前言：本站為你精心整理了建筑工程的造價預測研究范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

一、建筑工程實際造價預測模型

在建筑工程中，其實際造價預測是極其重要的，對于提高建筑企業對工程造價的控制力度有著極其重要的作用。要進行工程造價的動態預測分析，首先必須要通過相關的平臺收集詳細具體的工程項目進度信息以及工程項目的造價信息。然后再通過科學的評估法，分析施工建設環境（經濟環境、政策環境、自然環境等）以及建筑材料的市場價格波動情況對實際造價預測的影響。另外，還要兼顧建筑施工設備的投入情況以及施工人員情況對工程造價的影響。結合施工建設單位歷史造價的相關資料，以BP神經網絡為基礎建立起科學合理、切實可行的預測模型。在對未來工程造價進行預測的同時，還要以預測結果為基礎對潛在的、可能遇到的造價控制問題進行預測。尋找問題，并對這些問題進行預防和處理。在建筑工程施工階段，項目部必須要以合同為基礎對工程造價進行有效的預測。通過統籌論證對造價控制進行分析，確保工程的實際造價始終處于可控狀態。通過上交的造價控制表以及報告表，對造價控制的結果以及決策進行全面的分析。以造價控制的歷史數據為依據，運用BP神經網絡模型對實際造價的資金發展變化情況進行預測。再通過造價預測數據與造價計劃的比較，明確建筑工程計劃值。采取有效的改進措施，確保建筑工程實際造價預測結果的真實性和可靠性。

二、建筑工程實際造價動態預測模型的結構

1.建筑工程BP神經網絡的結構設計

所謂的建筑工程BP神經網絡的結構設計，就是指確定神經網絡的結構層數以及每層神經元的具體個數。通常情況下，BP神經網絡只存在一個輸入層以及與之相對應輸出層。本文所分析的BP神經網絡結構，其輸入層中的神經元個數的多少，關鍵要看影響建筑工程實際造價的因素。以某站外管線工程為例，那么可將管理水平、土壤等級、單位造價、氣候情況作為BP神經網絡中輸入層中的4個神經元，將站外管線的總體費用作為網絡輸出層中的唯一神經元。在上世紀80年代，RobertHecht-Nielson就對在閉區間內的任何連續函數做了研究。他表示，在閉區間內的任何連續函數都可以用一個隱含層的BP網絡來逼近。由此可見，隱含層的個數通常為1。而隱含層的節點可以通過公式NNNah10進行計算，得出結果為12。公式中的hN為節點數目，1N為BP神經網絡中輸入層的節點數，0N為BP神經網絡中輸出層的節點數，a為調節常數（取值范圍在1～10之間）。通過分析可以得知，站外管線BP網絡的結構為“4-12-1”。具體而言，就是BP神經網絡中有4個輸入節點，12個隱含層節點以及1個輸出節點

2.建筑工程實際造價動態預測BP神經網絡的創建

通過上文的分析，建筑工程BP神經網絡的結構已經明確。然后要在此基礎上，利用Matlab網絡工具構建建筑工程實際造價動態預測的神經網絡。再通過與之相對應的函數（Newff），進而形成相應的BP神經網絡。一般而言，在訓練BP神經網絡時，可采取計算機梯度方式，通過調整梯度權值和閥值，從而保障性能函數達到最小。在Matlab網絡工具中提供了很多函數可以進行訓練，不過這些函數大多屬于批處理模式的訓練函數，一般都是由Train觸發。在建筑工程實際造價動態預測BP神經網絡中，通常都是選擇Traingdm函數進行訓練。該函數在對梯度權值以及閥值進行更新時，必須要考慮梯度方向（包括現在的梯度方向以及前段時間的梯度方向）。以此降低參照函數調整對網絡性能造成的影響，避免局部小問題的出現。在設計完建筑工程實際造價動態預測BP神經網絡以后，再使用相應的設計值對其進行訓練。首先，在前向傳播中，數據的輸入到輸出是一個從前到后的過程。將前后節點值相連，然后再將值按照各個連接權重的大小加權輸入活動函數，從而得到新的值，再傳播到下一個節點。其次，在回饋階段，如果輸出值與預測值存在差距，此時就需要對神經網絡進行“懲罰性學習”。過程是：尋找某個發生錯誤的輸入節點。如果這個節點的權重最高，那么就降低對它的信任值以示懲罰。與此同時，再升高那些正確傳輸節點的信任值（即是加高權重）。被懲罰的節點會繼續向前尋找錯誤源，并懲罰它們，直到懲罰傳播到最初的輸入點為止。

三、通過實例闡述建筑工程實際造價動態預測的應用

1.模型建立

本文以某站外管線工程為例，對建筑工程實際造價動態預測BP神經網絡的應用進行闡述。首先，在建立BP神經網絡預測模型的過程中，必須要對影響站外管線實際費用的諸多因素進行考慮。一般來說，主要是針對管理水平、土壤等級、單位造價、氣候情況這四項指標進行分析，將上述四項指標作為BP神經網絡輸入層中的4個節點。然后再將站外管線實際造價的預測值設為輸出層中唯一的節點，中間的隱含層節點數以及層數。根據上文中的分析，使用1層12個節點，建立起“4-12-1”的三層網絡。利用該網絡，對2013年8月份的建筑費用進行預測，計劃費用為2434萬元。然后再建立建筑工程實際造價動態預測模型的訓練樣本，固定其預測值的偏差范圍為。

2.訓練與測試

（1）訓練將相關的數據輸入到BP神經網絡中，采用學習算法進行反復運算。檢測結果顯示，其實際輸出值與其計劃值非常接近。起均方差D＜0.0002，證明其符合要求。

（2）測試因為誤差小，故可以使用該BP神經網絡對建筑工程的實際造價進行動態預測。若8月份的預期CPI指數為1.273，管理水平指數為1.1352，地質狀況指數為1.0625，氣候狀況指數為1.232。將這四項數據輸入已經訓練好的BP神經網絡中，預測目標值，可得預測費用為2517萬元。通過模型預測得出的數據，CV＜0，即是指8月份的資金需求超過了計劃費用。通過市場調研，最終查出導致預測費用上漲的原因是8月份的管材市場價格大幅上漲，使得管線實際費用超支。

四、結語

建筑工程是人們改造自然環境的主要方式，其目的在于為人類打造出更適宜生活的環境，提供給人類生活中所需的各種設施，比如出行、居住、娛樂、工作等。工程造價能否得到有效的控制，將直接影響到建筑工程的施工質量以及建筑企業本身的利益。鑒于此，建筑企業必須要建立起建筑工程實際造價動態預測BP神經網絡，對實際造價進行動態預測。

作者：張艷青單位：河南惠德工程造價咨詢有限公司