案例推理以及神经网络的住宅建筑概算造价预测分析

 概算造价预测对工程项目的决策及后续的工程造价管理工作起到关键作用。虽然目前实际工作中用到的基于定额或实物量的估算方法得到的数据是最为详细和准确的，是最为稳妥的方法，但是非常耗时耗力。本研究立足于住宅建筑的初步设计阶段，对人工智能技术用于住宅建筑概算造价预测进行探讨。案例推理是人工智能领域中重要的研究内容，被学者认为是一个智慧优化的预测方法。用神经网络进行造价预测主要是运用其并行处理能力，把工程特征作为网络输入，并利用已知的输出进行网络训练，达到一定的精度后，利用训练结果对新的输入进行预测。根据建模方法及面向对象的不同，将模型分为基于案例推理的指标体系型预测模型和基于小波神经网络的智能型预测模型
第 1 章 绪论

1.1 选题的提出

1.1.1 研究背景

  根据国家统计局 2020 年公布的《国民经济和社会发展统计公报》[1]初步核算，2019年国内生产总值为 990865 亿元，比上年增长 6.1%。全年全部工业增加值 317109 亿元，比上年增长 5.7%。全年全社会建筑业增加值 70904 亿元，比上年增长 5.6%。全国具有资质等级的总承包和专业承包建筑业企业利润 8381 亿元，比上年增长 5.1%，如图1.1 所示。从上述数据可见，建筑业总产值和企业利润持续增长，支柱产业地位稳固，作为国民经济的重要组成部分，对推动经济社会发展有着重要意义。

2019 年房地产开发投资 132194 亿元，比上年增长 9.9%。其中住宅投资 97071 亿元，增长 13.9%；办公楼投资 6163 亿元，下降 2.8%；商业营业用房投资 13226 亿元，下降 6.7%；全年全国棚户区住房改造开工 316 万套，基本建成 254 万套，如表 1.1 所示。其中，住宅建筑投资额占全年房地产开发投资额的 70%以上，住宅建筑施工面积占全年房屋施工面积的 70%。可见，在建筑领域，房地产开发企业投资开发的产业仍然以住宅建筑为主。

1.2 研究意义

  科学技术的快速发展不断革新传统的工程造价管理范式。在信息化时代，用人工智能来处理问题已经是许多行业的共识，拥有巨大数据资源的工程造价估算行业需要对工程造价与人工智能技术的结合进行探索以满足新的发展要求[4]。在此基础上的住宅建筑概算造价预测过程通过总结分析相似工程造价数据的非线性变化规律，科学把握数据之间的映射关系，但是不同的模型其预测结果相去甚远，因此估算模型的合理选择是工程造价预测研究中弥足关键的一环。案例推理是机器学习领域研究的热点[5]。小波神经网络与其它神经网络相比具有逼近能力强、收敛速度快的特点，在逼近非线性系统时可以实现自适应控制、预测控制[6]。本研究利用已完工住宅建筑工程造价数据，旨在运用案例推理和小波神经网络进行拟建住宅建筑工程初步设计阶段的概算造价预测。

第 2 章 相关理论基础

2.1 工程造价相关理论

2.1.1 工程造价的两种含义

  第一种含义是指投资人从工程项目决策到竣工验收、交付使用的过程中，所要投入的资金，从终端产品的角度来看，属于工程项目固定资产投资。另一种含义则是在建筑领域以招投标活动为前提，以设备、技术、劳务等商品作为交易对象，从参与工程项目承建活动各方利益主体的角度来看，是指工程承发包价格。这两种含义是从不同角度把握同一事物的本质，对投资者来说，市场经济条件下的工程成本就是项目投资，是购买项目要付出的价格[32]。对于承包商、供应商和设计单位来说，工程成本是他们出售商品和劳务的价格的总和。工程成本和工程造价的区别在于概念性质不同和定义角度不同，工程成本是承包人在施工过程中所花费的费用，工程造价则主要是指不可变资产，工程造价是工程成本加上其它费用的总和。

2.2 案例推理相关理论

2.2.1 案例推理研究现状

2.2.1.1 案例推理发展历程

  基于推理方法对推理技术进行分类，主要有三种形式：基于案例的推理（CaseBased Reasoning，CBR）、基于规则的推理（Rule Based Reasoning，RBR）、基于模型的推理（Model Based Reasoning，MBR）[35]。RBR 使用数模理论发展过程中形成的规则来表示专家经验，在进行推理时，通过规则来匹配问题的解决方案，效率较高，形式直观，易于实现。但其存在知识冗余问题，系统不能进行增量学习，如果不能及时的维护规则库，将会大幅度降低推理效率。MBR 是基于计算机编程系统发展起来的，通过对数学模型使用编程技术进行系统建模求解目标问题，并反馈结果。弊端在于，其求解规则复杂的问题时，模型编程困难，推理效率较低，因此难以推广。在此基础上，CBR 思想得到发展[36]。CBR 是一个连续动态的学习过程，作为人工智能领域新发展的方法论是利用已有经验解决工程项目方法中最优的一种，发展历程如表 2.1 所示。

第 3 章 住宅建筑概算造价影响因素确定及案例选取............................................26

3.1 住宅建筑概算造价影响因素选取................................................................26

3.2 案例选取........................................................................................................28

3.3 基于粗糙集的属性约简................................................................................28

3.4 属性约简的实现............................................................................................29

第 4 章 基于案例推理的住宅建筑概算造价预测....................................................34

4.1 案例推理关键技术........................................................................................34

4.2 指标体系型预测模型的实现........................................................................38

4.3 本章小结........................................................................................................44

第 5 章 基于小波神经网络的住宅建筑概算造价预测............................................45

5.1 小波神经网络的程序步骤............................................................................45

5.2 智能型预测模型的实现................................................................................48

5.3 本章小结........................................................................................................54

第 5 章 基于小波神经网络的住宅建筑概算造价预测

5.1 小波神经网络的程序步骤

5.1.1 网络结构的确定

  虽然增加神经网络的中间层个数可以提高其输出精度，但同时也增加了网络复杂度，而一个中间层的网络结构就可以完成对非线性曲线的逼近，因此，通常情况下，采用的都是三层神经网络结构，即除了输入层和输出层之外，只有一个中间层。WNN 输入层和输出层节点个数的选择具体情况具体对待，以本研究为例，输入层节点数由上文确定的住宅建筑概算造价影响因素的数量来确定，网络输出为住宅建筑的单方造价、单方混凝土含量及单方钢筋含量，因而输出层节点的个数为 3。WNN 结构的确定就是中间层节点数的确定，即小波函数个数的确定。合适的中间层节点数对建立网络模型非常关键，直接关系到网络训练收敛的快慢和结果的优劣，其数目需要多次网络训练及调整来确定。如果中间层节点数过多，会出现振荡、网络训练无法收敛等问题；如果节点数过多，会降低容错能力，导致预测精度不高。本研究确定中间层节点数的方法为：先确定一组小波函数，让其全部参与网络运算，然后根据中间层每一个节点的权值大小，删除权值最小的一个节点，直到满足网络误差要求时停止。

结论

  概算造价预测对工程项目的决策及后续的工程造价管理工作起到关键作用。虽然目前实际工作中用到的基于定额或实物量的估算方法得到的数据是最为详细和准确的，是最为稳妥的方法，但是非常耗时耗力。本研究立足于住宅建筑的初步设计阶段，对人工智能技术用于住宅建筑概算造价预测进行探讨。案例推理是人工智能领域中重要的研究内容，被学者认为是一个智慧优化的预测方法。用神经网络进行造价预测主要是运用其并行处理能力，把工程特征作为网络输入，并利用已知的输出进行网络训练，达到一定的精度后，利用训练结果对新的输入进行预测。根据建模方法及面向对象的不同，将模型分为基于案例推理的指标体系型预测模型和基于小波神经网络的智能型预测模型。围绕这一核心内容主要取得以下几方面的研究成果：

（1）对目前相关的文献进行整理分析，总结出研究不足之处，为运用人工智能的迭代算法进行概算造价预测提供依据目前造价预测方面的研究没有对工程项目不同阶段的造价类型进行划分，针对性不强，此外，造价预测智能化水平不高与现行计价模式的不足也在一定程度上影响造价预测精度。充分利用工程领域实践过程中积累的历史数据，结合人工智能技术，将案例推理和小波神经网络引入到造价预测中，为工程造价的实践提供参考。

（2）选取影响住宅建筑概算造价的因素，用粗糙集软件 Rosetta 对指标进行约简并收集工程案例构建案例库遵循量价结合的原则选取住宅建筑概算造价影响因素之后，在简要阐述粗糙集理论及其属性约简逻辑的基础上，将字符型输入指标定量化，使用 Rosetta 软件对初步确定的量的影响因素进行属性约简。通过广联达指标网、国家数据网和中国工程造价信息网获取某省八个城市 2008 年至 2017 年 47 个住宅建筑的工程造价数据，将其划分为训练样本和测试样本构建案例库。