基于BP神经网络的公路工程造价预测

　　摘要：介绍了BP神经网络的网络结构以及学习过程，并对BP神经网络在工程造价预测方面的应用进行了研究。

　　关键词：BP神经网络 造价预测 研究

　　BP神经网络的算法称为反向传播算法(Back-Propagation)简称BP算法，BP网络也由此得名。BP网络的学习过程是由信号的正向传播与误差的反向传播两个过程组成。在正向传播过程中，信号从输入层传入，经隐单元逐层处理后传向输出层，如果在输出层的实际输出与期望输出不符，则转入反向传播，将误差信号以某种形式由原来的连接通路返回，通过隐层向输入层反传，并在返回过程中修改各层神经元连接的权值。这种过程循环进行，直到输出误差达到允许的范围或达到网络预先设定的学习次数。

　　1BP神经网络的网络结构

　　BP 神经网络结构如图1所示，输入数据由输入层进入，输入层连接隐层，隐层连接输出层，输出数据从输出层导出。输入层、输出层神经元个数根据具体实际情况设置，隐层可以是一层，也可是多层由相应的输入层、输出层神经元个数根据公式确定。各层之间神经元连接强度的加权值(简称权值)允许不同，权值越大表示该输入的影响越大。神经元的所有输入采用加权和的方式。输入、输出向量分别用x和y，且x=(x1，x2，…，xn)，y=(y1，y2，…，ym)，表示输入层、输出层分别有n、m个节点输入输出向量分别是 n 维和 m 维。

　　图1 BP 神经网络结构示意图

　　2BP神经网络的学习过程

　　简单说来BP网络的整个学习过程就是权值与阈值的不断修正过程，BP网络的整个学习过程的步骤如下图：

　　图2 BP神经网络学习过程

　　3 BP 神经网络在工程造价预测中应用

　　工程造价预测是一个十分复杂的模式识别问题，特别是预测中存在广泛的非线性问题，这增加了模式识别的复杂性。BP 神经网络由于其本身信息处理的特点，使其能够出色解决那些传统识别方法难以解决的问题，近年来工程领域的仿真预测成为神经网络的重要应用领域之一。

　　对于一般的神经网络预测，诊断工作可以分为测前工作与测后工作两部分工作。测前工作，根据经验在一定的条件下，将常见的各种费用超支情况及正常情况所对应的理论值用实验或理论计算求出。并以此作为BP神经网络的样本及样本期望,输入特定的BP神经网络，进行神经网络训练，实际预测时，在同样的条件下，将实际数据经处理后输入特定的BP神经网络。其输出即是对应的预测值。神经网络具有推论联想的能力，具有很强的泛化能力，不仅能识别已经训练过的样本，而且能通过推论联想识别为出现过的样本。综上所述，用BP神经网络进行公路工程造价预测，步骤可以总结为：建模、参数选定、预测模型结构确定。

　　3.1神经网络建模步骤

　　在实际应用中，面对一个具体的问题，首先需要分析利用神经网络求解问题的性质，然后依据问题特点，确立网络模型。最后通过对网络进行训练、仿真等，检验网络的性能是否满足要求。主要步骤包括：确定信息表达式、网络模型的确定、网络参数的选择、训练模式的确定、网络测试。

　　3.2模型参数的确定

　　(1)实际完成金额

　　公路工程造价的发展具有连续性，其数量特征呈相对稳定，或者与其他经济现象之间的相互联系具有相对稳定的模式，因而有可能对其发展过程加以模拟，利用实际完成金额等历史资料比较准确地推断其将来。

　　(2)主要材料价格

　　由于公路工程涉及工程材料种类多，工程施工经历时间跨度大，期间材料价格波动影响因素较多，要综合考虑这些因素进行预测往往要大量的基础资料。

　　(3)天气状况

　　由于公路项目施工主要是在野外作业，所以受天气影响比较大，所以天气状况也是影响工程造价的一个因素。

　　(4)进场主要施工机械设备数量

　　设备材料费，是工程造价的主要组成部分。因此，施工设备投入数量，是影响工程造价增减的重要动态因素

　　4结语

　　基于 BP 神经网络的公路工程造价预测，能够充分利用公路工程造价的历史数据，通过高度的非线性映射，得到预测结果。与传统的工程造价方法相比较，该方法具有自组织、自学习、自适应和泛化能力，因而有广泛的应用前景。而 BP 神经网络的精确预测需要真实、可靠、准确的样本输入数据以及相对应的样本期望数据，就需要我国公路工程造价历史数据的不断积累，公路工程造价制度的不断完善。

　　参考文献

　　[1]袁助,基于项目总控模式的高速公路造价动态控制方法研究[D],长沙理工大学,2009年.

　　[2] 韩小康，基于神经网络和 TO理论的工程造价预控研究[D],西安建筑科技大学,2011年.