一种基于多项特征的建筑工程分析方法

技术领域

本发明涉及建筑工程分析领域，具体涉及一种基于多项特征的建筑工程分析方法。

背景技术

目前建筑工程成本预测方法主要为定性预测法和定量预测法两大类。

定性预测方法是成本管理人员根据掌握的建设工程专业知识和丰富的实际经验，利用已有的建设工程成本资料，对建设工程成本的发展趋势及可能达到的水平所做的分析和推断。如经验评判法、专家会议法、市场调查法等。此种预测法主要问题为：对预测人员的专业知识和行业经验要求很高，受预测人员的主观因素影响较大。

定量预测方法是根据历史资料以及成本与影响因素之间的数量关系，通过建立数学模型来预计推断未来成本的各种预测方法的统称。定量预测方法按照成本预测模型中成本与相应变量的性质不同又可分为趋势预测方法和因果预测方法两类。趋势预测方法是按时间顺序排列有关的历史成本资料，运用一定的数学方法和模型进行加工计算并预测的各类方法，具体包括简单平均法、加权平均法和指数平滑法等。这类方法承认事物发展规律的连续性，将未来视为历史的自然延续，因此这类方法又称为外推分析法。此类方法的主要问题为：无法分析系统内部特有的复杂模式，如数据的非线性及多样性。

因果预测方法是根据成本与其相关因素之间的内在联系，建立数学模型并进行分析预测的各种方法，具体包括本量利分析法、回归分析法等。这类方法的实质是利用事物内部因素发展的因果关系来预测事物发展的趋势。此种方法的主要问题：因果预测只是成本与其它相关因素内在联系的一种推测，这影响了因子的多样性和某些因子的不可测性，使得因果分析在某些情况下受到限制，并且无法分析建筑工程动态系统中不可重复的高度非线性变量，这些变量常常是不确定、高噪声和模糊的。

发明内容

本发明提出一种基于多项特征的建筑工程分析方法，解决了现有定性预测方法受预测人员的主观因素影响较大，现有定量预测方法无法分析系统内部特有的复杂模式以及在某些情况下受到限制，并且无法分析建筑工程动态系统中不可重复的高度非线性变量的问题。

本发明通过下述技术方案实现：

一种基于多项特征的建筑工程分析方法，包括以下步骤:

步骤1：采集工程样本，并对样本进行分析和处理，得到特征向量；

步骤2：基于特征向量，从采样的工程样本中获取训练集；

步骤3：对RBF神经网络结构进行初始化处理，并对RBF神经网络的参数进行初始设置，得到RBF神经网络初始化模型；

步骤4：采用训练集对RBF神经网络初始化模型进行训练，得到训练好的RBF神经网络模型；步骤5：利用训练好的RBF神经网络模型对待分析的建筑工程样本进行分析，并输出待分析的建筑工程样本的相应性能特征。

如果要使建筑工程的成本预测结果达到预期的目标，首先大量收集已完工建筑工程的相关数据，因为这些数据的选择好坏很大程度的影响到本分析方法结果的准确性；其次，分析并处理所收集到的工程数据，得到特征向量；基于特征向量获取本分析方法的训练集。

具体的，本分析方法考虑了任意一种类型的建筑工程本质是其几何形态的集合在特定四维时空中逐步聚集而形成，所以在选取建筑工程特征时，充分考虑与建筑工程几何属性相关的建筑面积、层高等特征以及与建筑工程时间跨度相关的“建造期造价指数、项目建造期材料价格指数”特征，同时也选取了对建筑工程成本影响显著的基础、主体结构形式及装饰做法。经分析最终得到与建筑工程的成本预测密切相关的9项工程特征,该该9项工程特征分别为：建筑面积、基础指标、楼层数、层高、地下室层数、主体指标、装饰指标、项目建造期造价指数、项目建造期材料价格指数,将上述9项工程特征作为本分析方法中RBF神经网络初始化模型的输入特征。

具体的，所述特征向量还包括输出特征，输出特征为工程样本单位面积的成本。

具体的,所述对工程样本的分析和处理过程包括对工程样本定性变量处理以及对工程样本特征值归并化处理。

影响建筑工程成本预测的三大类归并指标有基础工程、主体工程、装饰工程，基础工程中包括基础类型，主体工程包括结构形式，装饰工程包括楼地面装饰部分、外墙装饰部分和内墙装饰部分。各指标值等于各指标属性赋值和各自权重相乘并求和，即：

X

X

X

其中X表示指标值；

Y表示属性值；

W表示各部分的权重。

在影响建筑工程成本预测的主要因素中，有一些不能归并的因素，包括层数、层高、建筑面积和建设期工程造价指数和材料价格指数，这些因素可以直接作为RBF神经网络初始化模型的输入特征。

下列为本分析方法中9项输入特征的详细描述：

1)建筑面积

此输入向量为一个单位工程的总建筑面积，它一定程度代表了此工程的建筑规模，选择它作为1个输入向量，以总建筑面积数值(单位：m

2)基础指标

此输入向量代表一个单位工程的基础工程类型，属于定性变量，需要进行赋值定量转化，通过X

3)楼层数

此输入向量为一个单位工程的最高建筑物楼层数，它代表了此工程施工工期中的关键线路，选择它作为1个输入向量，以数值表示。

4)层高

此输入向量为一个单位工程建筑物的最大层高，它一定程度代表了此工程竖向结构的一般复杂程度，选择它作为1个输入向量，以数值(单位：m)表示。

5)地下室层数

此输入向量为一个单位工程的地下室层数，它代表了此工程地下施工阶段的难易程度，选择它作为1个输入向量，以数值表示。

6)主体指标

此输入向量代表一个单位工程的主体结构类型，属于定性变量，需要进行赋值定量转化，通过X

7)装饰指标

此输入向量代表一个单位工程的主要装饰做法，包括楼地面做法、外墙装饰做法及内墙装饰做法，属于定性变量，需要进行赋值定量转化，通过X

8)项目建造期造价指数

此输入向量代表了工程施工高峰时期，建筑市场总体的平均造价情况(以2009年《四川省建设工程工程量清单计价定额》和成都市《工程造价信息》市场综合价(2009年1月-6月)编制的工程造价为基期，进行每半年的造价指数发布，报告期以当期成都市《工程造价信息》市场综合价为依据)，选择它作为1个输入向量，以数值表示。

9)项目建造期材料价格指数

此输入向量代表了工程施工高峰时期，建筑市场总体的平均建筑材料价格情况(以2009年《四川省建设工程工程量清单计价定额》和成都市《工程造价信息》市场综合价(2009年1月-6月)编制的工程造价为基期，进行每半年的材料价格指数发布，报告期以当期成都市《工程造价信息》市场综合价为依据)，选择它作为1个输入向量，以数值表示。

一个有丰富经验的造价师，根据工程类型、特征及其相关情况，参照以往经验和工程数据资料，就能大致估算出造价，而无需进行大量繁杂计算，而且经验越丰富，资料积累越多，计算的造价就越准确，模仿这种大脑思维模式，正是人工神经网络所擅长的。神经网络模型算法的通用性、适应性强，它不但不排斥新样本，相反它会随着样本数的不断增加而提高自身的概括能力和预测能力，这正好满足了建立成本信息系统的要求—动态地、自适应地从众多已完工程中提取有用信息，进行预测并辅助决策。由于单个的建筑工程存在一定程度的唯一性，一般不存在两个完全一样的工程，但许多工程之间存在着某种程度的相似性，成本预测分析的基本原理就是建立在建筑工程的相似性基础上，对于某个预测工程，首先从分析建筑类型和工程特征入手，再从数目众多的同类已竣工的工程中找出与预测项目最相似的若干个工程，然后利用这些相似建筑项目的造价资料作为原始数据进行推理，最后得到拟建建筑的成本信息。

具体的，本分析方法采用RBF(Radial-Basis-Function，径向基函数)神经网络，所述RBF神经网络由输入层、隐藏层和输出层组成，第一层为输入层，输入层由信号源结点构成，仅起到数据信息的传递作用，对输入信息不进行任何变换；第二层为隐含层，隐含层神经元的核函数为高斯函数，对输入信息进行空间映射变换；第三层为输出层，它对输入模式做出响应，输出层神经元的作用函数为线性函数，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果。

RBF神经网络参数的设置：

(1)设置径向基函数的分布密度

Spread为径向基层的分布密度，又称散布常数，默认值为1。散布常数是RBF网络设计过程中一个非常重要的参数。一般情况下，散布常数应该足够大，使得神经元响应区域覆盖所有输入区间。本分析方法中，散布常数设置在10-30之间。(2)调用newrb构建并训练径向基函数神经网络

本分析方法使用newrbe()函数构建径向基函数网络。应用newrbe()函数可以快速设计一个径向基函数网络，并且使得设计误差为0，调用方式如下：

net＝newrbe(p,t,spread)；

其中，p为输入向量；t为期望输出向量(目标值)，spread为径向基层的散布常数，本分析方法设置为30。由newrbe()函数构建的径向基函数网络，其径向基层(第一层)神经元数目等于输入向量的个数，那么在输入向量较多的情况下，则需要很多的神经元，这就给网络设计带来一定的难度。函数newrb()则可自动增加网络的隐含层神经元数目，直到均方差满足精度或神经元数目达到最大为止。

具体的，所述步骤4将BP算法思想运用到对RBF神经网络模型的训练过程中，其基本思想是学习一定数量的建筑工程样本，即将建筑工程的样本输入发送到网络RBF神经网络模型输入层的各个神经元，经过RBF神经网络模型中的隐含层和输出层的计算后，输出层的各个神经元输出相应的建筑工程样本单位面积成本预测值，如果样本成本预测值与期望输出之间的误差不满足精度要求时，从输出层反向传播该误差，然后沿着误差函数下降最快的方向来调整RBF神经网络模型相应的权值和阈值，使得本分析方法最终对建筑工程的分析结果，即建筑工程样本单位面积成本预测值和期望的预测值之间的误差逐渐减小，直至满足精度的要求。

优选的，在步骤4得到训练好的RBF神经网络模型后，还包括测试步骤，具体为，将测试集输入到训练好的RBF神经网络模型中来评估该模型的性能；所述测试集是基于步骤1得到特征向量后，从所采集的工程样本中获取。

本发明具有如下的优点和有益效果：

1、本发明采用了RBF(径向基函数)神经网络模型，神经网络模型的通用性、适应性强，它不但不排斥新样本，相反它会随着样本数的不断增加而提高自身的概括能力和预测能力，这正好满足了建立成本信息系统的要求—动态地、自适应地从众多已完工程中提取有用信息，进行预测并辅助决策；

2、本发明考虑了施工任意一种类型的建筑工程本质是其几何形态的集合在特定四维时空中的逐步聚集而形成，所以在选取建筑工程特征项时，充分考虑其与几何属性相关的建筑面积、层高等以及与建筑工程时间跨度相关的“建造期造价指数、项目建造期材料价格指数”，同时也选取了对建筑工程成本影响显著的基础、主体结构形式及装饰做法，即建筑工程9项工程特征指标分别为：建筑面积、基础指标、楼层数、层高、地下室层数、主体指标、装饰指标、项目建造期造价指数、项目建造期材料价格指数，作为本系统的输入层数据；

3、本发明将神经网络的建筑工程样本的单位面积成本输出与期望输出间的误差归结为权值和阈值的“过错”，通过反向传播把相应的误差“分摊”给各个神经元的权值和阈值，使得神经网络系统的建筑工程样本单位面积成本输出和期望输出期间的误差逐渐减小直至满足精度的要求，有效地实现了对建筑工程的成本费用预测的技术效果。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的系统创建流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

如图1所示，一种基于多项特征的建筑工程分析方法，包括以下步骤:

步骤1：采集工程样本，并对样本进行分析和处理，得到特征向量；

步骤2：基于特征向量，从采样的工程样本中获取训练集；

步骤3：对RBF神经网络结构进行初始化处理，并对RBF神经网络的参数进行初始设置，得到RBF神经网络初始化模型；

步骤4：采用训练集对RBF神经网络初始化模型进行训练，得到训练好的RBF神经网络模型；

步骤5：利用训练好的RBF神经网络模型对待分析的建筑工程样本进行分析，并输出待分析的建筑工程样本的相应性能特征。

本实施例采集了42个实际工程作为研究对象，整理后得到的工程数据如下表1所示。

表1

(1)对采集的42个样本进行分析处理，确定输入特征和输出特征，最后划分测试集和训练集。

1)建筑工程样本定性变量处理

通过大量文献调查法，最终确定项目特征指标(定性变量)属性赋值处理规则如表2所示。

表2

2)工程样本特征值归并化处理

如表3所示，本分析方法将42个建筑工程的特征属性值归并化处理成为9个建筑工程特征，这9个建筑工程特征分别为：建筑面积、基础指标、楼层数、层高、地下室层数、主体指标、装饰指标、项目建造期造价指数、项目建造期材料价格指数。根据已有建筑工程的特征与成本关系的分析数据，同时采用专家咨询调查法，最终确定基础指标的权重值取0.1，主体指标的权重值取0.4，装饰指标的权重值取0.5(其中，楼地面指标取0.05，外装饰指标取0.15，内装饰指标取0.3)，这9项工程特征作为本实施例RBF神经网络模型的输入特征。

处理规则为：基础指标＝基础类型属性值×权重；主体指标＝结构形式属性值×权重；装饰指标＝楼地面装饰属性值×权重+外墙装饰属性值×权重+内墙装饰属性值×权重。

表3

3)划分训练集和测试集

本实施例对训练集和测试集的划分采用随机的划分方式，从而规避主观的对数据进行筛选。42个施工工程样本，随机分为40个样本作为训练集，使用剩余的2个样本作为测试集。

(2)对RBF神经网络模型训练

先对RBF神经网络模型的结构进行初始化处理，并对对参数进行初始化设置。

神经网络参数的设置：

1)设置径向基函数的分布密度

Spread为径向基层的分布密度，又称散布常数，默认值为1。散布常数是RBF网络设计过程中一个非常重要的参数。一般情况下，散布常数应该足够大，使得神经元响应区域覆盖所有输入区间。本实施例经过反复测试得到，散布常数设置为30时，分析效果最好。

2)调用newrb构建并训练径向基函数神经网络

本实施例使用newrbe()函数构建径向基函数网络。应用newrbe()函数可以快速设计一个径向基函数网络，并且使得设计误差为0，调用方式如下：

net＝newrbe(p,t,spread)；

其中，p为输入向量；t为期望输出向量(目标值)，spread为径向基层的散布常数，本实施例设置为30。由newrbe()函数构建的径向基函数网络，其径向基层(第一层)神经元数目等于输入向量的个数，那么在输入向量较多的情况下，则需要很多的神经元，这就给网络设计带来一定的难度。函数newrb()则可自动增加网络的隐含层神经元数目，直到均方差满足精度或神经元数目达到最大为止。

利用40个工程样本构成的训练集对对RBF神经网络的初始化模型进行训练，最终得到拟合度较好的RBF神经网络模型模型，检测RBF神经网络模型的训练结果，将2个测试集输入训练好的RBF神经网络模型，将RBF神经网络模型对2个测试集的分析结果单位面积成本费用与真实成本费用进行比较，所得的结果如表4所示。

表4

由表4可以看出，本实施例对2个测试集的分析结果单位面积成本费用分别为3012.8元/m

随机抽取待预测的建筑工程样本，使用该方法对它进行分析。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。