侯文婷

摘 要： 傳統(tǒng)建筑工程成本分析方法存在運(yùn)行效率低、收斂性能差，導(dǎo)致成本分析不準(zhǔn)確。因此提出基于粗糙集理論的建筑工程成本分析方法，構(gòu)建粗糙集?小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型，實(shí)現(xiàn)建筑工程成本的準(zhǔn)確分析，通過粗糙集屬性約簡過濾掉冗余屬性，減少小波神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)，降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，提高網(wǎng)絡(luò)訓(xùn)練效率和精度。利用此預(yù)測模型，將采集到的建筑工程成本干擾因素通過粗糙集理論實(shí)施約簡處理，將約簡的因素作為小波神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)輸入訓(xùn)練網(wǎng)絡(luò)，得到建筑工程成本的分析結(jié)果。實(shí)驗(yàn)結(jié)果說明，所提方法具有較高的運(yùn)行效率和收斂性能，能夠?qū)ㄖこ坛杀具M(jìn)行快速、準(zhǔn)確的分析。

關(guān)鍵詞： 粗糙集理論； 建筑工程； 成本分析； 小波神經(jīng)網(wǎng)絡(luò)； 約簡； 冗余屬性

中圖分類號(hào)： TN711?34； F407.9 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）19?0083?06

Abstract： The traditional cost analysis method of construction engineering has low operation efficiency and poor convergence performance， which leads to inaccurate cost analysis. Therefore， a construction project cost analysis method based on rough set theory is put forward， in which the rough set and wavelet neural network forecasting model is constructed to realize the accurate analysis of the cost of construction engineering. The attribute reduction of rough set can filter out the redundant attributes to decrease the number of input node of wavelet neural network， reduce the complexity of network structure， and improve the efficiency and precision of network training. The acquired factors influencing the construction engineering cost are reduced by means of rough set theory， and the reduced factor is deemed as input node of wavelet neural network for training network to get the analysis result of construction engineering cost. The experimental results show that the proposed method has high operation efficiency and convergence performance， and can quickly and accurately analyze the cost of construction project.

Keywords： rough set theory； construction engineering； cost analysis； wavelet neural network； reduction； redundant attribute

隨著經(jīng)濟(jì)的快速發(fā)展，建筑行業(yè)的市場競爭不斷提升，高質(zhì)量的建筑工程成本管理能夠提高建筑工程的效益，增強(qiáng)建筑企業(yè)的市場競爭力。尋求有效的建筑工程成本分析方法，對于確保建筑企業(yè)健康快速發(fā)展具有重要應(yīng)用意義[1]。傳統(tǒng)基于神經(jīng)網(wǎng)絡(luò)的建筑工程成本分析方法，存在運(yùn)行效率低、收斂性能差，導(dǎo)致成本分析不準(zhǔn)確。為了解決該問題，本文提出基于粗糙集理論的建筑工程成本分析方法，采用粗糙集?小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型，實(shí)現(xiàn)對建筑工程成本的快速、準(zhǔn)確分析。

1 基于粗糙集?小波神經(jīng)網(wǎng)絡(luò)的建筑工程成本分析

粗糙集理論能夠依據(jù)不可分辨原理以及知識(shí)約簡措施，基于數(shù)據(jù)得到邏輯規(guī)則，將該規(guī)則當(dāng)成知識(shí)系統(tǒng)的模型，輸出定性以及定量的混合性信息，對條件特征以及決策特征間的關(guān)聯(lián)性實(shí)施設(shè)置，對決策表實(shí)施約間獲取輸入空間同輸出空間間的關(guān)聯(lián)性，將冗余屬性過濾掉，使得知識(shí)表達(dá)空間維數(shù)降低。小波神經(jīng)網(wǎng)絡(luò)基于小波變換以及動(dòng)態(tài)映射原理，采用小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對輸入同輸出關(guān)系知識(shí)的隱藏函數(shù)編碼實(shí)施分析[2]，對網(wǎng)絡(luò)結(jié)構(gòu)實(shí)施學(xué)習(xí)、調(diào)控，得到輸入空間與輸出空間的關(guān)聯(lián)性。本文結(jié)合小波分析、神經(jīng)網(wǎng)絡(luò)及粗糙集理論，即粗糙集?小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型，實(shí)現(xiàn)建筑工程成本分析，通過粗糙集原理對小波神經(jīng)網(wǎng)絡(luò)輸入端樣本實(shí)施約簡處理，得到屬性間的關(guān)系，對小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行簡化。

1.1 粗糙集?小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建

本文設(shè)計(jì)的基于粗糙集?小波神經(jīng)網(wǎng)絡(luò)建筑工程成本預(yù)測模型結(jié)構(gòu)如圖1所示。

圖1中預(yù)測系模型是小波神經(jīng)網(wǎng)絡(luò)智能預(yù)測系統(tǒng)，網(wǎng)絡(luò)的前置結(jié)構(gòu)是粗糙集，對網(wǎng)絡(luò)輸入節(jié)點(diǎn)實(shí)施預(yù)處理。

1.1.1 粗糙集的約簡過程

1.2 建筑工程成本因素分析及數(shù)據(jù)采集

建筑工程項(xiàng)目具有規(guī)模高、周期長等特征，建筑工程成本和較多因素間具有一定的關(guān)聯(lián)性。本文對某建筑企業(yè)進(jìn)行研究，得到建筑工程數(shù)據(jù)，通過專家調(diào)查方法獲取影響建筑工程成本分析的干擾因素，這些因素主要有定量指標(biāo)及定性指標(biāo)[5]。定量指標(biāo)是建筑面積、占地面積、建筑總高度、層高、工期、建造當(dāng)年的造價(jià)指數(shù)等；定性指標(biāo)是建筑用途、結(jié)構(gòu)種類、地基種類、基礎(chǔ)類型、門窗類型、項(xiàng)目管理水平以及施工現(xiàn)場狀態(tài)等。

1.2.1 數(shù)據(jù)的離散化

2） 定性指標(biāo)。對定性指標(biāo)的離散化操作結(jié)果用表2描述。

對單位面積的建筑工程成本進(jìn)行約簡處理后，可知工程成本分析的干擾因素是：總高度、標(biāo)準(zhǔn)層面積、結(jié)構(gòu)類型、地下室面積以及項(xiàng)目管理水平和工期。

1.2.2 網(wǎng)絡(luò)訓(xùn)練準(zhǔn)備

1） 數(shù)據(jù)的預(yù)處理。獲取通過粗糙集屬性約簡后的最小屬性集，將屬性集當(dāng)成神經(jīng)網(wǎng)中的兩個(gè)輸入節(jié)點(diǎn)，完成單位面積建筑工程成本的預(yù)測[8]。通過粗糙集約簡后的歷史數(shù)據(jù)用表3描述。

小波神經(jīng)網(wǎng)絡(luò)輸入以及輸出都是歸一化數(shù)據(jù)，若規(guī)范層建筑面積指標(biāo)的最高值是9 520，則將全部該指標(biāo)的值除以10 000獲取歸一化的數(shù)據(jù)，其他指標(biāo)也通過相同的方法獲取歸一化數(shù)據(jù)。

2） 小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)選取。分析表3能夠獲取小波神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)以及輸出節(jié)點(diǎn)是6和1，基于經(jīng)驗(yàn)設(shè)置隱層節(jié)點(diǎn)數(shù)大約是8，則“6?8?1”分別用于描述小波神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)以及輸出層節(jié)點(diǎn)數(shù)[9]。參數(shù)選取過程中，設(shè)置期望誤差[ε=0.000 1]，訓(xùn)練次數(shù)是10 000次。

3） 網(wǎng)絡(luò)的訓(xùn)練和預(yù)測評估結(jié)果。采用的訓(xùn)練樣本是前15組數(shù)據(jù)，第16～18組作為系統(tǒng)檢驗(yàn)樣本，網(wǎng)絡(luò)期望誤差是0.000 1，通過10 000次訓(xùn)練。

1.3 建筑工程成本預(yù)測

采用粗糙集?小波神經(jīng)網(wǎng)絡(luò)模型對建筑工程成本實(shí)施預(yù)測過程中，期望誤差值是0.001，最終得到第16～18樣本的預(yù)測結(jié)果，用表4和圖4描述。

將擬建工程的干擾變量輸入到訓(xùn)練好的粗糙集?小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型內(nèi)，通過式（9）得到擬建工程的成本預(yù)測值。

2 實(shí)驗(yàn)分析

實(shí)驗(yàn)對比分析本文方法和神經(jīng)網(wǎng)絡(luò)，對兩種方法各試驗(yàn)次數(shù)低于10 000次，訓(xùn)練的期望誤差平方和是 0.000 1，兩種方法的運(yùn)行次數(shù)結(jié)果如表5所示。兩種方法在最高運(yùn)行次數(shù)下的收斂情況如圖5、圖6所示，迭代200次的誤差對比見表6。

綜合分析上述結(jié)果能夠得出，本文方法的收斂效率高于神經(jīng)網(wǎng)絡(luò)，誤差低于神經(jīng)網(wǎng)絡(luò)，具有較高的運(yùn)行性能。

為了確保建筑工程的相似性，實(shí)驗(yàn)采用某建筑工程的6種項(xiàng)目數(shù)據(jù)當(dāng)成測試數(shù)據(jù)，采用本文方法和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對該建筑工程成本實(shí)施預(yù)測，用表7描述。

將約簡后的6組數(shù)據(jù)當(dāng)成測試樣本，輸入本文方法和神經(jīng)網(wǎng)絡(luò)中，兩種方法的工程成本分析結(jié)果同真實(shí)值對比情況如表8和圖7所示。

分析上述實(shí)驗(yàn)結(jié)果可得，利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行工程成本預(yù)測時(shí)，最低以及最高相對誤差值是0.030 4和0.044 6，本文方法的最低以及最高相對誤差是0.005 8和0.011 6，說明本文方法的預(yù)測精度更高，是一種高精度的建筑工程成本分析方法。

3 結(jié) 語

本文提出基于粗糙集理論的建筑工程成本分析方法，采用基于粗糙集?小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型，實(shí)現(xiàn)建筑工程成本的快速、準(zhǔn)確分析，具有較高的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 許寧，譚立新，范藝林.淺談綠色施工成本和效益[J].施工技術(shù)，2015，44（21）：107?109.

XU Ning， TAN Lixin， FAN Yilin. Introduction of the green construction costs and benefits [J]. Construction technology， 2015， 44（21）： 107?109.

[2] 王麗，王志祥.建筑工程綠色施工質(zhì)量與環(huán)境成本分析[J].施工技術(shù)，2016，45（12）：103?106.

WANG Li， WANG Zhixiang. Analysis of green construction quality and environmental costs in construction engineering [J]. Construction technology， 2016， 45（12）： 103?106.

[3] 梁喜，陳永鵬.基于VE理論的LCC與直覺模糊TOPSIS法的項(xiàng)目成本方案分析[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2016，46（20）：93?101.

LIANG Xi， CHEN Yongpeng. LCC and intuitionistic fuzzy TOPSIS method based on the theory of the VE analysis of the project cost scheme [J]. Mathematics in practice and theory， 2016， 46（20）： 93?101.

[4] 高成，趙學(xué)鑫，高世昌，等.BIM技術(shù)在中國尊建筑工程施工中的應(yīng)用研究[J].鋼結(jié)構(gòu)，2016，31（6）：88?91.

GAO Cheng， ZHAO Xuexin， GAO Shichang， et al. Research on the application of BIM in the construction of a super high?rise China honour project [J]. Steel construction， 2016， 31（6）： 88?91.

[5] 張飛漣，劉尚，楊中杰，等.基于粗糙集的大型建設(shè)工程項(xiàng)目團(tuán)隊(duì)知識(shí)存量度量研究[J].模糊系統(tǒng)與數(shù)學(xué)，2016，30（1）：157?164.

ZHANG Feilian， LIU Shang， YANG Zhongjie， et al. The research on measuring knowledge stock of large?scale construction project team [J]. Fuzzy systems and mathematics， 2016， 30（1）： 157?164.

[6] 陳超，陳性元，汪永偉，等.基于粗糙集理論的冗余規(guī)則處理方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（1）：21?25.

CHEN Chao， CHEN Xingyuan， WANG Yongwei， et al. Redundant rules process based on rough set theory [J]. Computer engineering and design， 2014， 35（1）： 21?25.

[7] 張立平，葉回春，周妍，等.基于粗糙集理論的工礦廢棄地復(fù)墾利用實(shí)施效果評價(jià)模型及應(yīng)用[J].中國礦業(yè)，2016，25（z1）：249?254.

ZHANG Liping， YE Huichun， ZHOU Yan， et al. Evaluation of implementation effect of abandoned mine land reclamation and reutilization and its application based on rough set theory [J]. China mining magazine， 2016， 25（S1）： 249?254.

[8] 譚忠富，鞠立偉，陳致宏，等.基于粗糙集理論與CLSDE算法的環(huán)境經(jīng)濟(jì)調(diào)度優(yōu)化模型[J].電網(wǎng)技術(shù)，2014，38（5）：1339?1345.

TAN Zhongfu， JU Liwei， CHEN Zhihong， et al. An environmental economic dispatch optimization model based on rough set theory and chaotic local search strategy differential evolution algorithm [J]. Power system technology， 2014， 38（5）： 1339?1345.

[9] 蔡振禹，劉陽洋.基于主成分分析的建筑工程成本影響因素分析[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2016，46（13）：15?22.

CAI Zhenyu， LIU Yangyang. Analysis of influence factors of construction engineering cost based on principal component analysis [J]. Mathematics in practice and theory， 2016， 46（13）： 15?22.

[10] 鄭紹羽，李素芹，毛寶林.基于改進(jìn)的粗糙集條件信息熵和灰關(guān)聯(lián)投影法的工程項(xiàng)目投標(biāo)決策研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2014，44（12）：102?111.

ZHENG Shaoyu， LI Suqin， MAO Baolin. The study of construction projects bidding decision based on the improved rough sets conditional information entropy and gray relation projection method [J]. Mathematics in practice and theory， 2014， 44（12）： 102?111.