CN117892945A - 基于神经网络的建筑工程造价测算方法 - Google Patents

基于神经网络的建筑工程造价测算方法 Download PDF

Info

Publication number
CN117892945A
CN117892945A CN202410007150.9A CN202410007150A CN117892945A CN 117892945 A CN117892945 A CN 117892945A CN 202410007150 A CN202410007150 A CN 202410007150A CN 117892945 A CN117892945 A CN 117892945A
Authority
CN
China
Prior art keywords
cost
data
neural network
construction
model
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
CN202410007150.9A
Other languages
English (en)
Inventor
邵宇
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.)
Jiangsu Wujin Engineering Consulting Co ltd
Original Assignee
Jiangsu Wujin Engineering Consulting Co ltd
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 Jiangsu Wujin Engineering Consulting Co ltd filed Critical Jiangsu Wujin Engineering Consulting Co ltd
Priority to CN202410007150.9A priority Critical patent/CN117892945A/zh
Publication of CN117892945A publication Critical patent/CN117892945A/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06N3/0499—Feedforward 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于神经网络的建筑工程造价测算方法，涉及建筑工程造价测算技术领域，包括以下步骤，收集建筑工程的数据并对其进行特征分析，提取出关于建筑工程造价相关的特征数据，将可定量计算的特征数据进行缺失值的计算，将不可定量计算的特征数据进行数字标号并集成数据集，将数据集用神经网络训练造价测算模型，针对该模型引入信息落失层，对输出值进行修正，通过分别测算设备费用、材料费用、人工费用和其他费用，综合获得预测值，分析计算预测值和输出值的相对误差和绝对误差，并与预设的标准作比较，当不满足标准时，对参数进行优化，再次进行造价测算模型的训练，以减少过拟合，提高模型的泛化能力，同时确保了模型全面性和准确性。

Description

基于神经网络的建筑工程造价测算方法
技术领域
本发明涉及建筑工程造价测算技术领域，更具体地说，本发明涉及基于神经网络的建筑工程造价测算方法。
背景技术
工程造价在决策阶段是投资估算的依据、具体工程项目设计方案合理性判断的重要参考标准、建筑工程项目招投标的参考依据之一，以及施工阶段进行成本控制的重要标尺。建筑工程造价贯穿于整个工程项目的各个阶段和不同阶段的各个部分。对比分析现阶段工程造价测算方法以及相应特征的选取原则，进而建立建筑工程造价的快速测算模型，对工程建设及管理具有重要意义。
现有技术存在的不足：现有的建筑工程造价测算方法，在获取到建筑工程项目信息时，直接进行造价的测算，由于现有方法需要大量的建筑工程数据以及相关的经济、社会、环境等信息，然而这些信息的获取和分析可能需要耗费大量时间和人力成本，并且使用时需要具备一定的专业知识和技能，否则很难准确理解和使用现有方法；同时，在进行神经网络分析时，在经历很多次训练后，基于神经网络的建筑工程造价测算模型会出现很强的不确定性，对同一套训练数据的训练效果不同，即不够稳定。从而导致测算无法满足实际需求，降低了测算准确性。
针对上述问题，本发明提出一种解决方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于神经网络的建筑工程造价测算方法，通过建筑工程造价测算，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于神经网络的建筑工程造价测算方法，包括如下步骤：
步骤S10，收集建筑工程的数据，对建筑工程的数据进行特征分析，提取出关于建筑工程造价相关的特征数据；
步骤S20，将可定量计算的特征数据进行缺失值的计算，将不可定量计算的特征数据进行数字标号，将处理后的特征数据集成数据集；
步骤S30，将数据集用神经网络训练造价测算模型，并获取输出值，在神经网络的隐藏层之间插入信息落失层，对输出值进行修正；
步骤S40，分别测算设备费用、材料费用、人工费用、其他费用，综合计算获得预测值；
步骤S50，对输出值和预测值的相对误差和绝对误差进行分析，验证造价测算模型的可用性，若不可用则返回步骤S40，对参数进行优化，再次进行造价测算模型的训练。
在一个优选的实施方式中，步骤S10中，通过以往的项目的数据记录、设计图纸、政府部门公开数据库、工程咨询公司和市场研究报告来收集建筑工程的数据，所述的建筑工程造价相关的特征数据分为可定量计算的特征数据和不可定量计算的特征数据，所述的可定量计算的特征数据为数字化的数据，不可定量计算的特征数据为质量评价、材料种类和建筑属性。
在一个优选的实施方式中，步骤S20中，对可定量计算的特征数据，通过数据可视化识别数据中的缺失值，使用拉格朗日插值法进行缺失值计算；
对不可定量计算的特征数据使用0-M的数字进行编码，M为自然数。
在一个优选的实施方式中，在步骤S30神经网络训练造价测算模型的步骤如下：
根据实际情况设定好输入层节点数、隐含层节点数、输出层节点数，初始化生成输入层到隐含层的权值与阈值；
将数据集的所有特征数据从输入层输入，通过信号的向前传播和求和公式得到隐含层，再通过信号的向前传播和求和公式得到原始的输出值；
在神经网络的隐藏层之间插入信息落失层，设置信息落失的比例，即训练过程中随机丢弃神经元的概率，对原始的输出值进行修正，通过除法分析获得输出值并获得基于神经网络的建筑工程造价测算模型。
在一个优选的实施方式中，步骤S40中，设备费用、材料费用、人工费用、其他费用的获取方法如下：
对于设备费用，通过设计图和专业团队咨询，收集需要购买的设备种类、需要购买的设备单价、购买设备的数量、已有设备工程的损耗价值、需要的设备中已有的设备种类，通过求和公式计算设备费用；
对于材料费用，通过设计图纸，获得工程所需的材料种类，材料数量、材料单价，通过求和公式计算获得材料费用；
对于人工费用，依据工程数据，获取所需的工种、工人数量、工人工资通过求和公式计算获得人工费用；
对于其他费用，通过过去的工程数据，判断预测其他费用的价格。
在一个优选的实施方式中，步骤S50中，输出值和预测值的相对误差和绝对误差的获取逻辑如下：
输出值和预测值的绝对误差是预测值和输出值差值的绝对值，输出值和预测值的相对误差为预测值和输出值差值的绝对值与输出值的比值的百分比数；
当输出值和预测值的相对误差大于工程需要的模型精度要求，绝对误差大于预设的差距阈值时，将需要对参数进行优化，再次进行造价测算模型的训练，通过获取更多的训练数据进行投喂，对神经网络的反向传播进行重复多次进行参数优。
本发明基于神经网络的建筑工程造价测算方法的技术效果和优点：
1.本发明通过多种来源获取建筑工程数据，并针对这些数据进行特征分析，提取出与造价相关的特征，涵盖了建筑的各个方面。然后，将这些特征分为可定量和不可定量数据，并利用拉格朗日插值法处理缺失值，以确保数据完整性和准确性。接着，使用神经网络训练造价测算模型，针对该模型引入信息落失层，以减少过拟合，提高模型的泛化能力和稳定性。
2.本发明通过细致的数据收集和计算公式，分别计算了设备费用、材料费用、人工费用和其他费用，并综合计算得出预测值；并利用相对误差和绝对误差对预测值和输出值进行分析，验证了模型的可用性，并提出了模型优化的策略，确保了模型全面性和准确性，并通过全面的评估方式提高了模型的可靠性和稳定性。
附图说明
图1为本发明基于神经网络的建筑工程造价测算方法结构示意图。
图2为本发明基于神经网络的建筑工程造价方法的神经网络拓扑结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1，图1给出了本发明基于神经网络的建筑工程造价测算方法，包括以下步骤：
步骤S10，收集建筑工程的数据，对建筑工程的数据进行特征分析，提取出关于建筑工程造价相关的特征数据；
步骤S20，将可定量计算的特征数据进行缺失值的计算，将不可定量计算的特征数据进行数字标号，将处理后的特征数据集成数据集；
步骤S30，将数据集用神经网络训练造价测算模型，并获取输出值，在神经网络的隐藏层之间插入信息落失层，对输出值进行修正；
步骤S40，分别测算设备费用、材料费用、人工费用、其他费用，综合计算获得预测值；
步骤S50，对输出值和预测值的相对误差和绝对误差进行分析，验证造价测算模型的可用性，若不可用则返回步骤S40，对参数进行优化，再次进行造价测算模型的训练。
步骤S10，收集建筑工程的数据，对建筑工程的数据进行特征分析，提取出关于建筑工程造价相关的特征数据。
具体的，通过以往的项目的数据记录、设计图纸、施工记录、政府部门公开数据库、工程咨询公司和市场研究报告等相关途径收集建筑工程的数据。
通过对建筑工程的数据进行特征分析，提取出关于建筑工程造价相关的特征数据，包括建筑地基类型、建筑墙体结构、建筑层数、建筑安全层层数、单层层高、预防地震度数、窗户材质、外墙涂料、标准层建筑面积。
需要说明的是，获取的建筑工程的数据为多组项目的数据，即获取的特征数据也为对应的多组数据，模型训练需要多组数据的参与。
步骤S20，将可定量计算的特征数据进行缺失值的计算，将不可定量计算的特征数据进行数字标号，将处理后的特征数据集成数据集。
具体的，建筑工程造价相关的特征分为可定量计算的特征数据和不可定量计算的特征数据，可定量计算的特征数据包括数字化的数据，如面积、数量、层高等，不可定量计算的特征数据包括质量评价、材料的特定属性。
特征数据的缺失值对工程造价测算模型的训练有关键作用，具体的利用拉格朗日插值法计算它们的缺失值，特征数据的缺失值对工程造价测算模型的训练有以下方面的作用：
数据完整性：缺失值计算有助于提高数据的完整性。缺失值可能会影响建模的准确性，因此填补或处理这些缺失值能够使得数据更加完整，提高模型的稳定性；
提高模型准确性：对于机器学习或建模任务来说，完整的数据集是训练准确模型的前提条件。通过填充或处理缺失值，可以减少因数据缺失而导致的模型偏差，提高模型的准确性和稳定性；
更准确的特征分析：在特征分析和挑选阶段，完整的数据集能够更准确地反映特征之间的关系和重要性，有助于选择对建筑工程造价影响较大的特征，提高成本预测模型的准确性；
更可靠的建模结果：缺失值处理有助于获得更可靠的建模结果。缺失值的存在可能导致模型过拟合或欠拟合，处理缺失值能够减少这些潜在问题，使得模型结果更可靠。
缺失值的获取方法如下：
首先通过数据可视化识别数据中的缺失值，根据数据的分布和特点选择合适的缺失值填补方法，包括均值填补、中位数填补、众数填补、拉格朗日插值法，对于每个特征列，使用所选方法填补相应的缺失值，可用的拉格朗日插值法进行缺失值计算，拉格朗日基本多项式的表达式为需要说明的是i不等于j，QS为缺失值。
对于不可定量计算的特征数据，使用数字进行标号，例如，建筑工程的窗户材质有C1、C2、C3、......、Cx这x种，使用0～x-1对该类特征数据进行标号。
将处理后的可定量计算的特征数据和不可定量计算的特征数据集合成一个数据集。
步骤S30，将数据集用神经网络训练造价测算模型，并获取输出值，在神经网络的隐藏层之间插入信息落失层，对输出值进行修正。
如图2所示，BP神经网络是一种多层反向神经网络，该网络结构通过样本数据的训练，采用最速下降法，将神经网络中各项所占权值和阈值，通过逆向传播进行连续调整，以达到减小误差平方和的目的，其主要特点为信号向前传播而误差向后传播。
BP神经网络具有高度非线性和较强的泛化能力，其本质是寻找一个满足输入到输出复杂关系的函数，网络模型实现的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的逆向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置、输入层到隐含层的权重和偏置。
然而，在经历很多次训练后，BP神经网络的建筑工程造价评估模型会出现很强的不确定性，对同一套训练数据的训练效果不同，即不够稳定。所以，在本发明中，在神经网络中引入信息落失层，随机地将部分神经元在训练过程中暂时丢弃，有助于减少过拟合，提高泛化能力，有效减少模型的方差，提高模型的稳定性。
具体的，步骤S31，初始化网络，设置好固定的超参数。根据实际情况设定好输入层节点数、隐含层节点数、输出层节点数，通过初始化生成输入层到隐含层的权值与阈值；
具体的输入层节点数为建筑工程造价相关的特征个数；输出层节点数为建筑工程造价。
首先，神经网络的前向传播即让信号从输入端进入网络，依次经过各隐含层计算，将最终计算结果从输出层输出的过程；
从输入层到隐含层：从隐含层到输出层：式中YHz为第z个隐含层神经元的输入，SCy为第y个输出神经元的输入，QZry为输入层到隐藏层的权重，QZyc为隐含层到输出层的权重。
在上述的神经网络的前向传播阶段中，加入信息落失层，信息落失层的作用为随机地将部分神经元的输出置为零，然后将这个修改后的网络传递到下一层，这种随机丢弃的操作有助于减少神经元之间的共适应性，迫使网络更加鲁棒地学习特征。
具体的，在神经网络的隐藏层之间插入信息落失层，设置合适的信息落失的比例，即丢弃的神经元比例，通常设置在0.2到0.5之间，表示在训练过程中随机丢弃神经元的概率；
则加入信息落失层后的输出值的计算方式修正为：式中BL为信息落失的比例，SC为输出值；
在神经网络的前向传播阶段后，进入神经网络的反向传播阶段，通过导数链式法则计算损失函数对各参数的梯度，并根据梯度进行参数的更新，然后采用梯度下降法对权值与阈值修正，减小输出值的误差。
本实施例通过多种来源获取建筑工程数据，并针对这些数据进行特征分析，提取出与造价相关的特征，涵盖了建筑的各个方面。然后，将这些特征分为可定量和不可定量数据，并利用拉格朗日插值法处理缺失值，以确保数据完整性和准确性。接着，使用神经网络训练造价测算模型，针对该模型引入信息落失层，以减少过拟合，提高模型的泛化能力和稳定性。
实施例2，在实施例1中，在构建建筑工程造价测算模型的过程中，旨在准备并训练模型，确保模型对建筑工程数据进行了充分的特征分析与处理。数据的特征提取、缺失值计算、数字标号以及神经网络的训练和修正都是为了确保模型能够精确预测建筑工程造价；然而，通过分析模型输出值与实际预测值的相对误差和绝对误差，能够全面评估模型的可用性。如果模型未能满足预期的精确度，就需要对模型参数进行优化，进而重新训练模型。这个循环的过程不仅展示了模型建立和验证的全过程，也强调了模型持续优化的重要性，以及针对模型改进的策略和方法，以确保模型的准确性和可靠性。
步骤S40，分别测算设备费用、材料费用、人工费用、其他费用，综合计算获得预测值；
具体的，对于设备费用，通过设计图和专业团队咨询，收集需要购买的设备种类、需要购买的设备单价、购买设备的数量、已有设备工程的损耗价值、需要的设备中已有的设备种类，通过求和公式计算设备费用，以下是可行的计算公式：式中SB为设备费用，n为需要购买的设备种类的数量，GMi为需要购买的设备单价，SLi为购买设备的数量，m为需要的设备中已有的设备种类数量，SHj为已有设备工程的损耗价值；
对于材料费用，通过设计图纸，获得工程所需的材料种类，材料数量、材料单价，通过求和公式计算获得材料费用，以下是可行的计算公式：式中CL为材料费用，u为工程所需的材料种类的数量，GNi为材料单价，SIi为材料数量，m为需要的设备中已有的设备种类数量；
对于人工费用，依据工程数据，获取所需的工种、工人数量、工人工资通过求和公式计算获得人工费用，以下是可行的计算公式： 式中RG为人工费用，v为所需的工种的数量，GZi为工人工资，RSi为工人数量；
对于其他费用，通过过去的工程数据，判断预测其他费用的价格；
将材料费用、人工费用、其他费用、设备费用相加获取预测值并标定为YC。
步骤S50，对输出值和预测值的相对误差和绝对误差进行分析，验证造价测算模型的可用性，若不可用则返回步骤S40，对参数进行优化，再次进行造价测算模型的训练。
具体的输出值和预测值的相对误差和绝对误差对验证造价测算模型的可用性有关键作用，通过分析输出值和预测值的相对误差和绝对误差对验证造价测算模型的可用性有以下方面的作用：
标准化评估模型准确性：相对误差将预测值与输出值之间的差异以百分比形式表示，因此更容易理解和比较不同规模和范围的预测误差。这种标准化的评估方法有助于对模型性能进行更全面和公正的比较；
适用于不同尺度的数据比较：相对误差可以用于各种数据规模和幅度的比较，无论是小规模的数字还是大规模的数值，都可以通过相对误差进行统一的评估；
对比模型不同性能：相对误差能够直观地呈现模型预测值与输出值的相对偏差，从而可以更有效地对比不同模型的表现，评估哪个模型更能准确地预测建筑工程造价；
评估模型稳定性：相对误差可用于评估模型的稳定性和一致性。若相对误差值在一定范围内波动较小，则表明模型的稳定性较高，反之则可能存在预测不一致的问题；
指导模型改进：通过相对误差的分析，可以发现模型在不同预测值范围内的表现情况，有助于找到模型存在的问题，并为进一步的模型改进提供指导。
输出值和预测值的相对误差和绝对误差的获取逻辑如下：
绝对误差是预测值和输出值之间的绝对差值，表示预测值与输出值之间的距离，计算方法为预测值和输出值差值的绝对值，绝对误差提供了预测值与输出值之间的具体距离，但无法反映这个误差相对于输出值的大小；
相对误差是预测值和实际值之间的相对差异，表示预测值误差相对于实际值的百分比，相对误差能够标准化预测误差，以百分比形式表示误差，使得不同规模和范围的数据更容易进行比较和评估，以下是相对误差的计算方式式中XD为相对误差。
绝对误差衡量预测值与实际值的绝对差异，提供了具体的误差数值；相对误差则将误差标准化，以百分比形式表示，更便于比较不同规模和幅度的误差，更直观地反映了预测误差相对于实际值的大小；这两种误差度量指标在模型评估和改进中都有其用途，综合使用有助于全面评估模型的预测准确性和稳定性；
设置模型精度要求和差距阈值，当相对误差大于模型精度要求或绝对误差大于预设的差距阈值时，将需要对参数进行优化，再次进行造价测算模型的训练，优化方法可以为获取更多的训练数据进行投喂，或是对神经网络的反向传播进行重复多次。
本实施例通过细致的数据收集和计算公式，分别计算了设备费用、材料费用、人工费用和其他费用，并综合计算得出预测值；并利用相对误差和绝对误差对预测值和输出值进行分析，验证了模型的可用性，并提出了模型优化的策略，确保了模型全面性和准确性，并通过全面的评估方式提高了模型的可靠性和稳定性。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于神经网络的建筑工程造价测算方法，其特征在于，包括如下步骤：
步骤S10，收集建筑工程的数据，对建筑工程的数据进行特征分析，提取出关于建筑工程造价相关的特征数据；
步骤S20，将可定量计算的特征数据进行缺失值的计算，将不可定量计算的特征数据进行数字标号，将处理后的特征数据集成数据集；
步骤S30，将数据集用神经网络训练造价测算模型，并获取输出值，在神经网络的隐藏层之间插入信息落失层，对输出值进行修正；
步骤S40，分别测算设备费用、材料费用、人工费用、其他费用，综合计算获得预测值；
步骤S50，对输出值和预测值的相对误差和绝对误差进行分析，验证造价测算模型的可用性，若不可用则返回步骤S40，对参数进行优化，再次进行造价测算模型的训练。
2.根据权利要求1所述的基于神经网络的建筑工程造价测算方法，其特征在于，步骤S10中，通过以往的项目的数据记录、设计图纸、政府部门公开数据库、工程咨询公司和市场研究报告来收集建筑工程的数据，所述的建筑工程造价相关的特征数据分为可定量计算的特征数据和不可定量计算的特征数据，所述的可定量计算的特征数据为数字化的数据，不可定量计算的特征数据为质量评价、材料种类和建筑属性。
3.根据权利要求2所述的基于神经网络的建筑工程造价测算方法，其特征在于，步骤S20中，对可定量计算的特征数据，通过数据可视化识别数据中的缺失值，使用拉格朗日插值法进行缺失值计算；
对不可定量计算的特征数据使用0-M的数字进行编码，M为自然数。
4.根据权利要求3所述的基于神经网络的建筑工程造价测算方法，其特征在于，在步骤S30神经网络训练造价测算模型的步骤如下：
根据实际情况设定好输入层节点数、隐含层节点数、输出层节点数，初始化生成输入层到隐含层的权值与阈值；
将数据集的所有特征数据从输入层输入，通过信号的向前传播和求和公式得到隐含层，再通过信号的向前传播和求和公式得到原始的输出值；
在神经网络的隐藏层之间插入信息落失层，设置信息落失的比例，即训练过程中随机丢弃神经元的概率，对原始的输出值进行修正，通过除法分析获得输出值并获得基于神经网络的建筑工程造价测算模型。
5.根据权利要求4所述的基于神经网络的建筑工程造价测算方法，其特征在于，步骤S40中，设备费用、材料费用、人工费用、其他费用的获取方法如下：
对于设备费用，通过设计图和专业团队咨询，收集需要购买的设备种类、需要购买的设备单价、购买设备的数量、已有设备工程的损耗价值、需要的设备中已有的设备种类，通过求和公式计算设备费用；
对于材料费用，通过设计图纸，获得工程所需的材料种类，材料数量、材料单价，通过求和公式计算获得材料费用；
对于人工费用，依据工程数据，获取所需的工种、工人数量、工人工资通过求和公式计算获得人工费用；
对于其他费用，通过过去的工程数据，判断预测其他费用的价格。
6.根据权利要求5所述的基于神经网络的建筑工程造价测算方法，其特征在于，步骤S50中，输出值和预测值的相对误差和绝对误差的获取逻辑如下：
输出值和预测值的绝对误差是预测值和输出值差值的绝对值，输出值和预测值的相对误差为预测值和输出值差值的绝对值与输出值的比值的百分比数；
当输出值和预测值的相对误差大于工程需要的模型精度要求，绝对误差大于预设的差距阈值时，将需要对参数进行优化，再次进行造价测算模型的训练，通过获取更多的训练数据进行投喂，对神经网络的反向传播进行重复多次进行参数优化。
CN202410007150.9A 2024-01-03 2024-01-03 基于神经网络的建筑工程造价测算方法 Pending CN117892945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410007150.9A CN117892945A (zh) 2024-01-03 2024-01-03 基于神经网络的建筑工程造价测算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410007150.9A CN117892945A (zh) 2024-01-03 2024-01-03 基于神经网络的建筑工程造价测算方法

Publications (1)

Publication Number Publication Date
CN117892945A true CN117892945A (zh) 2024-04-16

Family

ID=90642110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410007150.9A Pending CN117892945A (zh) 2024-01-03 2024-01-03 基于神经网络的建筑工程造价测算方法

Country Status (1)

Country Link
CN (1) CN117892945A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118246971A (zh) * 2024-05-29 2024-06-25 山东世纪华都工程咨询有限公司 一种基于大数据的工程造价预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118246971A (zh) * 2024-05-29 2024-06-25 山东世纪华都工程咨询有限公司 一种基于大数据的工程造价预测方法

Similar Documents

Publication Publication Date Title
CN113919448B (zh) 一种任意时空位置二氧化碳浓度预测影响因素分析方法
CN112052992B (zh) 一种基于深度学习的建筑工程项目进度预测系统及方法
CN107506941A (zh) 一种基于大数据技术的建筑施工企业信用评价方法和系统
CN111079977A (zh) 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法
CN117892945A (zh) 基于神经网络的建筑工程造价测算方法
CN113298288A (zh) 一种融合时间序列和神经网络的供电所运维成本预测方法
CN109242171A (zh) 一种基于bim和rs-svr的盾构施工地表沉降预测方法
Oo et al. Time series prediction based on Facebook Prophet: a case study, temperature forecasting in Myintkyina
CN111353603A (zh) 一种深度学习模型个体预测解释方法
CN111583067A (zh) 一种城市地下大空间施工安全预警与应急决策方法及系统
CN115654381A (zh) 一种基于图神经网络的供水管道漏损检测方法
CN115049124A (zh) 一种基于贝叶斯网络的深长隧道突涌水预测方法
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN116341348A (zh) 一种基于bp神经网络的泥石流灾害易发性预测方法
CN112241808A (zh) 路面技术状况预测方法、装置、电子设备及存储介质
Elwakil et al. Construction knowledge discovery system using fuzzy approach
CN116644965A (zh) 一种项目预算的可视化分析方法及系统
Armstrong et al. The application of data mining techniques to characterize agricultural soil profiles.
McCluskey et al. Computer assisted mass appraisal and the property tax
CN115204501A (zh) 企业评估方法、装置、计算机设备和存储介质
CN102292706B (zh) 软件改造评估方法和软件改造评估系统
CN114154696A (zh) 资金流预测方法、系统、计算机设备及存储介质
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质
Lubis Data partition and hidden neuron value formulation combination in neural network prediction model: Case study: Non-tax revenue prediction for Indonesian government unit
Waghmode et al. A collective study of PCA and neural network based on COCOMO for software cost estimation

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