的24個案例研究發(fā)現(xiàn)，建設地點以及工程類別的不同，對工程造價的影響也較大，因此選取建設地點以及工程類別作為2個外部環(huán)境影響因素指標。本文選取的案例均處濰坊市，比較選取案例發(fā)現(xiàn)：建筑場地類別均為II類，建設地點的影響主要為該地經濟水平的影響，將GDP指數(shù)作為經濟指標可較好的反映當?shù)亟洕?項目工程類別可根據(jù)規(guī)范要求進行分類。故將以上所有特征指標匯總具體如表1所示。

2 ?MLP神經網絡模型

2.1 MLP神經網絡

多層感知器（Multilayer Perceptron，縮寫MLP）是一種前饋神經網絡，映射一組輸入向量到一組輸出向量。MLP可以被看作是一個有向圖，由多個的節(jié)點層所組成，每一層都全連接到下一層，每個節(jié)點都是一個帶有非線性激活函數(shù)的神經元（或稱處理單元）。節(jié)點從外部或者其他節(jié)點接收輸入，經作用函數(shù)計算輸出，基本結構如圖1所示。其實質是通過大量樣本學習訓練自我調整連接權值，模擬非線性輸入和輸出。

2.2 MLP網絡模型構建

MLP網絡模型算法核心思想是：通過前向通路（箭頭的方向）得到誤差，再把該誤差反向傳播實現(xiàn)權值w的修正。

MLP模型網絡初始權值是任意設置的，對每個輸入樣本p，網絡輸出與期望輸出的平方誤差為：

3.3 MLP模型測試

將A1～A20組案例作為訓練樣本，用訓練后的模型對A21～A24組案例進行測試。根據(jù)上文確定的函數(shù)，利用SPSS20軟件多層感知器功能進行訓練與測試，測試樣本的預測結果如圖2所示。

4 ?結語

本文將影響住宅工程的16個主要影響因素作為神經網絡輸入，采用MLP神經網絡構建單位面積住宅工程造價預測模型，并利用梯度下降法進行模型優(yōu)化，有效的減少迭代次數(shù)，提高學習效率和收斂速度，測試結果顯示相對誤差有效控制在±10%以內，滿足工程投資估算精度要求。

參考文獻：

[1]劉伊生，王雪青.建設工程造價管理[M].中國計劃出版社，2017.

[2]張桂芹，張惠玲.國內外工程造價估算模型研究綜述[J].施工技術，2007，36（S2）：396-399.

[3]申建紅，王碩，孫小寧.基于LS-SVM的建筑工程設計階段造價預測研究[J].建筑技術，2018，49（02）：209-212.

[4]于靖，劉建民，張賀.基于模糊數(shù)學的工程造價動態(tài)快速估算方法[J].廣東工業(yè)大學學報，2007（02）：107-110.

[5]何敏宜.基于案例推理（CBR）工程造價估算研究[J].安徽建筑，2017，24（03）：265-266.

[6]尹曉媛，劉甲明，李建華，張建生，葛興燕，曾維軍，陳運春.土地整治項目快速估算模型的建立[J].貴州農業(yè)科學，2017，45（08）：118-121.

[7]陳方宇，趙延忠.基于MLP模型的建筑結構損傷檢測與抗震性能分析[J].湘潭大學自然科學學報，2018，40（01）：91-95.

[8]于海祥.基于MLP神經網絡的數(shù)控銑床幾何誤差補償方法[J].機械設計與制造，2017（08）：140-143.

[9]張曉東，楊圣祥.基于PCA與NARX的市政工程造價組合預測[J].控制工程，2017，24（12）：2485-2490.

[10]潘雨紅，張宜龍，蔡亞軍，吳歡歡，隋鴻艷.基于GA-BP算法的公路工程造價估算研究[J].重慶交通大學學報（自然科學版），2016，35（02）：141-145.