基于智能估价的住宅工程特征选取

　　摘要：本文阐述了以智能估算模型为背景条件下对于输入向量—项目特征指标的选取分析、选取方法，并根据所述特征指标选定方法的讨论，结合文献调研和专家意见确定了17个特征指标作为造价预测模型的主要输入指标。

　　引言

　　在估价方法方面，对于如何准确快速地预测住宅工程造价国内外学者做了很多研究。如今常见的工程造价估算方法可以分为三类：

　　1.第一类以传统定额作为计价依据的估算方法。传统的方法普遍存在着周期长、速度慢、误差大等缺点。

　　2.第二类以回归分析为主要特征，出现在 20 世纪 70 年代中期，但这种方法对异常值较敏感，面对维度较大、较复杂数据集时 模型性能差。

　　3.第三类是20 世纪 80 年代初期提出的，主要采用计算机模拟技术建立模型和人工智能技术建立工程造价估算系统两种。人工神经网络(简称人工智能)由于具有良好的自学能力和容错能力，目前成为工程造价预测主要研究方法之一，也是本文对于住宅工程特征指标选取的背景基础。

　　1.特征指标的重要性

　　智能估价模型的思路应用原理是利用过去积累的大量典型工程的工程特征、造价及工料分析资料作为训练样本，把已完成工程特征的量化数据作为造价预测模型的输入指标，对应的造价资料作为输出指标，对神经网络进行训练，使不同的输入向量得到不同的输出量值，从而实现由输入工程特征的空间到输出造价指标的空间的映射，即为建筑工程造价的快速估算。因此，工程特征的选取对于基于神经网络的工程造价估算方法十分重要。所以，在选取工程特征指标前需要认真分析典型工程及代表规格品的选择、样本信息的采集及离散数据的甄别，并将指标结果标准化度量处理，做到选取的工程特征能够反映工程本质，便于众多样本彼此区别开来，才可能为估算模型问题求解提供支持，确保估算模型的准确度。

　　2.特征指标选取分析

　　所谓工程特征是指既能体现工程项目特点，同时又能反映工程的主要成本構成的重要因素。工程特征的选取应首先参照历史工程资料的统计和分析，列举工程特征的不同类目，依据定额水平及工程特征以及对造价影响的相关性并结合工程具体情况和专家的经验确定。或者也可以通过对历史住宅工程项目的造价组成及建筑结构参数变化对造价的影响进行分析，选出所需要的典型特征的造价指标， 作为智能估价模型的特征指标。 并通过估价模型的分解与换算，再添加上人为的判断与经验，最后调整出较为可靠的工程投资估算值。

　　能够体现工程特点、反映住宅工程造价的造价指标有很多，但是在数据采集、分析的过程和实际应用中，过多的指标反而会造成的统计分析工作的困难和繁杂，并增加数据采集的工作量和数据处理的难度，但是却对智能估价的结果影响不大。所以为了使住宅项目特征指标的针对性更强，抓住关键点，需要分析住宅工程的主要构成以及对工程造价的主要影响因素，针对主要部分从中选取工程特征指标。在明晰拟建工程项目特征信息的条件下，可根据住宅项目建筑工程的特点，先将其划分为三个层次即建筑特征、结构特征和装饰特征。一般情况下，影响住宅工程造价的因素包括建筑的用途、建筑的功能、建筑所在地、建筑的高度及建筑的结构类型、基础类型、设防烈度和层高等几个方面。根据拟建住宅工程的工程特征，选取与之相似的已完典型工程的造价信息，作为样本，并将样本划分为训练样本和测试样本。相似工程的选取，可以提高估算模型的精确度和可信度。这些信息对于住宅工程的造价影响较大，对于准确确定住宅工程的造价和造价信息的处理具有特别重要的作用。

　　3.特征指标确定相关方法

　　1.层次分析法

　　层次分析法是一种多因素决策方法。首先把问题进行层次化，根据问题的性质和总目标将具体问题分解成一个多层次的分析结构模型。该模型分为最低层，中间层，最高层(总目标)，通过对最低层因素-中间层与中间层因素-最高层中各因素的相对优劣次序排序，给出最低层相对于最高层的重要性权值。

　　采用层次分析法确定特征指标时，本文先结合工程造价的构成，将住宅工程造价分为定量指标与定性指标。例如以徐州市 2009-2010 年《工程造价》 中的 20 组住宅类型数据为基础，根据所掌握的材料，选择 对工程造价影响较大的造价组成因素和建筑结构参数作为主要特征指标，如：基础类型、层数、层高、内装饰、外装 饰、建筑年份、门窗工程、单层面积、平面形状、结构类别、 地基承载力、埋深等。采用 AHP 法对此进行系统分析，可得到如图所示的工程估算的层次分析模型。

　　然后再运用Santy 的1-9 标度方法，给出各级比较判断矩阵。层次分析模型各层的各个要素的权重指标如表1、表2、表3所示[1]。

　　从而各指标复合权重如表4所示。 根据层次分析法计算结果，确定主要工程项目特征指标为：单层建筑面积、层数、层高、平面形状、结构类别、基础类别、 地基承载力、埋深。

　　2.选用SPSS软件的因子分析工具

　　本方法第一步先提取影响工程造价的主要项目特征因素，并在进行因子的相关性分析之前对所选变量的分布情况进行检验，运用数据筛选法筛选后，输入已确定的工程造价指标的数据资料进行相关性分析，得出相关性矩阵。其中，与预测的因子的相关性越大则该特征因素越好，且其他因素之间的相关性不能太大。若相关性较大则进行删除、合并，直至剩余的工程特征因素的相关矩阵相关性都在合理的范围，最后选取删减、整合后的因素为项目特征指标，作为估算模型的神经网络输入向量。

　　3.主成分分析法

　　首先通过主成分分析得到综合的造价指标，再将这些指标作为BP神经网络的输入向量。主成分分析后得到的指标综合了占据工程造价的主要成分，减少了BP网络的输入向量的个数，这样不仅提高了网络的计算速度，而且也使网络不至于因为结构过大而瘫痪。通过主成分分析，将众多输入向量拟合成几个综合的指标向量，作为BP神经网络的输入向量，来减少网络的结构，提高网络的效率。

　　结论

　　基于人工智能的工程造价估测模型是以以工程特征为参数，用历史数据，建立模型。因此合理的选取特征指标是建立智能估价模型的基础。本文通过对工程特征的定义、指标选取分析以及3种特征指标选定方法的讨论，结合文献调研和上述案例数据本研究确定了17个特征指标作为造价预测模型的输入指标，如下表5所示：输入指标又分为定性指标和定量指标。

　　其中，数值型的特征指标在数据预处理后可以直接作为输入指标，而字符型的特征指标需要转变为数值型特征指标作为输入指标。

　　参考文献

　　[1]陈文盛. 工程造价估算模型研究与基于层次分析法的BP神经网络模型应用[J]. 价值工程. 2015，34(29)

　　[2]叶青. 人工智能方法在估价领域的研究与应用[D]. 华侨大学福建省泉州市. 2011

　　[3]刘雅楠. 基于人工智能的建筑工程估价研究[D]. 沈阳建筑大学.2015

　　[4]吴学伟. 住宅工程造价指标及指数研究[D]. 重庆大学. 2009

　　[5]唐也茜. 基于BP神经网络的装配式混凝土建筑估价研究[D]. 江西理工大. 2020

　　[6]黄月. 基于数理模型的建筑工程造价估算方法的研究[D]. 沈阳建筑大学. 2014

　　[7]邵雅楠. 基于主成分分析和BP网络的高层住宅工程造价估算方法[D]. 燕山大学. 2015

　　[8]王德美，陈慧，肖之鸿，等. 基于数据挖掘的住宅工程造价预测[J]. 土木工程与管理学报第1期 2021，38(1)

　　[9]庞佳佳. 基于人工智能的装配式建筑工程快速估价模型研究[B]. 2018

　　[10]李晓娟. 基于BP神经网络的工程造价估算模型研究[A]. 甘肃联合大学学报(自然科学版). .2011，25(4)

　　[11]石江波. 普通住宅工程造价指标及指数编制研究[D]. 四川省成都市. 2015

期刊VIP网，您身边的高端学术顾问

文章名称： 基于智能估价的住宅工程特征选取

文章地址： http://www.qikanvip.com/jianzhugongcheng/60413.html