基于SVR算法的高速铁路施工全过程造价预测方法

2023-12-07雷保忠

工程机械与维修 2023年6期

雷保忠

摘要：传统高速铁路施工全过程造价预测方法，由于直接选取造价预测评价指标未对影响因素进行分析，造成传统方法预测偏差率高。针对于此，提出一种基于SVR算法的高速铁路施工全过程造价预测方法。对高速铁路施工造价影响因素进行分析，提取影响较大因素的相关数据，并基于SVR算法建立造价预测模型，对高速铁路项目造价进行预测。设计对比实验，实验结果表明：所提出的设计方法预测高速铁路施工全过程造价偏差率最低，充分证明了所提出设计方法的可行性。

关键词：SVR算法；高速铁路施工；造价预测；预测方法

0 引言

高速铁路项目是交通运输的重要解决方案，是具有强周期性和多变量约束的建设项目[1-2]。高速铁路项目建设阶段的造价预测关系到建设的整个生命周期，直接影响项目的实际效益，因此施工单位都对其非常重视。

目前国内很多学者对高速铁路建设造价预测方法进行了研究，虽然这些研究取得了一定的效果，但仍存在精准度不足等问题。为了解决这些问题，本文提出在SVR算法的基础上，建立高速铁路建设全过程的造价预测模型[3]。

使用SVR算法对造价进行分析，可以获得高速铁路建设阶段最稳定的预测结果。基于SVR算法的高速铁路工程施工阶段造价预测方法降低了预测难度，保证了建设阶段造价预测结果的准确性，有效降低了预测方法的偏差率。

1 高速铁路施工造价影响因素分析

不同的造价影响因素都能够改变预测的准确性。本文采用基尼指数（Gini指数）来评估影响高速铁路项目造价的因素。基尼指数计算公式如式（1）所示：

GNm=∑amk（1-amk）（1）

式中：GNm=为高速铁路造价影响因素。m为重要性评分。amk为随机算法中第m个节点的Gini指数。

在节点m前后Gini指数变化量如公式（2）所示：

SimGini=GNm-GNa-GNb （2）

式中：SGini为影响因素节点在im上的重要因素，即高速铁路造价算法中意外分解的m节点杂质的平均变化。GNa和GNb分别为两个新节点a和b除以m个节点的基尼分量。

如果造价影响系数在j中显示m次，则造价影响系数显示在等式中的重要性评价如（3）所示：

SjGini=∑SjGiniGNm （3）

式中：造价影响因素SjGini为造价影响系数在第j次的重要性评分。

随机算法中影响高速铁路造价的Gini系数如等式（4）所示：

SiGini= ∑SjGini （4）

式中：SiGini为造价影响因素的重要性评估。在算法中n为偶然确定的数量。SGini的值越高，就认为该造价影响因素对于实际工程造价值越重要。

接下来，计算高速铁路造价影响因素与实际项目造价之间的皮尔逊相关系数，测量两者之间的线性相关性，并验证公式（5）中规定的影响因素的产出造价。

式中：为xi和yi之间的皮尔逊相关系数。cov（xi，yi）为xi和yi的协方差，yi为i高速铁路项目的实际造价，xi为i高速铁路项目造价的影响因素，[-1，1]的值越接近-1或1，影响因素和造价之间的线性关系就越强。

选取高速铁路工程各造价影响因素评分排名较高的造价影响因素，以此作为输入变量代入高速铁路工程预测模型中，用于进一步计算。

2 选取造价预测评价指标

从排名较高的造价影响因素中，提取对高速铁路施工全过程造成影响较大的因素，完成预测评价指标选取。其中可再生能源市场价格的选取值、施工时间指标的劳动力市场价格与指标的实际值相对应，选取公式如下：

S1= qeB（xi，yi）（6）

式中：S1為预测的取值用，q为预测的实际值用。e为具体的选取系数。

高速铁路施工全过程结构的选取公式如公式（7）所示：

S2=1/auc （7）

式中：u为整个高速铁路建设过程中货物结构的子部分，c为整个高速铁路建设过程中石灰结构的部分，a为整个高速铁路施工过程中加强特定结构的比例。

高速铁路工程中应用的基座包括矩形基座、梯形基座、三角形基座以及重叠基座等，这些基座是用来支撑铁路轨道和相关结构的基础，可根据下式来确定选取合适的基座类型：

S3=1/ （m+y+o+z+b）e2 （8）

式中：b为高轨建设过程中重叠基座的应用比例，o为高轨建设过程中梯形基座的应用比例，y为高速铁路建设过程中矩形基座的应用比例用，z为整个高速铁路建设过程中三角形基座的应用比例，m为高速铁路建设过程中普通基座的应用比例。

高速铁路工程中常用的材料或构件包括支撑板、水泥分组板和增强管道板等，其选取公式如下：

S4= eknp （9）

式中：p为整个高速项目中使用的加固管道的比例，n为整个高速工程中使用的水泥的比例，k为整个高速铁路中使用支撑流量的比例。

两个抗震等级和地基处理难度的选取方法也需充分[4]，高速铁路工程过程的各级抗震等级包括1至4级，选取公式（10）：

S5= ek2 （10）

式中：k为所有高速铁路工程过程的抗震等级。

根据上述工程特点，在整个高速铁路建设过程中，为便于进行造价预测，需要对指标数据进行标准化处理，归一化公式表示如下：

式中：Xi为高速铁路建设过程造价预测指数的平均值，X为标准化后获得的高速铁路建设全过程造价预测指标值，Xmax为高速铁路建设过程中造价预测指标的最大值，Xmin为高速铁路施工全过程造价预计指数的最小值。

3 基于SVR算法建立施工全过程造价预测模型

从相关性的角度来看，所有高速铁路施工全过程造价预测主要分为两部分：影响因素分析和指标选择。因此，有必要建立一个造价预测模型，以预测高速铁路项目的造价。

为减少对造价预测结果的影响因素，通过SVR算法计算得到的高速铁路工程造价描述如下：

综合贴近度可以通过结合SVR算法的最大、最小贴近的方法计算，可表示为以下公式：

dH（w，vk）= V∑∣v-w∣（k=1，2，…，m）（13）

式中：vk为高速铁路项目v的第k个元素，m为特性元素，dH为待测项目。

总贴近度计算为：

tH（w，vk）=1-dH（w，vk）（14）

当比较各种工程项目的要素集之间的近似值之和的最大值和高速铁路建设的近似值时，可以获得测试项目的高速比Bw和高速铁路施工比vk。

未测量的不确定关系系数为：

在综合相似性的基础上，对影响因素的相似性进行排序，高速铁路项目造价与影响因素的相似度越大，项目造价对影响因素的影响就越大。根据SVR算法计算，高速铁路工程单元的造价计算如下：

式中：tk1、tk2、tk3为高速铁路工程因素的综合相似度。C1、C2和C3为高速铁路项目的单方面造价[5]。

根据上述公式，对提取的高速铁路项目造价特征信息进行误差计算，并再通过SVR算法计算获得高速铁路项目的动态数据，得到一个全新依赖关系的高速铁路工程施工全过程造价预测模型，模型计算如下：

式中：y为高速设计阶段的造价预测模型。u（i）为道路项目阶段不同信息的造价特征，n为未知x数的重要性，gi为高速铁路项目造价的影响因素。

4 实验论证

针对本文上述提出的基于SVR算法的高速铁路施工全过程造价预测方法，为验证该方法具有较低的预测偏差率，设计如下对比实验：

4.1 实验准备

实验选取某高速铁路施工路段的特定区域，作为实验对象，收集7个高速铁路建设案例的资料并进行整理。7个高速铁路施工长度在1564.26～1869.41km之间。将7个高速铁路施工全过程作为造价预测实验样本，采用本文设计方法和传统方法Ⅰ、Ⅱ，对7个高速铁路项目的所有造价进行预测和分析。實验中的客观误差为0.0001，输入层的初始速率为0.01。

本实验以高速铁路工程的全过程造价预测为测试指标，共采用3种方法。根据相关规定，高速铁路工程造价预测的全过程偏差率不得超过3%，否则预测不具有参考值和预测方法的精度。

4.2 实验对比

利用公式（17）计算本文高速铁路建设过程的造价，计算的具体结果如表1所示。

根据表1。使用ER软件计算7个高速铁路施工过程的造价预测偏差率，并将其作为实验数据。3种方法造价预测偏差率对比如表2所示。

从表2可知，应用本文设计方法预测高速铁路施工全过程造价偏差率最低，比传统方法的造价预测偏差率平均分别低了5.421%和 3.121%，基本与实际情况一致。

实验结果证明，基于SVR算法的高速铁路施工全过程造价预测方法具有较低的预测偏差率，在高速铁路施工全过程造价预测方面具有可行性，预测结果与实际情况基本相符合。

5 结束语

传统高速铁路施工全过程造价预测方法，由于直接选取造价预测评价指标未对影响因素进行分析，造成传统方法预测偏差率高。针对于此，本文提出一种基于SVR算法的高速铁路施工全过程造价预测方法。

先对高速铁路施工造价影响因素进行分析，提取影响较大因素的相关数据，然后基于SVR算法建立造价预测模型，对高速铁路项目造价进行预测。

本文研究的预测方法使高速铁路工程施工全过程造价预测结果的偏差达到最低值，有效降低了预测的困难。采用基于SVR算法建立高速铁路施工全过程造价预测模型，并进行了合理分析，可降低预测方法的偏差率。

参考文献

[1] 李谟兴，何永秀，柳洋，等.基于大数据的高速铁路工程造价预测[J].河北电力技术，2023，42（1）：37-44.