APP下载

基于BP神经网络的建筑材料价格预测研究*

2022-06-23蒋金湖綦春明卜波李佩琪

项目管理技术 2022年5期
关键词:建筑材料向量神经网络

蒋金湖 綦春明 卜波 李佩琪

(南华大学土木工程学院,湖南 衡阳 421001)

0 引言

在激烈的市场竞争中,承包方对建筑材料价格的调查和预测,不仅是合理报价和中标的重要前提,还是保证企业盈利的关键环节。大多数工程项目的建设周期较长,材料价格发生变化的概率很大。如果承包方在投标时能充分了解市场,并能准确预测建筑材料未来的价格走势,那么对提高中标概率和中标后的利润以及制订资金使用计划有很大的帮助[1-2]。

通过文献研究发现,应用神经网络预测建筑材料价格的研究成果较少。本文旨在研究未来建筑材料价格的发展趋势,以帮助承包商做出正确的决策。BP神经网络具有自学习、自组织、自适应等特点,并具有较强的非线性映射和泛化能力,特别适合解决建筑材料价格预测问题[3]。基于此,本文选用BP神经网络对建筑材料价格趋势进行预测。通过BIM技术对施工过程进行模拟,使之直观、可视化,显示建筑材料实际数据等信息;通过建立BP神经网络预测模型,根据BIM模型所提供的数据信息,实现对工程项目成本的实时预测[4]。

1 BP神经网络概述

1.1 神经网络结构

神经网络是机器学习中常用的一种数学模型,通过构建一个类似于大脑神经突触连接的结构处理信息,如图1所示。在神经网络的应用过程中,信息处理单元大致分为三个单元:输入单元、输出单元和隐含单元。输入单元的功能是接收外部信息;输出单元的功能是实现系统处理完成的结果输出;隐含单元处于输入和输出单元两者之间,不能从网络系统的外部观察到它的结构。除了上述三个信息处理单元,神经元之间的连接强度由权重和阈值等参数决定。

1.2 预测模型构建

根据BP神经网络的基本原理和结构,可以将预测模型的构建分为三个步骤:①确定输入层。输入向量为X=(x1,x2,…,xi,…,xM)T;输入层到隐含层的权值矩阵用V表示,V=(v1,v2,…,vi,…,vM)T,其中vi为输入层到隐含层中第i个神经元的权重向量。②确定输出层。输出向量为Y=(y1,y2,…,yj,…,yN)T;隐含层到输出层的权值矩阵用W表示,W=(w1,w2,…,wj,…,wN)T,其中wj为隐含层到输出层中第j个神经元的权重向量。③期望输出向量用Q=(q1,q2,…,qk,…,qL)T表示。

BP神经网络预测模型的关键技术是通过函数计算实现,包括参数设置函数newff、训练函数traingd、预测函数sim等。收集历史价格样本数据,编写预测模型计算程序,将历史价格样本数据输入预测模型进行学习训练。在其自主学习和训练的过程中,连接权值会根据学习情况自行调整,直到输出向量Y与期望输出向量Q无限接近,在满足精度要求或是达到设定的学习次数的情况下停止学习训练[5]。神经网络预测步骤如图2所示。

1.3 预测步骤

(4)将预测价格样本数据输入已经训练理想的BP神经网络预测模型,应用训练理想的模型计算得出预测价格[6]。

2 应用案例

2.1 建筑材料信息采集

BIM数据库存储了项目各阶段人工、材料、机械使用量以及费用信息和已完成工程量的数据信息(图3),为BP神经网络的预测模型提供了输入数据和期望输出,节省了采集数据的人力与时间。

在一般的建筑工程中,主要的建筑材料包括钢筋和混凝土等。本文以圆钢(直径10mm以上)为例,阐述如何应用BP神经网络模型进行建筑材料价格预测。首先,通过BIM数据库采集某地区2017年圆钢(直径10mm以上)的价格信息,见表1。

表1 2017年圆钢(直径10mm以上)市场价格

2.2 数据处理

2.3 网络参数

2.4 训练结果及分析

2.4.1 训练结果

应用Matlab软件编制计算程序,使用newff函数构建神经网络、traingd函数训练神经网络、sim函数预测输出,导入历史价格样本数据学习训练,在达到设定精度要求后,训练结果见表2和图4;相对误差=(训练值-实际值)/实际值。

表2 预测模型训练结果

2.4.2 分析

模型预测精度主要是受输入层节点数和隐含层节点数影响,在输入层节点数和隐含层节点数一定的情况下,具有最优预测能力的模型并不是收敛最小的模型,收敛最小的模型只是有更好的拟合,但预测能力很差[7]。从表2数据可以看出,误差在5%上下波动,平均误差-3.51%,误差较小且并非收敛最小,因此BP神经网络模型的预测结果应属理想。本模型在学习训练时,未考虑经济危机或贸易摩擦等重大事件,在面对重大突发情况时可能会出现较大误差,此时需要进一步优化模型才能达到需要的精度。

3 预测未来价格及分析

3.1 预测未来价格

运用训练理想的BP神经网络模型,可以预测未来的圆钢价格。例如,以2017年1—12月的圆钢价格预测2018年1月的圆钢价格,以此类推可以得到2—4月的价格信息甚至更往后时间的价格信息,预测结果见表3和图5。

表3 模型预测结果

3.2 分析

运用训练理想的BP神经网络模型预测出2018年1—4月圆钢价格,通过实际数据验证预测结果与实际价格基本一致,在没有重大突发情况时,对承包商加强成本控制有一定的实用价值。

4 结语

本文应用BP神经网络建立价格预测模型,用历史价格数据作为训练样本,不断完善预测模型,预测出未来价格趋势。通过实际数据验证,预测结果与实际价格基本一致。预测未来价格趋势,可以减少价格波动带来的不确定性,为正确报价以及制订后续的资金使用计划提供帮助,对成本管控有一定的实用价值,但该模型只在一定条件下是可行且有效的,在面对重大突发情况时还有待优化。

猜你喜欢

建筑材料向量神经网络
基于神经网络的船舶电力系统故障诊断方法
基于递归模糊神经网络的风电平滑控制策略
向量的分解
新型建筑材料在建筑工程应用研究
绿色建筑材料在土木工程施工中的应用
新型环保建筑材料在土木工程施工中的应用
聚焦“向量与三角”创新题
废旧建筑材料在室内外装饰设计中的应用
基于神经网络的中小学生情感分析
基于Q-Learning算法和神经网络的飞艇控制