劉偉軍， 廖可懿

(長沙理工大學(xué) 交通運輸工程學(xué)院， 湖南 長沙 410114)

在工程項目管理實踐中，施工進度管理直接關(guān)系到項目的經(jīng)濟效益，是項目管理的核心指標(biāo)之一，準(zhǔn)確的進度預(yù)測能為項目管理提供決策依據(jù)，有效改善工期延誤問題。在過去的幾十年里，研究人員和行業(yè)從業(yè)者已經(jīng)認識到早期規(guī)劃對最終項目成果的潛在影響，并開始更加重視早期規(guī)劃以及預(yù)測的過程。研究人員通過收集項目的性質(zhì)和實際進展數(shù)據(jù)，建立神經(jīng)網(wǎng)絡(luò)模型并驗證了該模型進度預(yù)測的準(zhǔn)確性[1]。此外，一部分研究學(xué)者通過對已完成的項目信息進行收集整理，通過數(shù)學(xué)模擬的方式，在使用歷史數(shù)據(jù)的情況下對項目進度的持續(xù)時間進行了總體預(yù)測[2,3]。同時，一部分研究人員在歷史數(shù)據(jù)的基礎(chǔ)上綜合考慮施工進度的影響因素，采用數(shù)學(xué)模型與函數(shù)計算等方式對施工進度的工期值進行預(yù)測，從而更好地進行資源調(diào)配與項目工期優(yōu)化[4～6]。但以上研究成果均是在施工項目開始之前利用歷史數(shù)據(jù)對項目進度的持續(xù)時間進行預(yù)測，預(yù)測的范圍大、目標(biāo)大、精度較低，缺乏對未來實際項目數(shù)據(jù)的考慮與分析，在具體施工過程中指導(dǎo)性較弱?，F(xiàn)今施工管理精細化程度的要求越來越高，工程施工的技術(shù)水平也不斷提高，新興的BIM(Building Information Modeling)技術(shù)、大數(shù)據(jù)技術(shù)以及智慧工地等技術(shù)平臺的涌現(xiàn)，能給現(xiàn)階段的施工進度預(yù)測提供大量、便捷、精確的數(shù)據(jù)[7]。因此，合理利用項目施工過程中大量的數(shù)據(jù)，對施工進度進行實時預(yù)測，對提高施工項目管理的精細化程度十分必要。

本文將著重利用現(xiàn)階段能搜集到的大量數(shù)據(jù)，采用RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)的算法建立在施工過程中每日計劃的工程量完成概率的預(yù)測模型。通過篩選施工過程中對施工進度影響較大的因素，以該因素對應(yīng)數(shù)據(jù)值作為模型預(yù)測的輸入數(shù)據(jù)，收集施工日報中的日計劃工程量與實際完成工程量的比值即日計劃完工概率作為輸出數(shù)據(jù)，對未來日計劃完工率進行精確預(yù)測，為項目管理者提供決策參考，提高施工項目進度管理的精細化程度，改善工期延誤問題。

1 施工進度影響因素分析

在實際的工程項目施工過程中，影響施工進度的不利因素繁多且復(fù)雜。由于本文研究的側(cè)重點在于對施工過程中日計劃完工率進行預(yù)測，因此需要對施工進度影響因素進行篩選，選取施工過程中具有實時可變性的因素，剔除在施工過程中已經(jīng)確定的不會發(fā)生的變量，例如設(shè)計、施工單位資質(zhì)等因素。

本文采用文獻回顧法，在CNKI中以“施工進度影響因素”為關(guān)鍵詞搜索得到872條文獻結(jié)果，其中“施工進度”相關(guān)風(fēng)險管理的文獻有167篇，而近五年的相關(guān)文獻為119篇。通過對已有施工進度影響因素文獻中道路橋梁方向、軌道交通方向研究文獻的查閱與分析，基本上可以將施工進度的影響因素歸納為七個類別，由于論文重點研究施工過程而非前期分析，因此一級因素選取為施工條件和環(huán)境、技術(shù)管理水平和物資供應(yīng)三類，最終確定論文所用于預(yù)測的影響因素，如表1所示。

表1 篩選后需收集的影響因素及選取原因

2 施工進度日計劃完工率預(yù)測模型

2.1 預(yù)測方法適用性

構(gòu)建預(yù)測模型方法可分為定性分析與定量分析兩類，定性分析能充分發(fā)揮管理人員的經(jīng)驗和判斷能力，主要有案例推理與德爾菲法等。定量分析則是對數(shù)量特征、數(shù)量關(guān)系與數(shù)量變化進行分析，主要有回歸預(yù)測、灰色預(yù)測與人工神經(jīng)網(wǎng)絡(luò)預(yù)測。根據(jù)上文對工程項目施工進度影響因素的分析，可以看出施工進度實時預(yù)測模型是較為復(fù)雜的耦合模型，有多種影響因素共同作用，但各影響因素間沒有公式模型對其進行精確的解釋與預(yù)測，因此本文選取定量分析中的人工神經(jīng)網(wǎng)絡(luò)模型作為預(yù)測模型[13,14]。

RBF神經(jīng)網(wǎng)絡(luò)對任意非線性函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，具有良好的泛化能力，并有很快的學(xué)習(xí)收斂速度，已成功應(yīng)用于非線性函數(shù)逼近、時間序列分析、數(shù)據(jù)分類、模式識別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷。同時，對比常用的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)具有更強的自適應(yīng)能力，隨著項目的進行，項目的數(shù)據(jù)信息會隨之不斷更新累積，預(yù)測模型結(jié)構(gòu)會隨著樣本數(shù)據(jù)的增加得到優(yōu)化，從而進一步提高施工進度的預(yù)測精度。兩種預(yù)測方法的比較見表2.

表2 預(yù)測算法比較

2.2 模型思路設(shè)計

本文所設(shè)計的工程項目施工進度預(yù)測模型，利用RBF神經(jīng)網(wǎng)絡(luò)模仿生物神經(jīng)細胞的信息處理能力，在施工項目進行過程中，以日為單位進行工程量、機械、氣溫、降雨等因素的劃分，形成更為精細的施工進度影響因素樣本，作為輸入信息進行模擬計算，從而對當(dāng)日的施工項目分項工程是否能完成預(yù)期計劃工程量做出合理科學(xué)的估算。

RBF神經(jīng)網(wǎng)絡(luò)預(yù)測工序持續(xù)時間模型的設(shè)計思路為：(1)搜集同類型項目歷史數(shù)據(jù)信息，確定輸入層數(shù)據(jù)種類及數(shù)值；(2)將輸入層數(shù)據(jù)進行模型參數(shù)預(yù)處理，形成持續(xù)時間預(yù)測學(xué)習(xí)樣本；(3)使用MATLAB軟件對RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行編碼；(4)導(dǎo)入持續(xù)時間預(yù)測學(xué)習(xí)樣本，進行迭代計算；(5)分析計算結(jié)果，選取誤差最小值權(quán)重，建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型；(6)輸入待預(yù)測數(shù)據(jù)樣本，進行施工進度完成情況的預(yù)測；(7)對比分析隨著時間的發(fā)展，預(yù)測數(shù)據(jù)的精度是否提高。RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

圖1 基于RBF神經(jīng)網(wǎng)絡(luò)的日計劃完工率預(yù)測模型

2.3 模型參數(shù)確定

根據(jù)上述對施工進度影響因素的總結(jié)分析，本文最終用于預(yù)測項目每天進度完成情況的信息主要有：氣溫、降雨天數(shù)、施工班組作業(yè)能力、施工現(xiàn)場環(huán)境指數(shù)、機械實際數(shù)量、計劃工程量等6種，因此每一組輸入樣本有6個輸入變量(項目管理人員可以根據(jù)項目實際情況與收集到的項目數(shù)據(jù)，對輸入變量數(shù)量進行增減。該工序由于受施工實際人數(shù)影響不大，因此進行剔除，最終確定為6個輸入變量)，每個變量代表一種影響施工進度的信息，每組輸入向量所對應(yīng)的的施工進度實際完成比例作為輸出向量，輸入、輸出層參數(shù)的具體信息如表3所示。

表3 輸入、輸出層參數(shù)

各影響因素具體取值方式如下：(1)氣溫：調(diào)取分項工程施工當(dāng)日的氣溫值。(2)降雨量：調(diào)取分項工程施工當(dāng)日的降雨量。(3)施工班組作業(yè)能力：根據(jù)訪談及打分進行確定，訪談因素及對象如表4所示。在施工過程中，由于其水平、效率有所差異，因此根據(jù)以往歷史數(shù)據(jù)取平均值進行能力水平估算，取值范圍介于0～1之間。(4)施工現(xiàn)場環(huán)境指數(shù)：根據(jù)訪談及打分進行確定。例如：在路基挖方過程中，需進行爆破作業(yè)，周圍環(huán)境往往會影響爆破作業(yè)面，因此干擾路基施工，受降雨等影響造成施工便道受損。因此項目管理者可根據(jù)其影響程度確定施工現(xiàn)場環(huán)境指數(shù)，取值范圍介于0～1之間。(5)機械/人工數(shù)量：完成當(dāng)日分項工程量的實際施工人數(shù)或主要機械實際使用數(shù)量。(6)計劃工程量：當(dāng)日計劃完成的分項工程實際工程量。(7)完工率：當(dāng)日實際工程量與計劃工程量的比值。

表4 訪談因素對象及評分依據(jù)

3 工程實例

3.1 工程概況

深圳WH高速公路位于深圳市東北部，為深圳市西東向的一條外環(huán)快速干線，是深圳市“七橫十三縱”干線路網(wǎng)布局的重要組成部分，也是廣東省“九縱五橫兩環(huán)”高速公路主骨架網(wǎng)中的加密線。項目分為深圳段和東莞段實施，路線全長約92.86 km，其中深圳段長約76.04 km，由深圳市外環(huán)高速公路投資有限公司負責(zé)建設(shè)。本項目位于BA區(qū)X村、Y村、Z村之間，跨NG高速。

該項目由ZJ公司組建項目經(jīng)理部進行施工，項目部每日都會對各分部分項工程施工進度落實情況進行記錄?？紤]到數(shù)據(jù)的完整性，本文篩選該工程2019年6月1日—9月2日兩個項目標(biāo)段的路基工程施工進度記錄數(shù)據(jù)作為樣本。

3.2 建立施工進度日計劃完工率預(yù)測模型

根據(jù)項目特點及樣本數(shù)據(jù)量，本文所構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)包含輸入層、隱藏層及輸出層，是一種具有較強非線性映射能力的網(wǎng)絡(luò)結(jié)構(gòu)，模型構(gòu)建過程通過MATLAB軟件實現(xiàn)。

(1)數(shù)據(jù)處理

根據(jù)項目施工時間，將收集所得的數(shù)據(jù)進行劃分，先采用前20 d的數(shù)據(jù)作為一個預(yù)測集合，兩個標(biāo)段共40組數(shù)據(jù)，通過編寫程序隨機抽取40組數(shù)據(jù)中的35組作為訓(xùn)練數(shù)據(jù)，剩下的5組作為預(yù)測數(shù)據(jù)；同理，采用35 d的數(shù)據(jù)作為第二個預(yù)測集合，兩個標(biāo)段共70組數(shù)據(jù)，樣本數(shù)據(jù)如表5，6所示(表中數(shù)據(jù)為兩個標(biāo)段項目5組數(shù)據(jù)樣本示例)，通過編寫程序隨機抽取70組數(shù)據(jù)中的65組作為訓(xùn)練數(shù)據(jù)，剩下的5組作為預(yù)測數(shù)據(jù)。其中，原始數(shù)據(jù)表各數(shù)據(jù)來源具體說明如下：

1)氣溫、降雨量數(shù)據(jù)：均來源于深圳市氣象局官網(wǎng)發(fā)布自動站查詢的實際數(shù)據(jù)，站點選擇為項目所在地萬豐站數(shù)據(jù)。

2)施工主要機械與計劃工程量數(shù)據(jù)：來源于深圳WH高速公路項目進度計劃表日報主要機械用量的數(shù)據(jù)值。

3)施工現(xiàn)場環(huán)境指數(shù)：施工現(xiàn)場環(huán)境良好，無影響情況發(fā)生時環(huán)境指數(shù)記為1。標(biāo)段一中，對項目現(xiàn)場技術(shù)人員進行訪談，由于標(biāo)段一全線受爆破施工220 kV高壓電塔影響，因此技術(shù)人員對其進行打分，施工現(xiàn)場環(huán)境指數(shù)減0.2記為0.8，如出現(xiàn)其他如地質(zhì)條件改變、強降雨影響補救、高考中考等社會活動限制作業(yè)等情況在0.8的基礎(chǔ)上以0.1為單位累積減分，所減分數(shù)大小視影響程度由技術(shù)人員給定；同理，標(biāo)段2全線受爆破施工800 kV高壓電塔影響，累積減分以此類推。

4)施工班組作業(yè)能力：需結(jié)合施工隊在同種施工工序下的歷史經(jīng)驗數(shù)據(jù)以及該項目實際施工情況由項目經(jīng)理及項目總工進行評分。標(biāo)段1施工作業(yè)班組為挖方施工經(jīng)驗一年的班組，根據(jù)以往歷史數(shù)據(jù)以及對項目經(jīng)理的訪談詢問，記作業(yè)能力為0.8；標(biāo)段2施工作業(yè)班組為挖方施工經(jīng)驗三年的班組，根據(jù)以往歷史數(shù)據(jù)以及對項目經(jīng)理的訪談詢問，記作業(yè)能力為0.9。

表5 標(biāo)段一樣本原始數(shù)據(jù)

表6 標(biāo)段二樣本原始數(shù)據(jù)

(2)模型結(jié)構(gòu)及訓(xùn)練參數(shù)確定

采用RBF神經(jīng)網(wǎng)絡(luò)對施工進度的日計劃完工率預(yù)測模型進行訓(xùn)練，需要在訓(xùn)練前對函數(shù)參數(shù)進行設(shè)置。訓(xùn)練結(jié)構(gòu)的均方差目標(biāo)為GOAL，其默認值為0；徑向基函數(shù)的擴展速率為Spread，其大小決定了徑向基函數(shù)的擴展速度。本文模型選用參數(shù)均方差目標(biāo)GOAL的設(shè)定值為0.000001，擴散速度Spread為9。調(diào)用函數(shù)代碼如下：net=newrbe(P_train,T_train,3)。

為保證神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測的準(zhǔn)確性，通過內(nèi)置程序編寫，將35組訓(xùn)練數(shù)據(jù)用插值法進行程序內(nèi)的數(shù)據(jù)擴充，以達到更好的預(yù)測效果。因此，在訓(xùn)練過程中最終得到神經(jīng)元個數(shù)為100的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 施工進度預(yù)測模型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

(3)模型訓(xùn)練結(jié)果

根據(jù)確定的網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練參數(shù)，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練所得模型誤差下降曲線及樣本數(shù)據(jù)訓(xùn)練擬合情況如圖3所示。

圖3 模型訓(xùn)練結(jié)果

由圖可以看出，模型迭代至第4次時誤差達到設(shè)定值0.000001，且訓(xùn)練過程中訓(xùn)練數(shù)據(jù)與模型擬合度較高，模型訓(xùn)練結(jié)果較好。

3.3 驗證基于RBF神經(jīng)網(wǎng)絡(luò)的施工進度日計劃完工率預(yù)測模型

該案例兩個測試數(shù)據(jù)集合均通過程序隨機選取了5組施工進度記錄數(shù)據(jù)作為模型測試樣本。設(shè)定預(yù)測誤差標(biāo)準(zhǔn)值為10%，當(dāng)預(yù)測誤差小于標(biāo)準(zhǔn)值則說明模型預(yù)測結(jié)果合理，模型有效。通過樣本數(shù)據(jù)對模型進行訓(xùn)練后，預(yù)測得到該項目的5組施工進度日計劃完工率數(shù)據(jù)，施工進度日計劃完工率測試值與實際值對比如表圖4，5和表7所示。

圖4 20 d數(shù)據(jù)測試結(jié)果對比

圖5 35 d數(shù)據(jù)測試結(jié)果對比

表7 兩組測試集合測試結(jié)果對比

由表7所示結(jié)果可以看出，各樣本數(shù)據(jù)測試值與實際值的相對誤差均小于8%，滿足設(shè)定預(yù)測誤差小于10%的要求。且通過分析圖4，5可以得出，每日施工進度預(yù)測完成率與實際完成率較為吻合，從而說明，本文所建立的工程項目施工進度預(yù)測模型與實際情況擬合度較高，能夠起到及時預(yù)測工程項目未來進度完成率的作用。

同時，對比該模型20，35 d數(shù)據(jù)訓(xùn)練模型的測試值結(jié)果，35 d數(shù)據(jù)預(yù)測結(jié)果的相對誤差平均值為0.01692明顯小于20 d數(shù)據(jù)預(yù)測結(jié)果的相對誤差平均值0.04588?？梢园l(fā)現(xiàn)，隨著項目的進行與發(fā)展，模型的自我學(xué)習(xí)和自適應(yīng)能力增強，預(yù)測精度也隨之提高。因此，能較好地解決傳統(tǒng)進度預(yù)測僅僅根據(jù)歷史經(jīng)驗數(shù)據(jù)而導(dǎo)致預(yù)測結(jié)果不準(zhǔn)確的情況，在未來若能將其與智慧數(shù)字工地結(jié)合，更廣泛全面地搜集項目數(shù)據(jù)信息進行預(yù)測，能發(fā)揮更好的實時預(yù)測與控制的作用。

4 結(jié) 論

本文旨在提高施工進度管理水平，實現(xiàn)施工進度精細化管理目標(biāo)，提出了一種基于神經(jīng)網(wǎng)絡(luò)的施工進度日計劃完工率預(yù)測模型，通過累積每日的影響因素數(shù)據(jù)信息，利用RBF神經(jīng)網(wǎng)絡(luò)模型對工程項目每日的施工進度完工率進行預(yù)測，以提供給項目管理者更有效的進度管理與科學(xué)決策的依據(jù)。結(jié)果顯示，該模型能有效預(yù)測未來施工項目進度的完工率，能更精確合理地預(yù)警進度的進展情況，更好地進行資源的調(diào)度與安排，有效改善工期延誤問題。

(1)本文通過對項目工程施工進度影響因素進行分析，選取施工過程中可能發(fā)生的因素，以日為單位搜集整理相關(guān)影響因素數(shù)據(jù)，并對數(shù)據(jù)進行分析預(yù)處理，形成可用于神經(jīng)網(wǎng)絡(luò)預(yù)測的模型數(shù)據(jù)；

(2)建立了基于RBF神經(jīng)網(wǎng)絡(luò)的工程項目施工進度日計劃完工率預(yù)測模型，該模型通過對影響因素歷史數(shù)據(jù)的訓(xùn)練學(xué)習(xí)，能實時地進行未來日完工情況的預(yù)測，預(yù)測結(jié)果能更精確有效地運用于實際的施工進度管理。同時，對比了不同數(shù)據(jù)量的預(yù)測結(jié)果，表明隨著項目數(shù)據(jù)的累積，該預(yù)測模型的精度將會隨著模型自適應(yīng)能力的提升而提升。