CN108182497A - 一种工程材料单价的预测方法 - Google Patents

一种工程材料单价的预测方法 Download PDF

Info

Publication number
CN108182497A
CN108182497A CN201810031345.1A CN201810031345A CN108182497A CN 108182497 A CN108182497 A CN 108182497A CN 201810031345 A CN201810031345 A CN 201810031345A CN 108182497 A CN108182497 A CN 108182497A
Authority
CN
China
Prior art keywords
unit price
bim
information
weights
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810031345.1A
Other languages
English (en)
Inventor
唐碧秋
张赛
韩佳
郭国峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201810031345.1A priority Critical patent/CN108182497A/zh
Publication of CN108182497A publication Critical patent/CN108182497A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种工程材料单价的预测方法，其特征是，包括如下步骤：1）构建BIM‑3D信息模型；2）构建BIM‑5D 信息数据库；3）提取工程主要材料单价的历史数据；4）ELM预测：对步骤3）提取的历史数据进行ELM预测，获得工程材料单价趋势。这种方法能实时而准确反映工程材料单价的动态变化趋势，对于施工单位控制成本、提高工程管理运营水平提供技术支持。

Description

一种工程材料单价的预测方法
技术领域
本发明涉及工程成本管理领域，具体为一种工程材料单价的预测方法。
背景技术
现阶段大型工程项目由于规模大、工期长、工艺复杂、人员流动性快、环境不确定因素高以及人、材、机价格不断变化等，工程成本预算很大程度上偏离实际轨道，使工程成本投资严重超预算。传统工程量依靠人工从二维图纸中统计出来，存在一定的误差，无法提供精确而完备的成本数据。
随着BIM系列软件在建筑工程中逐步推广，越来越多的施工单位开始运用此技术，它已经成为建筑信息化的发展趋势。
发明内容
本发明的目的是针对已有技术的不足，而提供一种工程材料单价的预测方法。这种方法能实时而准确反映工程材料单价的动态变化趋势，对于施工单位控制成本、提高工程管理运营水平提供技术支持。
实现本发明目的的技术方案是：
一种工程材料单价的预测方法，包括如下步骤：
1)构建BIM-3D信息模型：采用BIM三维建模软件，依照设计师设计的建筑物实体尺寸按比例依次画出建筑物的长、宽、高，建立三维模型，并将模型的材质、面积、体积、重量、规格、型号参数信息进行设置，构建BIM-3D信息模型；
2)构建BIM-5D信息数据库：在BIM-3D信息模型中，匹配进度和成本的数据信息构建BIM-5D信息数据库；
3)提取工程主要材料单价的历史数据：采用ABC分析法，从BIM-5D数据库中分析并提取影响成本的主要材料单价的历史数据；
4)ELM预测：对步骤3)提取的历史数据进行ELM预测，获得工程材料单价趋势。
步骤2)为：将步骤1)构建的BIM-3D信息模型的三维模型，以基于数据模型交互标准即IFC格式导入软件Navisworks中，Navisworks软件自动对BIM-3D信息模型进行碰撞检测，检测BIM-3D信息模型中构件冲突之处，如：管线与梁的设计，如果管线直接穿透梁，不足满设计规范，被视为设计冲突，软件将设计冲突之处高亮显示，设计师结合软件反馈的信息进行修改，使整个三维模型满足设计规范标准要求，将满足设计要求后的三维模型，再次运用Navisworks进行施工进度模拟，按照工艺的先后顺序，虚拟模拟实际的施工建造，将三维模型建造为实物，在施工进度模拟的过程中，产生进度信息数据；如：单日、单月所需材料用量，横道图等，同时，将满足设计要求后的三维模型，以IFC格式导入算量软件For Revit中进行工程量的统计，For Revit具有智能算量的功能，将整个模型按照软件内置的算量规则进行计算，统计出各种构件对应的工程量信息数据，并且For Revit软件具有造价功能，将各种构件的工程量信息数据按照清单计价的标准，算出整个模型中各种构件的成本并统计总的成本信息数据，将产生的进度信息数据和成本信息数据以IFC格式导入BIM-3D信息模型，构成BIM-5D信息数据库。
步骤3)中所述ABC分析法为：从BIM-5D信息数据库中统计每种材料的工程量和成本信息数据，计算每种材料成本占成本总额比重，再按比重从高到低排序，计算资金消耗累计比重和品目累计比重，最后按累计消耗的70％、20％和10％将材料种类分为A、B、C三类，A类品种少但是占的比重大，选择A类产品为预测对象，将A类产品的近几年的材料单价信息从BIM-5D信息数据库中提取出来，以文本的格式保存。
步骤4)中所述的ELM预测过程为：
极限学习机(ELM)是一种基于单隐层前馈神经网络(SLFN)的训练算法，通过随机产生隐含层结点数和偏置值，求解对应矩阵的Moore-Penrose广义逆得到输出权值，使得在保证高精度拟合的基础上大大的简化了运算过程，ELM的原理如下：
n个任意确定的样本(xi,yi)，xi＝[xi1,xi2…xin]T∈Rn，yi＝[yi1,yi2,…yim]T∈Rm，n和m分别为输入和输出层的维度，标准的单隐层前馈神经网络(SLFNs)学习算法有个隐含结点，激活函数g(x)可以是Sigmoid函数、RBF径向函数sine中的一种，其对应的数学模型描述如下：
上式中，wi·xi是wi和xi的内积；wi＝[wi1,wi2,…,wim]T表示第i个隐含层结点的输入权值；bi＝[bi1,bi2,…bin]T是第i个隐含层结点偏置值；βi＝[βi1,βi2…βim]T表示第i个隐含层到输出层的连接权值，
如果这个具有个隐含层结点的前馈神经网络能以零误差逼近N个样本，则
则wi,bi,βi存在以下关系
可以化简
Hβ＝Y (4)
式(4)中，H为隐含层的输出矩阵：
找到理想的向量使得下式成立：
即求解最优函数：
因为样本个数和隐含层结点个数不一样，转化为求解输出权值矩阵的最小二乘解的问题，采用广义逆的方法进行求解，即：
(1)构建材料单价数据矩阵：从BIM-5D信息数据库提取出来的A类材料单价历史数据，假设有N组，即有N组样本，按照时间(xi)对应单价(yi)的形式构成矩阵，以文本的形式进行存储，导入矩阵实验室Matlab之中；
(2)构造训练集：选择L个时期内的单价历史数据，提取n个训练样本，要求即对L个时期内的数据随机选择n个作为一个样本，一共随机选择N次，将时间(xi)作为预测模型的输入，输入向量X＝(x1,x2,…,xn)T，将时间(xi)对应的单价(yi)作为输出，输出向量Y＝(y1,y2,…,ym)T,n和m分别为输入和输出的维度，这里输入维度和输出维度都是L，样本数据是来源于L个时间和对应单价的历史数据，即从而构成训练集
(3)确定隐函数节点个数随机输入权值和偏置值：隐含结点个数的设定是根据样本总数确定的，一般为随机输入权值wi＝[wi1,wi2,…,win]T∈Rn，偏置值bi，输入权重和偏置值的个数与隐含结点个数保持一致，其值为计算机随机赋值；
(4)选定激活函数g(x)：激活函数g(x)可以是Sigmoid函数、RBF径向函数sine中的一种，计算隐含层输出矩阵H，
即
(5)计算输出权值通过其中H+是H的MP广义逆，Y＝(y1,y2,…,yN)T；
(6)求解训练函数值：结合步骤(1)中的单价历史数据，将确定的样本随机选取的次数N、维度L、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，进行训练，即：(L-n+1,....,L-1,L)个时间维度,进行ELM训练为：
其中
得到OL-n+1,...,OL-1,OL，为(L-n+1,....,L-1,L)个时间维度对应的训练值；
(7)训练函数值精度判断：将步骤(6)得到的训练函数值与相同时间维度对应的实际单价数据进行对比分析：要求
当Δ满足精度要求时，训练目的达到；当Δ不满足要求时，首先变化步骤(2)中样本随机选取的次数N，将之前确定的维度L、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，然后进行精度的判断，当Δ满足精度要求时，训练目的达到；如果还没有达到精度要求，可以改变步骤(3)中的隐含节点数，将确定的随机选取的次数N、维度L、激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，当Δ满足精度要求时，训练目的达到；如果还没有达到训练要求，可以变化步骤(4)中的激活函数g(x)，将确定的随机选取的次数N、维度L、隐含结点输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，当Δ满足精度要求时，达到训练目的；如果还没有达到训练目的时，可以变化步骤(1)中的L,将确定的随机选取的次数N、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，当Δ满足精度要求时，达到训练目的：如果还没有达到精度要求时，同理可知，依次变化样本选取的次数N、维度L、隐含结点激活函数g(x)，之前确定的其他参数相应的保持不变，按照步骤(6)进行训练，直到当Δ满足精度要求达到训练目的；
(8)单价预测：将ELM达到训练目的时，所确定的随机选取的次数N、维度L、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，行ELM预测，如预测未来q个时期内的单价数值，则选择(L-n+q+1,…,L-1,L,L+1,…,L+q)，将基于ELM的预测值为：
其中
其中oL+1,oL+2,…,oL+q就是利用ELM得到的未来q个时期内单价预测数值。
这种方法能实时而准确反映工程材料单价的动态变化趋势，对于施工单位控制成本、提高工程管理运营水平提供技术支持。
附图说明
图1为实施例的方法流程示意图；
图2为实施例中的BIM-5D信息数据库示意图。
具体实施方式
下面结合附图和实施例对本发明内容作进一步的阐述，但不是对本发明的限定。
实施例：
参照图1，一种工程材料单价的预测方法，包括如下步骤：
1)构建BIM-3D信息模型：采用BIM三维建模软件，依照设计师设计的建筑物实体尺寸按比例依次画出建筑物的长、宽、高，建立三维模型，并将模型的材质、面积、体积、重量、规格、型号参数信息进行设置，构建BIM-3D信息模型；
2)构建BIM-5D信息数据库：在BIM-3D信息模型中，匹配进度和成本的数据信息构建BIM-5D信息数据库，；
3)提取工程主要材料单价的历史数据：采用ABC分析法，从BIM-5D信息数据库中分析并提取影响成本的主要材料单价的历史数据；
4)ELM预测：对步骤3)提取的历史数据进行ELM预测，获得工程材料单价趋势。
步骤2)为：将步骤1)构建的BIM-3D信息模型的三维模型，以基于数据模型交互标准即IFC格式导入软件Navisworks中，Navisworks软件自动对BIM-3D信息模型进行碰撞检测，检测BIM-3D信息模型中构件冲突之处，如：管线与梁的设计，如果管线直接穿透梁，不足满设计规范，被视为设计冲突，软件将设计冲突之处高亮显示，设计师结合软件反馈的信息进行修改，使整个三维模型满足设计规范标准要求，将满足设计要求后的三维模型，再次运用Navisworks进行施工进度模拟，按照工艺的先后顺序，虚拟模拟实际的施工建造，将三维模型建造为实物，在施工进度模拟的过程中，产生进度信息数据；如：单日、单月所需材料用量，横道图等，同时，将满足设计要求后的三维模型，以IFC格式导入算量软件For Revit中进行工程量的统计，For Revit具有智能算量的功能，将整个模型按照软件内置的算量规则进行计算，统计出各种构件对应的工程量信息数据，并且For Revit软件具有造价功能，将各种构件的工程量信息数据按照清单计价的标准，算出整个模型中各种构件的成本并统计总的成本信息数据，将产生的进度信息数据和成本信息数据以IFC格式导入BIM-3D信息模型，构成BIM-5D信息数据库，如图2所示。
步骤3)中所述ABC分析法为：从BIM-5D信息数据库中统计每种材料的工程量和单价信息数据，计算每种材料成本占成本总额比重，再按比重从高到低排序，计算资金消耗累计比重和品目累计比重，最后按累计消耗的70％、20％和10％将材料种类分为A、B、C三类，A类品种少但是占的比重大，选择A类产品为预测对象，将A类产品的近几年的材料单价信息从BIM-5D信息数据库中提取出来，以文本的格式保存。
步骤4)中所述的ELM预测过程为：
极限学习机(ELM)是一种基于单隐层前馈神经网络(SLFN)的训练算法，通过随机产生隐含层结点数和偏置值，求解对应矩阵的Moore-Penrose广义逆得到输出权值，使得在保证高精度拟合的基础上大大的简化了运算过程，ELM的原理如下：
n个任意确定的样本(xi,yi)，xi＝[xi1,xi2…xin]T∈Rn，yi＝[yi1,yi2,…yim]T∈Rm，n和m分别为输入和输出层的维度，标准的单隐层前馈神经网络(SLFNs)学习算法有个隐含结点，激活函数g(x)可以是Sigmoid函数、RBF径向函数sine中的一种，其对应的数学模型描述如下：
上式中，wi·xi是wi和xi的内积；wi＝[wi1,wi2,…,wim]T表示第i个隐含层结点的输入权值；bi＝[bi1,bi2,…bin]T是第i个隐含层结点偏置值；βi＝[βi1,βi2…βim]T表示第i个隐含层到输出层的连接权值，
如果这个具有个隐含层结点的前馈神经网络能以零误差逼近N个样本，则
则wi,bi,βi存在以下关系
可以化简
Hβ＝Y (4)
式(4)中，H为隐含层的输出矩阵：
找到理想的向量使得下式成立：
即求解最优函数：
因为样本个数和隐含层结点个数不一样，转化为求解输出权值矩阵的最小二乘解的问题，采用广义逆的方法进行求解，即：
(1)构建材料单价数据矩阵：从BIM-5D信息数据库提取出来的A类材料单价的历史数据，假设有N组，即有N组样本，按照时间(xi)对应单价(yi)的形式构成矩阵，以文本的形式进行存储，导入矩阵实验室Matlab之中；
(2)构造训练集：选择L个时期内的单价历史数据，提取n个训练样本，要求即对L个时期内的数据随机选择n个作为一个样本，一共随机选择N次，将时间(xi)作为预测模型的输入，输入向量X＝(x1,x2,…,xn)T，将时间(xi)对应的单价(yi)作为输出，输出向量Y＝(y1,y2,…,ym)T,n和m分别为输入和输出的维度，这里输入维度和输出维度都是L，样本数据是来源于L个时间和对应单价的历史数据，即从而构成训练集
(3)确定隐函数节点个数随机输入权值和偏置值：隐含结点个数的设定是根据样本总数确定的，一般为随机输入权值wi＝[wi1,wi2,…,win]T∈Rn，偏置值bi，输入权重和偏置值的个数与隐含结点个数保持一致，其值为计算机随机赋值；
(4)选定激活函数g(x)：激活函数g(x)可以是Sigmoid函数、RBF径向函数sine中的一种，计算隐含层输出矩阵H，
即
(5)计算输出权值通过其中H+是H的MP广义逆，Y＝(y1,y2,…,yN)T；
(6)训练函数值精度判断：结合步骤(1)中单价的历史数据，将确定的样本随机选取的次数N、维度L、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，进行训练，即：
(L-n+1,....,L-1,L)个时间维度,进行ELM训练为：
其中
得到OL-n+1,...,OL-1,OL，为(L-n+1,....,L-1,L)个时间维度对应的训练值；
(7)训练函数值精度判断：将步骤(6)得到的训练函数值与相同时间维度对应的实际单价数据进行对比分析：要求
当Δ满足精度要求时，训练目的达到；当Δ不满足要求时，首先变化步骤(2)中样本随机选取的次数N，将之前确定的维度L、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，然后进行精度的判断，当Δ满足精度要求时，训练目的达到；如果还没有达到精度要求，可以改变步骤(3)中的隐含节点数，将确定的随机选取的次数N、维度L、激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，当Δ满足精度要求时，训练目的达到；如果还没有达到训练要求，可以变化步骤(4)中的激活函数g(x)，将确定的随机选取的次数N、维度L、隐含结点输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，当Δ满足精度要求时，达到训练目的；如果还没有达到训练目的时，可以变化步骤(1)中的L,将确定的随机选取的次数N、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，当Δ满足精度要求时，达到训练目的：如果还没有达到精度要求时，同理可知，依次变化样本选取的次数N、维度L、隐含结点激活函数g(x)，之前确定的其他参数相应的保持不变，按照步骤(6)进行训练，直到满足精度要求，达到训练目的；
(8)单价预测：将ELM达到训练目的时，所确定的随机选取的次数N、维度L、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，行ELM预测，如预测未来q个时期内的单价数值，则选择(L-n+q+1,…,L-1,L,L+1,…,L+q)，将基于ELM的预测值为：
其中
其中oL+1,oL+2,…,oL+q就是利用ELM得到的未来q个时期内单价预测数值。

Claims (4)

1.一种工程材料单价的预测方法，其特征是，包括如下步骤：
1)构建BIM-3D信息模型：采用BIM三维建模软件，依照设计师设计的建筑物实体尺寸按比例依次画出建筑物的长、宽、高，建立三维模型，并将模型的材质、面积、体积、重量、规格、型号参数信息进行设置，构建BIM-3D信息模型；
2)构建BIM-5D信息数据库：在BIM-3D信息模型中，匹配进度和成本的数据信息构建BIM-5D信息数据库；
3)提取工程主要材料单价的历史数据：采用ABC分析法，从BIM-5D信息数据库中分析并提取影响成本的主要材料单价的历史数据；
4)ELM预测：对步骤3)提取的历史数据进行ELM预测，获得工程材料单价趋势。
2.根据权利要求1所述的工程材料单价的预测方法，其特征是，步骤2)为：将步骤1)构建的BIM-3D信息模型的三维模型，以基于数据模型交互标准即IFC格式导入软件Navisworks中，Navisworks软件自动对BIM-3D信息模型进行碰撞检测，检测BIM-3D信息模型中构件冲突之处，设计师结合软件反馈的信息进行修改，使整个三维模型满足设计规范标准要求，将满足设计要求后的三维模型，再次运用Navisworks进行施工进度模拟，按照工艺的先后顺序，虚拟模拟实际的施工建造，将三维模型建造为实物，在施工进度模拟的过程中，产生进度信息数据；同时，将满足设计要求后的三维模型，以IFC格式导入算量软件ForRevit中进行工程量的统计，将各种构件的工程量信息数据按照清单计价的标准，算出整个模型中各种构件的成本并统计总的成本信息数据，将产生的进度信息数据和成本信息数据以IFC格式导入BIM-3D信息模型，构成BIM-5D信息数据库。
3.根据权利要求1所述的工程材料单价的预测方法，其特征是，步骤3)中所述ABC分析法为：从BIM-5D信息数据库中统计每种材料的工程量和单价信息数据，计算每种材料成本占成本总额比重，再按比重从高到低排序，计算资金消耗累计比重和品目累计比重，最后按累计消耗的70％、20％和10％将材料种类分为A、B、C三类，A类品种少但是占的比重大，选择A类产品为预测对象，将A类产品的近几年的材料单价信息从BIM-5D信息数据库中提取出来，以文本的格式保存。
4.根据权利要求1所述的工程材料单价的预测方法，其特征是，步骤4)中所述的ELM预测过程为：
ELM的原理如下：
n个任意确定的样本(xi,yi)，xi＝[xi1,xi2…xin]T∈Rn，yi＝[yi1,yi2,…yim]T∈Rm，n和m分别为输入和输出层的维度，标准的单隐层前馈神经网络(SLFNs)学习算法有N～个隐含结点，激活函数g(x)，其对应的数学模型描述如下：
上式中，wi·xi是wi和xi的内积；wi＝[wi1,wi2,…,wim]T表示第i个隐含层结点的输入权值；bi＝[bi1,bi2,…bin]T是第i个隐含层结点偏置值；βi＝[βi1,βi2…βim]T表示第i个隐含层到输出层的连接权值，
如果这个具有个隐含层结点的前馈神经网络能以零误差逼近N个样本，则
则wi,bi,βi存在以下关系
可以化简
Hβ＝Y (4)
式(4)中，H为隐含层的输出矩阵：
找到理想的向量使得下式成立：
即求解最优函数：
采用广义逆的方法进行求解，即：
(1)构建材料单价数据矩阵：从BIM-5D信息数据库提取出来的A类材料单价数据，假设有N组，即有N组样本，按照时间(xi)对应单价(yi)的形式构成矩阵，以文本的形式进行存储，导入矩阵实验室Matlab之中；
(2)构造训练集：选择L个时期内的材料单价数据，提取n个训练样本，要求即对L个时期内的数据随机选择n个作为一个样本，一共随机选择N次，将时间(xi)作为预测模型的输入，输入向量X＝(x1,x2,…,xn)T，将时间(xi)对应的单价(yi)作为输出，输出向量Y＝(y1,y2,…,ym)T,n和m分别为输入和输出的维度，这里输入维度和输出维度都是L，样本数据是来源于L个时间和对应单价的历史数据，即从而构成训练集i＝1,2,…,N；
(3)确定隐函数节点个数随机输入权值和偏置值：隐含结点个数的设定是根据样本总数确定的，一般为随机输入权值wi＝[wi1,wi2,…,win]T∈Rn，偏置值bi，输入权重和偏置值的个数与隐含结点个数保持一致，其值为计算机随机赋值；
(4)选定激活函数g(x)：激活函数g(x)可以是Sigmoid函数、RBF径向函数sine中的一种，计算隐含层输出矩阵H，
即
(5)计算输出权值通过其中H+是H的MP广义逆，Y＝(y1,y2,…,yN)T；
(6)训练函数值精度判断：结合步骤(1)中材料单价的历史数据，将确定的样本随机选取的次数N、维度L、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，进行训练，即：
(L-n+1,....,L-1,L)个时间维度,进行ELM训练为：
其中
得到OL-n+1,...,OL-1,OL，为(L-n+1,....,L-1,L)个时间维度对应的训练值；
(7)训练函数值精度判断：将步骤(6)得到的训练函数值与相同时间维度对应的实际单价数据进行对比分析：要求
当Δ满足精度要求时，训练目的达到；当Δ不满足要求时，首先变化步骤(2)中样本随机选取的次数N，将之前确定的维度L、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，然后进行精度的判断，当Δ满足精度要求时，训练目的达到；如果还没有达到精度要求，可以改变步骤(3)中的隐含节点数，将确定的随机选取的次数N、维度L、激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，当Δ满足精度要求时，训练目的达到；如果还没有达到训练要求，可以变化步骤(4)中的激活函数g(x)，将确定的随机选取的次数N、维度L、隐含结点输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，当Δ满足精度要求时，达到训练目的；如果还没有达到训练目的时，可以变化步骤(1)中的L,将确定的随机选取的次数N、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，按照步骤(6)进行训练，当Δ满足精度要求时，达到训练目的：如果还没有达到精度要求时，同理可知，依次变化样本选取的次数N、维度L、隐含结点激活函数g(x)，之前确定的其他参数相应的保持不变，按照步骤(6)进行训练，直到满足精度要求，达到训练目的；
(8)单价预测：将ELM达到训练目的时，所确定的随机选取的次数N、维度L、隐含结点激活函数g(x)、输出权值及随机确定的偏置值bi、输入权值Wi和输出权值带入，行ELM预测，如预测未来q个时期内的单价数值，则选择(L-n+q+1,…,L-1,L,L+1,…,L+q)，将基于ELM的预测值为：
其中
其中oL+1,oL+2,…,oL+q就是利用ELM得到的未来q个时期内单价预测数值。
CN201810031345.1A 2018-01-12 2018-01-12 一种工程材料单价的预测方法 Pending CN108182497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810031345.1A CN108182497A (zh) 2018-01-12 2018-01-12 一种工程材料单价的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810031345.1A CN108182497A (zh) 2018-01-12 2018-01-12 一种工程材料单价的预测方法

Publications (1)

Publication Number Publication Date
CN108182497A true CN108182497A (zh) 2018-06-19

Family

ID=62550428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810031345.1A Pending CN108182497A (zh) 2018-01-12 2018-01-12 一种工程材料单价的预测方法

Country Status (1)

Country Link
CN (1) CN108182497A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681799A (zh) * 2018-07-11 2018-10-19 上海宝冶集团有限公司 一种工程项目成本预测方法、装置、设备及可读存储介质
CN109741097A (zh) * 2018-12-26 2019-05-10 复旦大学 一种基于产品服务周期的自适应价格计算方法
CN114037299A (zh) * 2021-11-15 2022-02-11 广西科技大学 一种建筑桥梁施工用监控方法
CN115907875A (zh) * 2022-10-21 2023-04-04 珠海纵横创新软件有限公司 价格区间的造价编制方法、装置、电子设备及介质
CN117635248A (zh) * 2023-12-11 2024-03-01 永道工程咨询有限公司 一种基于bim技术的投资测算方法、系统、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708381A (zh) * 2012-05-09 2012-10-03 江南大学 融合最小二乘向量机回归学习思想的改进极限学习机
US20150220983A1 (en) * 2014-02-05 2015-08-06 Mastercard International Incorporated Systems and Methods of Determining Predictors Based on Transaction Data and Social Network Data
CN106022587A (zh) * 2016-05-12 2016-10-12 广州络维建筑信息技术咨询有限公司 一种基于挣值原理的bim项目进度及成本管理系统
CN107423518A (zh) * 2017-08-02 2017-12-01 中建基础设施勘察设计建设集团有限公司 利用Civil3D与Revit结合的综合管廊全线BIM协同设计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708381A (zh) * 2012-05-09 2012-10-03 江南大学 融合最小二乘向量机回归学习思想的改进极限学习机
US20150220983A1 (en) * 2014-02-05 2015-08-06 Mastercard International Incorporated Systems and Methods of Determining Predictors Based on Transaction Data and Social Network Data
CN106022587A (zh) * 2016-05-12 2016-10-12 广州络维建筑信息技术咨询有限公司 一种基于挣值原理的bim项目进度及成本管理系统
CN107423518A (zh) * 2017-08-02 2017-12-01 中建基础设施勘察设计建设集团有限公司 利用Civil3D与Revit结合的综合管廊全线BIM协同设计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
唐海燕 等: "基于 BIM-5D 的工程施工成本预测系统构建", 《工程管理学报》 *
朱正 等: "基于ELM的成本预测方法实证检验", 《统计与决策》 *
郑浩凯: "基于BIM的建设项目施工成本控制研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681799A (zh) * 2018-07-11 2018-10-19 上海宝冶集团有限公司 一种工程项目成本预测方法、装置、设备及可读存储介质
CN109741097A (zh) * 2018-12-26 2019-05-10 复旦大学 一种基于产品服务周期的自适应价格计算方法
CN114037299A (zh) * 2021-11-15 2022-02-11 广西科技大学 一种建筑桥梁施工用监控方法
CN114037299B (zh) * 2021-11-15 2022-05-31 广西科技大学 一种建筑桥梁施工用监控方法
CN115907875A (zh) * 2022-10-21 2023-04-04 珠海纵横创新软件有限公司 价格区间的造价编制方法、装置、电子设备及介质
CN117635248A (zh) * 2023-12-11 2024-03-01 永道工程咨询有限公司 一种基于bim技术的投资测算方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN108182497A (zh) 一种工程材料单价的预测方法
Chen et al. Sustainable supplier selection for smart supply chain considering internal and external uncertainty: An integrated rough-fuzzy approach
CN111259535B (zh) 一种船舶管道生产线物流仿真系统开发方法
Tanchoco Material flow systems in manufacturing
Azab et al. Simulation methods for changeable manufacturing
Dantan et al. Worst-case and statistical tolerance analysis based on quantified constraint satisfaction problems and Monte Carlo simulation
CN109214719A (zh) 一种基于人工智能的营销稽查分析的系统和方法
Sharda et al. Robust manufacturing system design using multi objective genetic algorithms, Petri nets and Bayesian uncertainty representation
CN104657512A (zh) 利用bim实现钢桁拱桥梁工程量统计的方法及装置
CN106650920A (zh) 一种基于优化极限学习机的预测模型
Zhang et al. Real-time machine learning prediction of an agent-based model for urban decision-making
Mazars et al. Chronographical spatiotemporal dynamic 4D planning
CN114004008B (zh) 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法
CN108564205A (zh) 一种基于实测数据的负荷模型及参数辨识优化方法
Ye An Algorithm for Construction Project Cost Forecast Based on Particle Swarm Optimization‐Guided BP Neural Network
CN108446771A (zh) 一种防止销售预测模型过拟合的方法
CN117952009A (zh) 一种智能产线可试验数字孪生体建模方法
Pérez-Martínez et al. A methodology for urban planning generation: A novel approach based on generative design
Rohrer et al. Simulating reality using AutoMod
CN118071215A (zh) 一种工程指标分析处理系统及方法
Daneshjo et al. Software support for optimizing layout solution in lean production
Zhang et al. An innovation service system and personalized recommendation for customer-product interaction life cycle in smart product service system
CN110322297A (zh) 基于bp神经网络的中大型冲压模具报价预测方法
CN107645412B (zh) 一种开放环境下的Web服务组合多目标验证方法
Schönmann et al. Anticipative strategic production technology planning considering cyclic interactions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180619

RJ01 Rejection of invention patent application after publication