基于多层感知器住宅工程造价预测研究

汤青慧 李盼盼李双双

摘要：住宅工程的投资费用影响着工程决策、投资经济效益等多方面，设计方案的选择影响着工程全生命期造价。本文针对山东省潍坊市4个县市区的24个工程案例，采用MLP神经网络进行模型构建，确定了16个影响造价的主要因素作为网络输入变量，并对输入参数进行归一化处理，其中20组作为训练样本，4组作为检验样本，对建筑工程项目造价进行准确的预测。经检验，基于MLP模型进行住宅工程造价估算，其预测精度符合工程投资估算标准要求。

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.

关键词：住宅工程;MLP模型;造价预测

Key words： housing project;MLP model;cost prediction

中图分类号：TU723.3                                     文献标识码：A                                  文章编号：1006-4311（2019）14-0001-04

0  引言

住宅工程项目建设需要进行策划决策、建设实施至竣工验收等一系列活动，其中设计阶段是有效降低工程造价的重要环节，对工程造价合理有效的控制可为投资者获取项目利益最大化，而工程造价指数能够有效的控制造价水平，提高投资收益。

从投资者的角度来看，住宅工程造价就是工程项目预期开支或实际开支的全部固定资产投资费用，同时，工程造价也是投资者作为市场供给主体出售工程项目时确定价格和衡量投资效益的尺度[1]。近年来，国内外对工程造价估算模型的研究主要运用人工神经网络、灰色关联分析、模糊数学、多元线性回归、案列推理等方法[2]。申建红等针对传统方法预测精度低和样本需求量大等缺陷，构建了基于最小二乘支持向量机的预测模型，但支持向量机核函数较难确定，且核函数以后，在求解问题分类时需要大量的存储空间[3];于靖等根据模糊数学方法计算拟建工程各特征函数的隶属度函数和贴近度，并计算出拟建工程的造价，此种方法需对模糊信息进行判断，并将工程进行相似度转化，难以确定与已建工程的贴近度[4];何敏宜通过案例推理研究结果整合运用，将案例的方法在工程造价方面应用，但具有相同特点的案例较为难收集[5]。尹晓媛等建立单位面积投资与各单项工程投资之间的多元回归模型，并对该模型进行检验及实例验证分析[6]，然而多元线性回归对于工程造价非线性求解具有局限性且样本需求量大。基于此，本文采用MLP神经网络算法构建模型，将选取指标作为工程造价预测模型的输入集，进行住宅工程项目造价预测。

1  住宅工程造价特征指标选取

根据建筑工程造价的含义可以将工程造价分为建设投资和建设期利息两部分，建设投资又包括工程费用、工程建设其他费用以及预备费[1]，本文主要考虑项目立项以及设计阶段的工程造价费用，因而未考虑建设期利息部分。在项目立项以及设计阶段，建设用地费用基本确定，然而建筑工程的相关信息相对较少，往往只能通过初步确定的项目类型、工程结构等项目参数以及以往工程项目信息价格对工程造价进行估算。

建筑安装工程费可按造价形成划分，也可按照费用构成划分。按照造价形成劃分，可以划分为分部分项工程费、措施项目费、其他项目费以及规费税金。也就是说，其自身的设计参数也是计算建筑工程造价的重要依据。传统的工程造价是将建设项目中单项工程、单位工程为对象，根据设计图纸按照相应规范计算工程量套用定额，其精准度较高，但工作量较大，所需时间较长。将传统工程造价中的分部工程作为研究对象，通过计算26个案例中的分部工程费用比例发现，其中五大分部工程费用占总工程造价的95%左右：钢筋及砼工程>施工技术措施费>门窗及木结构工程>屋面防水保温及防腐工程>砌筑工程，结论说明钢筋及砼工程对工程造价影响程度最大，其次是施工技术措施费，第三是门窗工程和屋面防水保温工程，最后是砌筑工程。钢筋及砼工程主要是根据工程结构类型不同得到的工程量也不同，因此可选取结构类型作为钢筋及砼工程的特征指标;施工技术措施费多数是根据建筑面积计量的，因此建筑面积可对其良好反映;根据各分部分项工程特点，最终选择结构类型、基础类型、基础埋深、门窗面积、混凝土平米含量、地上建筑面积、地下建筑面积、地上层数、地下层数、地上平均层高、地下平均层高、檐高12个项目特征指标。参考以往文献，结构及基础类型往往作为定性指标出现在造价估算中，本文根据案例进行数据分析发现，不同基础类型、结构类型钢筋及砌体墙平米含量不同：条形基础钢筋含量约为43kg/m2、独立基础钢筋含量约为48kg/m2，筏板基础钢筋含量约为57kg/m2;砖混结构砌体墙约为0.10m3/m2，剪力墙结构砌体墙约为0.13m3/m2，框架结构砌体墙约为0.17m3/m2，因此，将钢筋每平米含量、砌体墙每平米含量分别作为基础类型、结构类型的依据，减少定性指标数量，减少主观影响。

按照费用构成要素划分，可以划分为人工费、材料费、施工机具使用费、企业管理费、利润以及规费税金。通过计算本文选取的住宅案例的费用比例发现，在各项费用中，材料费、人工费、施工机具使用费所占比例分别是64.12%、13.3%、1.9%，由此可见，材料费的变化对工程费用的影响较大，也会造成管理费和利润等费用的变化，从而影响工程项目总造价。因此，主要材料的价格对控制工程造价显得非常重要。通过计算案例中各主材费用所占比例发现，钢筋>商品混凝土>塑钢窗>加气混凝土块>水泥，结论说明钢筋对材料费的影响程度最大，其次是商品混凝土。因此，选取钢筋价格增长率、商品混凝土价格增长率作为影响工程造价的2个市场影响因素指标。

此外，对本文选取的24个案例研究发现，建设地点以及工程类别的不同，对工程造价的影响也较大，因此选取建设地点以及工程类别作为2个外部环境影响因素指标。本文选取的案例均处潍坊市，比较选取案例发现：建筑场地类别均为II类，建设地点的影响主要为该地经济水平的影响，将GDP指数作为经济指标可较好的反映当地经济水平;项目工程类别可根据规范要求进行分类。故将以上所有特征指标汇总具体如表1所示。

2  MLP神经网络模型

2.1 MLP神经网络

多层感知器（Multilayer Perceptron，缩写MLP）是一种前馈神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层，每个节点都是一个带有非线性激活函数的神经元（或称处理单元）。节点从外部或者其他节点接收输入，经作用函数计算输出，基本结构如图1所示。其实质是通过大量样本学习训练自我调整连接权值，模拟非线性输入和输出。

2.2 MLP网络模型构建

MLP网络模型算法核心思想是：通过前向通路（箭头的方向）得到误差，再把该误差反向传播实现权值w的修正。

MLP模型网络初始权值是任意设置的，对每个输入样本p，网络输出与期望输出的平方误差为：

3.3 MLP模型测试

将A1～A20组案例作为训练样本，用训练后的模型对A21～A24组案例进行测试。根据上文确定的函数，利用SPSS20软件多层感知器功能进行训练与测试，测试样本的预测结果如图2所示。

4  结语

本文将影响住宅工程的16个主要影响因素作为神经网络输入，采用MLP神经网络构建单位面积住宅工程造价预测模型，并利用梯度下降法进行模型优化，有效的减少迭代次数，提高学习效率和收敛速度，测试结果顯示相对误差有效控制在±10%以内，满足工程投资估算精度要求。

参考文献：

[1]刘伊生，王雪青.建设工程造价管理[M].中国计划出版社，2017.

[2]张桂芹，张惠玲.国内外工程造价估算模型研究综述[J].施工技术，2007，36（S2）：396-399.

[3]申建红，王硕，孙小宁.基于LS-SVM的建筑工程设计阶段造价预测研究[J].建筑技术，2018，49（02）：209-212.

[4]于靖，刘建民，张贺.基于模糊数学的工程造价动态快速估算方法[J].广东工业大学学报，2007（02）：107-110.

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

[6]尹晓媛，刘甲明，李建华，张建生，葛兴燕，曾维军，陈运春.土地整治项目快速估算模型的建立[J].贵州农业科学，2017，45（08）：118-121.

[7]陈方宇，赵延忠.基于MLP模型的建筑结构损伤检测与抗震性能分析[J].湘潭大学自然科学学报，2018，40（01）：91-95.

[8]于海祥.基于MLP神经网络的数控铣床几何误差补偿方法[J].机械设计与制造，2017（08）：140-143.

[9]张晓东，杨圣祥.基于PCA与NARX的市政工程造价组合预测[J].控制工程，2017，24（12）：2485-2490.

[10]潘雨红，张宜龙，蔡亚军，吴欢欢，隋鸿艳.基于GA-BP算法的公路工程造价估算研究[J].重庆交通大学学报（自然科学版），2016，35（02）：141-145.