導語：BP神經網絡工程造價預測模型分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要:文章提出了bp神經網絡對于工程造價的預測方法，通過對指標的選取，確定了樣本數據；再將采集的數據傳入到MATLAB平臺打造的BP神經網絡預測模型；首先驗證了該模型的可行性，再將其余的樣本輸入到BP神經網絡工程造價預測模型中，進行工程造價預測。預測的結果是實際值與預測值誤差相差很小，實現了仿真實驗的目的，證明了BP神經網絡對工程造價預測的精準性。

關鍵詞：工程造價；預測；BP神經網絡；模型分析

隨著我國經濟水平的提高，建筑行業也得到了快速的發展，對于建筑的投資異常的火熱，隨之而來的就是投資的失控化，合理的投資決策變得有尤為重要。市場競爭日趨激烈，工程造價的估算制約著投資決策的準確性，傳統的工程造價估算方法已經滿足不了發展需要。在這樣的需求背景下人工神經網絡因其具有高度非線性和非局限性的特點，被應用在工程造價領域，而其中使用比較廣泛的既是BP神經網絡算法，本文將對BP神經網絡的工程造價預測進行分析研究，探究其工程造價的精度如何。

1相關概念介紹

1.1BP神經網絡

BP神經網絡作為人工神經網絡中應用廣泛的模型，是普通的單隱含層神經網絡模型，將收集到的樣本數據作為BP神經網絡通過輸入層，在經過隱含層后通過輸出層后得出結果，結果可能出現兩種情況，即期望值與結果相符，則信號流動結束。若結果與期望值有差異，網絡信號將進行反向傳播，沿著同樣的路徑發射回去，在信號傳遞期間，采用梯度下降法，通過對權值閾值的修改。使之誤差趨于平方和最小值[1]。

1.2工程造價預測

工程造價預測是指對項目進行造價的預測，發生在項目建設前期，通過計算來預測項目的建設費用，特點是快速同時對于準確度要求極高。

2基于BP神經網絡的工程造價預測

2.1BP神經網絡工作原理及特點

BP神經網絡的拓撲結構包含接收外界信息單元的輸入層，中層信息處于與交換的隱層，以及最后神經元輸出的輸出層，它的工作過程是，神經元信息通過輸入層，在經過中間層后傳至輸出層，如果得到的結果與期望相符，正向學習過程結束，如果相差較大，將進行反向的神經元信息的傳輸，直至誤差在閾值范圍內，程序結束運輸。BP神經網絡的特點是具有非線性映射能力，泛化能力和容錯性，這些特點都將為后期工程造價預測模型提供技術支持。BP神經網絡的網絡結構如圖1所示。

2.2基于BP神經網絡的工程造價預測合理性

項目施工建設過程中涉及到的實際問題和突發問題，導致對于工程造價數據的數據有很大的難度，BP神經網絡因其自身的技術特點決定了，它可以為項目進行快速精準的預測，為投資人提供決策服務，同時可以避免傳統算法精度較差和時間花費較長的問題，避免因這些問題錯過了決策時間。

2.3BP神經網絡算法缺點

對于隱含層的數目和神經元節點的數量無法把握，缺乏網絡結構的理論依據；當誤差較大時，神經網絡為了較小誤差就會進行反復的訓練進行學習，但訓練到一定程度后，誤差減少的程度就會減低，想要達到理想誤差，那么迭代數就會增加；如果BP神經網絡收斂到局部極小值時，可能預測的精度就會降低[2]。

3基于BP神經網絡的工程造價預測模型的構建

3.1工程造價預測指標的選取

此研究的數據信息是根據某建筑工程的實際建設情況展開的，對影響工程造價的主要因素進行了表格整理，某些因素可能會產生重合現象，因素對于工程造價的影響程度也是不同的，工程造價影響因素進行分類和內涵界定如表1所示。通過對概念的分類和整合，提取出17個影響工程造價的因素作為控制對象進行研究，每個因素都進行內涵的界定，選取的指標在工程造價領域均有參照標準，所選取指標也是行業能認可的參考對象。做完指標內涵界定后，仍需進行指標量化工作，將各項指標的數據設定成具體值，便于后期研究的進行[3]。

3.2BP神經網絡預測模型解析

首先本文研究的BP神經網絡預測模型是依靠MATLAB平臺打造的，編寫的模型也是來源于MATLAB平臺中的工具箱模塊。操作流程是利用該平臺的工具箱來完成網絡設計和訓練工作。在進行模型構建時，已經選取了研究指標，并進行內涵的界定和量化工作打下了工程造價預測的基礎。其次，就是采集研究對象產生的數據并進行整理分析，為了驗證預測結果的準確性，本文將選取30個項目作為研究對象，得到的數據與項目對象分離，輸入到MATLAB平臺中的神經網絡模型當中，從而實現模型的構建。最后將預測的樣本輸入到本文研究的預測模型之中，進行仿真實驗來驗證結果的精度，根據得到的精度情況在進行工程造價預測模型的可行性評估，流程如圖2所示。

4模型仿真分析

4.1樣本的選取

上文提到本文將選取29個工程項目作為試驗的樣本，為了避免因地質因素影響研究結果，特選取同一地點的項目，得到的數據也更具有代表性。在對研究樣本選擇時，明確了建筑面積范圍，并且均是毛坯房，最后從中選取26個項目作為樣本，其中21個作為訓練，其余5個作為研究樣本來進行仿真分析。

4.2BP神經網絡預測模型的構建

首先，利用MATLAB平臺中的工具箱設計一套BP神經網絡。其次將選中的21個項目作為訓練樣本，輸入到新構建的BP神經網絡中進行模型的訓練，目的是為了構建BP神經網絡預測模型，通過訓練的效果分析，得出實際工程造價數值與預測的數值差異不大，說明本文構建的BP神經網絡預測模型訓練效果很好，可以作為工程造價預測的模型進行研究使用。

4.3利用新構建的BP神經網絡預測模型進行工程造價的預測

對于構建的BP神經網絡預測模型，已經驗證了擬合效果良好可以作為工程造價的預測模型，下面將剩余的5個樣本作為預測樣本，進行BP神經網絡的工程造價預測。首先我們將剩余的5個項目樣本為編號設置1，2，3，4，5。將5個樣本輸入到新構建的BP神經網絡預測模型中，進行工程造價的預測。隨后以圖像的形式展示預測的效果，從圖中可以看出預測的數據與5個項目實際的造價數據對比，對比發現兩相誤差很小[4]。

4.4BP評價神經網絡預測模型的效果

4.4.1誤差分析對于BP神經網絡預測模型的預測結果，最直觀的判斷依據既是誤差大小。為了保證研究的嚴謹性。本文將對5個項目樣本的實際工程造價值與預測造價值進行絕對誤差和相對誤差的分析。絕對誤差如表2所示。從表2中看出誤差最大的是266元/m2誤差可以接受，最小誤差為-65元/m2可以看出BP神經網絡預測模型的預測結果很精準。相對誤差如表3所示。如表3所示，對于相對誤差來說，誤差相差最大值小于10%，依據行業標準，將相對誤差控制在10%以內，該預測結果即為有效，因此無論是絕對誤差還是相對誤差的表現都很好，都能驗證BP神經網絡預測模型的預測的精準性。4.4.2測試結果穩定性分析測試結果的穩定與否也將決定預測的效果。為了充分驗證BP神經網絡預測模型的預測效果，本文將進行預測結果穩定的研究，利用上文中的相對誤差表可以得出數值最大的誤差為9.17%，最小的相差4.96%，浮動比例不大相對穩定，可以得出穩定性良好[5]。

4.5BP神經網絡預測模型的預測速度分析

基于MATLAB平臺進行的BP神經網絡工程造價預測，利用系統中的編程進行測算，除了精度能夠保證外，預測的速度相對于傳統的預測方式和方法都具有絕對的速度優勢，可以完美的實現投資人對于工程造價的需求，進而為投資人的決策提供支持。

4.6對BP神經網絡工程造價預測模型影響因素分析

經過仿真分析，已經驗證了BP神經網絡預測模型的有效性和BP神經網絡工程造價預測的精準性，我們將深入的分析對于模型結果產生的影響因素有哪些。本文將著重的分析樣本個數對BP神經網絡預測結果的影響。首先將樣本個數增加至30個時，會對測試結果產生怎樣的影響呢？通過實驗得出測試的誤差相比較之前的21個樣本數時誤差更大，說明BP神經網絡工程造價預測在小樣本數據上具有準確性，相比于其他的傳統預測方式更具有優勢，個數多時，誤差較大不宜使用。即使是小樣本數據也要保證基本的樣本數，才能使結果更準確更具說服力。

5結論

本文通過對基于BP神經網絡工程造價預測的研究，驗證了構建的BP神經網絡預測模型的有效性，再利用BP神經網絡預測模型進行樣本的仿真實驗，得到了BP神經網絡對于工程造價預測的準確性和快速性，實現了BP神經網絡預測可行性的目的，但是該模型的測試范圍還是有限的，在進一步提升預測精度和速度的同時，可以將BP神經網絡預測應用的更廣泛，使之能夠為各行各業服務。

參考文獻

[1]林驍元.基于神經網絡的工程造價估算研究[J].價值工程.2018,37(27).

[2]王潔.基于BP神經網絡工程造價預測研究[J].中國工程咨詢.2017(09).

[3]陳新國.基于BP神經網絡的建筑工程造價預測探討[J].今日財富.2017(05).

[4]劉嘉威.基于BP神經網絡的住宅項目工程造價估算模型研究[J].江西建材.2015,(16).

[5]王湘.基于神經網絡算法的工程造價控制方法實證研究[J].赤峰學院學報（自然科學版）.2017,33(09):114-116.

作者：郭秀秀 單位：陜西省建筑職工大學