马志伟

【摘要】工程造价管理是建筑工程管理的重要内容，与建筑工程效益存在密切的关联，本文以建筑工程造价预测模型设计研究为题，首先阐述建筑工程造价预测现状，然后选取模型输入量，并在此基础上构建建筑工程造价预测模型，最后对预测模型进行验证，希望为相关行业提供借鉴。

【关键词】建筑工程;工程造价;造价预测模型

目前，精细化管理成为了建筑工程项目管理的发展趋势，为了与精细化管理相吻合，构建工程造价预测模型十分关键，在模型构建过程中，神经网络发挥了重要作用，与传统层次分析法相比，其优势十分显著。就实际情况而言，建筑工程在施工建设阶段，容易受到诸多因素的影响，而传统层次分析法，仅能凭借经验和专家判断影响因素，很难保证预测结果的准确性。因此对此项课题进行研究，其意义十分重大。

1、建筑工程造价预测现状

工程造价预算是建筑工程造价管理的重要依据，与此同时，还能为投资计划编制和投资决策制定提供支持，故造价预算的准确与否，会直接影响建筑工程的经济效益和施工质量，严重时，甚至会引发安全事故。目前，回归分析法、人工智能法以及类比工程法属于常用的造价预测方法，但就应用结果而言，这些方法并不能确保预测结果的准确性[1]。回归分析法会利用回归模型对造价进行预测，但这种回归模型，却无法考虑全部的影响因素;定额法虽然具有非常高的准确性，在编制预算文件时，却需要耗费大量的时间;类比法所应用的分析模型较为简单，故无法保证预测结果的准确性。而神经网络方法由于具有学习能力和信息处理能力，在建筑工程造价预测中应用这种方法，可以在最大限度上确保预测结果的精度，故受到了建筑领域的青睐，据了解得知，基于神经网络技术构建工程造价预测模型，已经成为工程造价预测未来发展的趋势。

2、选取模型输入量

本文所提出的建筑工程造价预测模型，对建筑工程造价特征和影响因素进行了全面考虑，在研究后确定了9个影响因素，分别为建筑高度、建筑结构、建筑面积、抗压等级、标准层面积、埋深、基础类型以及整体形状，在确定影响因素后，将其融入到分析方法之中。

2.1构建直觉模型互补判断矩阵

将上述影响因素的重要程度作为依据，对其进行对比，明确不同因素对工程造价的影响，并在此基础上，构建因素对比表，然后通过咨询专家的方式，汇总专家意见，为保证预测结果的精度，在考虑专家意见模糊性的同时，用i，j对上述影响因素进行标识，在两两对比后得到判断矩阵。

2.2工程特征影响程度系数确定

在获得判断矩阵后，应对其进行一次性检验，同时将指标相对权重计算方法作为依据，可以用uij和Uij对工程特性进行表示，而工程特征的影响程度可以由λi表示，在此基础上，得出的模糊互补矩阵由S表示，这个矩阵的得出条件由专家研究后确定，而ωi可以对指标权重进行反映。在加权计算后可以得出不同因素的影响程度系数，计算结果表明，影响程度系数超过0.5的因素有4个，分别为标准层面积、建筑结构、建筑高度和埋深[2]。

3、网络模型训练

训练样本的获取，是神经网络训练的前提条件，主要流程为采集数据、分析数据、选择数据以及处理数据。具体流程如下所述：在样本中随机选择多个数据作为构建模型的基础，并把握这些数据的内在规律，经过大量的测试后，找出影响程度最高的输入模式，简言之，就是通过相关性分析的方式，对测量数据进行处理，在其中找到输入量，在预处理后，使数据在所需范围内发生改变，同时将野点除去，最后就可以获得神经网络学习所需的数据。神经网络属于多层前馈神经网络的重要内容，具有两个关键性的过程。分别为前向传播和反向传播，其中前者的传播对象为信号，而后者的传播对象为误差。在持续运行的情况下，误差的总量会呈现出减少的趋势，模型预测结果的准确性也会因此而提升，直至与要求相符为止。

3.1样本训练和处理

工程特性指标包括两种形式，分别为字符和数值，而神经网络可以量化字符和数值，本文所得到的数据归一化结果，如表1所示。

通过对字符和数值的准确量化，可以控制其他因素对预测结果的影响。在此基础上，我们可以通过计算，实现对数据的归一化处理，这种处理方式的应用，可以使数据的均匀程度提升，促使其在区间范围内的分布更加合理。

3.2构建模型

在构建预测模型时，可以使用n代表输入层节点的数量，结合上文得知，输入层节点的数量为5，故n=5，本文所提出的神经网络，其层数为三层，将柯尔莫哥洛夫定理作为依据，在计算后得出隐含层的节点数量为11个。建筑工程预测模型结构如图1所示。

目前，应用频率较高的激活函数包括三种，分别为转移函数、线性函数以及正切函数，出于构建工程预测神经网络模型的考虑，选择正切函数较为合理;在选择BP训练函数时，选择有梯度下降和梯度下降自适应函数可以取得良好的效果。同时，将均方误差设置为0.001，以此为基础，选择合适的样本数据，持续训练后优化网络性能，使误差得到进一步的控制，直至与精度要求相符[3]。

4、驗证模型

在模型构建完成后，需要对其进行验证，确保其预测精度与要求相符。在验证后得出预测结果，并将其与实际值进行比较，计算二者的误差，验证误差如果小于10%，则表明预测结果与投资估算要求相符。本次验证所选择的样本数据为表2中的项目11和项目12，其中项目11预测误差率为+3.2%，而项目11的预测误差为+7.72%，二者误差均小于10%，表明本文所构建的工程造价预测模型精度较高，实际应用价值十分显著。

结论：

综上所述，在新时期背景下，建筑工程企业在实现快速发展的同时，也面临着严峻的考验，主要包括人力、材料成本上升，市场竞争加剧等，为增强市场竞争力，建筑企业应构建工程造价预测模型，以确保工程造价预算结果的准确性，并在此基础上，采取成本控制措施，控制施工成本，提升工程效益。

参考文献：

[1]王峥，李萍，谭小蓉.BIM技术在建筑工程造价管理中的应用探讨[J].居舍，2020（07）：154.

[2]王家明，范学宁.基于ARIMA的大宗工程材料价格预测构建研究[J].工程造价管理，2020（01）：65-75.

[3]王轩，杨文波.建筑工程造价预测模型的设计与实现[J].微型屯脑应用，2019，35（08）：95-97+104.