论文部分内容阅读
摘要：在建筑工程管理工作中，成本预估其中非常重要部分，肩负着控制工程成本的重任。以往，由于技术上的问题，在建筑工程造价成本预估的精度方面无法进行有效保证，随着计算机技术的发展，这一长期困扰建筑行业的问题得到了解决。利用计算机技术，基于数据挖掘的建筑工程造价成本预估模型被研发出来，其采用最小二乘支持向量机进行建筑工程造价成本预估模型的构建求解，同时以粒子群算法为基础对模型进行进一步优化，在提高建筑工程造价成本预估精度方面取得明显成效，表现出了优于其他他建筑工程造价成本预估模型的优势。
关键词：建筑工程;质量管理;成本预估;数据挖掘;数学模型;工程造价
社会经济的快速发展使建筑行业的规模不断扩张，为满足人们对住户水平和生活品质不断上升的需求，各地都展开了大大小小的建筑工程建设，由此也带动了建筑原材料、人力、管理方面费用的快速提升，使建筑工程造价不断攀升，更加体现出相关工程建设的成本管理的重要性。建筑工程造价成本预估是伴随着建筑行业的兴起而共同发展起来的，对于保证建筑工程的正常施工、工程工期、质量控制等都具有重要意义。
1、建筑工程造价成本预估模型分析
以往，由于技术上的局限，主要采取的是统计学方法进行成本预估，而相关的操作是由工程管理人员人工进行，由于计算过程较为复杂，因此极易造成因为人工计算中的小错误而使建筑工程造价成本预估的误差过大，从而使预估数值的可参考性降低，建筑工程造价成本管理的难度加大。在对建筑工程造价成本预估的研究过程中，一些基于不同原理的计算模型被设计出来，经过实际的应用表现出了不同的特点，比如以建筑工程造价成本的历史数据有基础的多元线性回归模型，由于对相似建筑工程造价成本进行回归和拟合，其预估结果的可信度较高，但其违背事实，将建筑工程造价成本认定为固定的线性增加变化趋势，因此其预估精度依然难以达到理想值;人工神经网络可以智能地实现非线性拟合建筑工程造价成本与其影响因素之间的关系，从而体现出建筑工程造价成本的变化趋势，但由于其自身结构过于复杂的原因，很难控制其在计算过程中的合理结构和统一看法，常常会得到“过拟合”的预估结果，这也造成了对其预测精度的损害;随着相关研究的进一步发展，一种非线性建模方法——数据挖掘技术被应用于建筑工程造价成本预估的模型构建中，由于其对建筑工程造价成本的变化趋势可进行深层次挖掘，对建筑工程造价成本与影响因素之间的关系进行准确估计，且，泛化能力强，已成为进行建筑工程造价成本预估的主要工具，但是由于其是支持向量机的一种常见方法，当参与建筑工程造价成本预估的数据较多时，就会出现学习速度过慢的缺陷，甚至可能使预测计算无法进行。
目前，一种新型的、学习速度快、泛化能力强的数据挖掘技术“最小二乘支持向量机”成为建筑工程造价成本预估中最受瞩目的方法，其克服了多数建筑工程造价成本预估模型无法对建筑工程造价变化趋势进行精准描述的问题，基于数据挖掘的建筑工程造价成本预估模型（PSO—LSSVM），利用最小二乘支持向量机进行建筑工程造价成本变化趋势的拟合，其预估结果的精度明显提高，与其他建筑工程造价成本预估模型相比，误差显著缩小。
2、建筑工程造价成本预估的数学模型
建筑工程造价成本预估的数学模型将与建筑工程造价成本相关的诸多因素的数量，如人工费、材料等设为n，并以表示，其中i=1，2，3……n。以y表示建筑工程造价成本，由相关公式为：
式中，f（·）代表的是建筑工程造价成本预估函数，该数值对建筑工程造价成本预估的准确性具有重要意义。
3、数据挖掘的建筑工程造价成本预估模型
3.1最小二乘支持向量机
在模型中，权向量ω和偏差b需要确定保证最优值。根据结构风险最小化原理，对于松弛变量的等式约束优化得到以下公式：
就上图可知，结构中每一个中间节点都对应着一个支持向量。结合最小二乘支持向量机结构与建筑工程造价成本模型的构建过程可知，对预估结果造成直接影响的的参数为
因此需要采用粒子群算法对这个两个数值进行优化。
3.2粒子群算法
粒子群算法是以模拟鸟群飞行觅食行为为基础形成的算法，其可采用一个粒子代表结合问题求解的目标确定其适应度函数值，在该建筑工程造价成本预算中，为获取最优的参数，根据粒子状态得到更新公式：
3.3数据挖掘的建筑工程造价成本预估步骤
（1）根据建筑工程的实际情况，对相关资料进行收集，并对其造价成本的历史数据进行整理，对相关数据进行如下处理：
（2）将粒子的位置和速度初始化、确定取值范围，结合参数采用最小二乘支持向量机映射粒子位置。
（3）输入学习样本由最小二乘支持向量机进行学习，并反编码粒子位置向量，获得参数，再训练得到每一个粒子的适应度值。
（4）将每个粒子的最优位置和种群最优位置进行确定。
（5）更新惯性权重
（6）更新操作粒子状态，获得新的粒子群。
（7）结合训练样本和最小二乘支持向量机计算获得粒子群的适应度值。
（8）对结果进行结束条件对照，如发现不妥，再由（4）开始进行计算操作。
（9）基于计算得到的参数最优组合，对样子进行再次学习，获得建筑工程造价成本预估模型。
4、仿真实验
4.1数据采集
根据以上公式，将某市的建筑工程造价成本数据作为实验数据进行研究，从该实验对象中采集200组数据，对该建筑工程的造价成本数据变化趋势进行分析，由此建立建筑工程造价成本预估数学模型：
根据差分熵确定（建筑工程造价成本数据的延迟时间）=12，最终将其中50组数据作为测试样本，其他数据则作为训练样本。
4.2结果与分析
根据以上建筑工程造价成本数据集，采用BP神经网络（BPNN）和支持向量机（SVM）对相关数据进行测试，得到不同模型计算的预估结果，如下图所示：
从上图可以看出，支持向量机（SVM）和最小二乘支持向量机计算出的成本预估结果比较接近，虽然进行學习、训练的时间较长，但结果比较理想，而BP神经网络（BPNN）虽然预估的时间短，但其预估性能表现最差，由于预估值的误差过大，在实际应用中对建筑工程造价成本管理的帮助作用并不大。PSO-LSSVM的预估速度快，而且效果也较好，表现出了明显的优势。
5、结论
根据以上分析，可以看出在不断进行的建筑工程造价成本模型研究中，各种基于不同原理的模型在进行预估时表现出的优势和缺陷，目前整体表现最优的PSO-LSSVM模型，克服了传统方法精度不高的问题，以较快的训练、学习速度和准备描述建筑工程造价成本的变化特点，以及通用性强的特点，将建筑工程造价成本预估模型的预估精度提升到了较为理想的水平。
关键词：建筑工程;质量管理;成本预估;数据挖掘;数学模型;工程造价
社会经济的快速发展使建筑行业的规模不断扩张，为满足人们对住户水平和生活品质不断上升的需求，各地都展开了大大小小的建筑工程建设，由此也带动了建筑原材料、人力、管理方面费用的快速提升，使建筑工程造价不断攀升，更加体现出相关工程建设的成本管理的重要性。建筑工程造价成本预估是伴随着建筑行业的兴起而共同发展起来的，对于保证建筑工程的正常施工、工程工期、质量控制等都具有重要意义。
1、建筑工程造价成本预估模型分析
以往，由于技术上的局限，主要采取的是统计学方法进行成本预估，而相关的操作是由工程管理人员人工进行，由于计算过程较为复杂，因此极易造成因为人工计算中的小错误而使建筑工程造价成本预估的误差过大，从而使预估数值的可参考性降低，建筑工程造价成本管理的难度加大。在对建筑工程造价成本预估的研究过程中，一些基于不同原理的计算模型被设计出来，经过实际的应用表现出了不同的特点，比如以建筑工程造价成本的历史数据有基础的多元线性回归模型，由于对相似建筑工程造价成本进行回归和拟合，其预估结果的可信度较高，但其违背事实，将建筑工程造价成本认定为固定的线性增加变化趋势，因此其预估精度依然难以达到理想值;人工神经网络可以智能地实现非线性拟合建筑工程造价成本与其影响因素之间的关系，从而体现出建筑工程造价成本的变化趋势，但由于其自身结构过于复杂的原因，很难控制其在计算过程中的合理结构和统一看法，常常会得到“过拟合”的预估结果，这也造成了对其预测精度的损害;随着相关研究的进一步发展，一种非线性建模方法——数据挖掘技术被应用于建筑工程造价成本预估的模型构建中，由于其对建筑工程造价成本的变化趋势可进行深层次挖掘，对建筑工程造价成本与影响因素之间的关系进行准确估计，且，泛化能力强，已成为进行建筑工程造价成本预估的主要工具，但是由于其是支持向量机的一种常见方法，当参与建筑工程造价成本预估的数据较多时，就会出现学习速度过慢的缺陷，甚至可能使预测计算无法进行。
目前，一种新型的、学习速度快、泛化能力强的数据挖掘技术“最小二乘支持向量机”成为建筑工程造价成本预估中最受瞩目的方法，其克服了多数建筑工程造价成本预估模型无法对建筑工程造价变化趋势进行精准描述的问题，基于数据挖掘的建筑工程造价成本预估模型（PSO—LSSVM），利用最小二乘支持向量机进行建筑工程造价成本变化趋势的拟合，其预估结果的精度明显提高，与其他建筑工程造价成本预估模型相比，误差显著缩小。
2、建筑工程造价成本预估的数学模型
建筑工程造价成本预估的数学模型将与建筑工程造价成本相关的诸多因素的数量，如人工费、材料等设为n，并以表示，其中i=1，2，3……n。以y表示建筑工程造价成本，由相关公式为：
式中，f（·）代表的是建筑工程造价成本预估函数，该数值对建筑工程造价成本预估的准确性具有重要意义。
3、数据挖掘的建筑工程造价成本预估模型
3.1最小二乘支持向量机
在模型中，权向量ω和偏差b需要确定保证最优值。根据结构风险最小化原理，对于松弛变量的等式约束优化得到以下公式：
就上图可知，结构中每一个中间节点都对应着一个支持向量。结合最小二乘支持向量机结构与建筑工程造价成本模型的构建过程可知，对预估结果造成直接影响的的参数为
因此需要采用粒子群算法对这个两个数值进行优化。
3.2粒子群算法
粒子群算法是以模拟鸟群飞行觅食行为为基础形成的算法，其可采用一个粒子代表结合问题求解的目标确定其适应度函数值，在该建筑工程造价成本预算中，为获取最优的参数，根据粒子状态得到更新公式：
3.3数据挖掘的建筑工程造价成本预估步骤
（1）根据建筑工程的实际情况，对相关资料进行收集，并对其造价成本的历史数据进行整理，对相关数据进行如下处理：
（2）将粒子的位置和速度初始化、确定取值范围，结合参数采用最小二乘支持向量机映射粒子位置。
（3）输入学习样本由最小二乘支持向量机进行学习，并反编码粒子位置向量，获得参数，再训练得到每一个粒子的适应度值。
（4）将每个粒子的最优位置和种群最优位置进行确定。
（5）更新惯性权重
（6）更新操作粒子状态，获得新的粒子群。
（7）结合训练样本和最小二乘支持向量机计算获得粒子群的适应度值。
（8）对结果进行结束条件对照，如发现不妥，再由（4）开始进行计算操作。
（9）基于计算得到的参数最优组合，对样子进行再次学习，获得建筑工程造价成本预估模型。
4、仿真实验
4.1数据采集
根据以上公式，将某市的建筑工程造价成本数据作为实验数据进行研究，从该实验对象中采集200组数据，对该建筑工程的造价成本数据变化趋势进行分析，由此建立建筑工程造价成本预估数学模型：
根据差分熵确定（建筑工程造价成本数据的延迟时间）=12，最终将其中50组数据作为测试样本，其他数据则作为训练样本。
4.2结果与分析
根据以上建筑工程造价成本数据集，采用BP神经网络（BPNN）和支持向量机（SVM）对相关数据进行测试，得到不同模型计算的预估结果，如下图所示：
从上图可以看出，支持向量机（SVM）和最小二乘支持向量机计算出的成本预估结果比较接近，虽然进行學习、训练的时间较长，但结果比较理想，而BP神经网络（BPNN）虽然预估的时间短，但其预估性能表现最差，由于预估值的误差过大，在实际应用中对建筑工程造价成本管理的帮助作用并不大。PSO-LSSVM的预估速度快，而且效果也较好，表现出了明显的优势。
5、结论
根据以上分析，可以看出在不断进行的建筑工程造价成本模型研究中，各种基于不同原理的模型在进行预估时表现出的优势和缺陷，目前整体表现最优的PSO-LSSVM模型，克服了传统方法精度不高的问题，以较快的训练、学习速度和准备描述建筑工程造价成本的变化特点，以及通用性强的特点，将建筑工程造价成本预估模型的预估精度提升到了较为理想的水平。