基于专家知识的建筑智能化投资预测模型研究.pdf

中国科技期刊数据库 工业 A 114 基于专家知识的建筑智能化投资预测模型研究 邱 欣 曾晓敏 范洪瑜 重庆电子工程职业学院，重庆 401331 摘要摘要：在实际工程项目中，建筑智能化作为电气专业的一部分往往没有针对性的、完善的计量计价规范，但是其造价影响因素众多，可参照的造价历史数据少，导致项目在进行投资估算时难度大、准确度低等问题；本文结合支持向量机的理论技术，将支持向量机回归算法应用到投资估算中，建立投资预测模型，并通过实际工程项目数据完成投资预测模型的搭建、参数训练等步骤。经项目实证数据分析验证，采用该模型进行投资预测，速度较快、准确性高，能有效为设计阶段项目提供经济指标与参考资料。关键词关键词：建筑智能化；支持向量机；造价预测模型 中图分类号：中图分类号：S126 1 研究背景 建筑智能化工程投资预测是控制工程全过程造价的限额，是工程资金储备管理、项目建设系统内容以及项目经济效益分析的重要指标。能快速、准确地进行投资造价预测，对于提高项目工作效率、加强工程造价管理以及提升项目经济效益都有着重要意义。国内对建筑智能化工程投资预测的相关研究非常少，多数项目信息管理也停留在传统方式，项目信息交流很难实现1。传统的工程投资预测方法一般采用简单函数回归模型、最小二乘法、定额计算、指数平滑法、模糊数学、灰色预测等方法。以上传统投资预测方法，数学原理简单、预测速度快，但对于大型复杂的建筑智能化工程投资估算，预测质量参差不齐，准确性、有效性、实用性都难以保证2。近年，机器学习技术逐步在工程造价预测领域中得到运用，对于数据挖掘与模型预测，该技术相比传统预测方法具有更高的可靠性与准确度。随着对机器学习技术的研究逐步深入，一种基于结构风险最小化原则、从铰链损失函数中发展而来的方法支持向量机，在模式识别、文本分类、数据挖掘、回归分析中已得到广泛应用。由于建筑智能化工程兴起时间较晚，智能化工程的设计、施工、造价等历史数据较少，且项目建设内容、建设地区、建筑类型等因素不同，造价差异较大的现状，导致建筑智能化工程具有样本数据量小、影响因子多、数据非线性回归等特点3。支持向量机算法解决该类型的问题，具有很好的表现。2 支持向量机回归算法及应用思路 2.1 支持向量机回归算法 输入样本x首先通过非线性映射(x)映射到高维特征空间，在此特征空间建立线性模型来计算回归函数，如下公式所示，其中w为权值向量，b为阈值4。f(x,w)=w (x)+b(1)对于给定的训练数据集(y1,x1),(y2,x2),(yi,xi)采用不敏感损失函数，对应的支持向量机称为 支持向量机，则其约束优化问题可以用以下公式表示(2)其中，惩罚系数为C，松弛变量为l,l，公式(2)中的优化问题，引入拉格朗日函数后，转换成对偶问题来求公式(1)的解：f(x)=(ai ai)nsvi=1K(xi,x)+b(3)拉格朗日乘子ai,ai(i=1,2,l)，小部分的乘子不为 0，对应样本中的支持向量；支持向量个数为nsv；径向高斯核函数为K(xl,x)，核参数为。K(xl,x)=exp(xl x 2)(4)核参数用于控制样本划分精细程度；惩罚系数C，用于控制SVR模型的经验风险与置信范围，C数值会影响模型的复杂度与稳定性；不敏感损失函数（误差限额）控制回归函数对样本数据的不敏感区域的宽度。2.2 支持向量机回归（SVR）应用思路 i2*1+C()1,2,2s.t.()(),0minlllwllllllwnywxbwxby，l中国科技期刊数据库 工业 A 115 建筑智能化工程投资预测模型可看作非线性回归函数问题：第i年，工程造价影响因子指标值为自变量Xi=xi1,xi2,xin，第j年，工程造价预测数值假设为yj，假设Xi与yj之间存在非线性函数关系F(x)让yi=F(xi1,xi2xin)。输入为Xi=xi1,xi2,xin，输出为yj，用SVR求解回归方程f(x)=(al al)nsvl=1K(xl,x)+b，通过该方程得到工程投资预测值5。应用思路如下：1）确定工程造价影响因子，获取造价数据，提取工程造价影响因子指标值，对数据进行预处理；2）选择一个合适的SVR函数类型、合理的核函数与核参数，获得最优参数(C,)；3）将最优(C,)参数代入预测模型，在样本数据汇中提取训练集。将核函数K(xl,x)=exp(xlx 2)与核参数，代入公式（3）中，对样本数据训练集进行训练。4）使用训练出的预测模型，通过测试集验证其准确性。3 投资预测模型的应用 3.1 工程造价预测指标的确定 为了较准确地选取建筑智能化工程造价预测指标，本次查阅大量文献资料，总结出数十项预测指标；通过问卷调查的方式，综合30位建筑智能化行业专家意见，结合设计施工经验，最终选取五个对造价影响最大的因素作为预测指标：建设地区x1、建筑类型x2、建设需求x3、建筑面积x4、报价指数x5。预测指标中的定性指标量化、定量指标数量级差别，均需要进行数据预处理。其中建设地区、建筑类型不同类别分别量化为自然数字；报价指数由建设时间所确定，根据建筑智能化行业专家意见整合，人工造价、设备造价指数分别按照0.15 与 0.85 的权重计算，参照2018 年重庆市建设工程计价定额与建设工程造价数据进行对比计算得到；“建设需求”预测指标量化，由于建筑智能化专业的建设系统种类繁多，影响预测结果准确性；依据 智能建筑设计标准（GB50314-2015）中对于不同类型建筑，均含“应建项”、“宜建项”、“可建项”三个系统建设方案；将建设需求简化为：基本型（包括应建项）、拓展型（包括应建项、宜建项）、高端型（包括应建项、宜建项、可建项），方便对其进行数据预处理。3.3 样本数据获取及预处理 本文从近年来某地区已经竣工的建筑智能化工程项目资料中选取90组造价数据，涵盖不同年份、地区、建筑类型、建设需求以及建筑面积。根据预测指标量化标准（如表 1），存入动态数据库，作为本文投资预测模型的原始数据（如表 2）；在预测模型工作时，数据将被调用。表 1 工程特征量化标准 序号 预测指标 特征向量值 量化值 1 建设地区 市区 1 乡镇 2 山区 3 2 建筑类型 住宅 1 办公 2 学校 3 医院 4 商业 5 酒店 6 厂房 7 旅游 8 会展 9 3 建筑面积 实际数据值 4 造价指数 2016 0.9463 2017 0.9781 2018 1.0000 2019 1.0204 5 建设需求 基本型 1 拓展型 2 高端型 3 为避免输入数据出现在程序函数的饱和区，改善程序中数据收敛速度和数据量级差异对预测结果的影响，降低预测误差，输入数据量化后需要预处理7。数据规范化（归一化）是数据预处理常用方法，其中最大最小值法可灵活指定规范化之后的取值区间，消除不同的属性之间的权重差异，将样本数据归一化至0,1范围内，计算方法为最大最小归一化。=其中，=1,2,。分别为某一预测指标中数据的最大值和最小值。3.3 SVR 参数选择（1）函数类型选择：在支持向量机的回归模型中，常用 与 两种类型函数。其中 需事先确定支持向量的数量，需要慢慢调整数值（优化参数）得到最优模型；需事先确定数值，即损失函数（误差限额）的值，能够有效确定拟合函数的带宽、计算误差等，预测模型函数有很好的中国科技期刊数据库 工业 A 116 表现；故使用 。表 2 样本原始数据 工程编号 建设地区 建筑类型 建筑面积（平方米）建设时间（年）建设需求 单方造价（元/平方米）1 市区 商业 57000 2018 基本型 172 2 市区 商业 60000 2018 拓展224 3 乡镇 商业 89400 2017 高端型 292 4 市区 学校 45000 2019 高端型 330 5 市区 学校 80000 2018 拓展225 7 乡镇 酒店 60109 2017 拓展型 353 8 山区 医院 64000 2016 基本273 86 市区 办公 100338 2019 基本型 221 87 市区 办公 97600 2018 基本215 88 乡镇 厂房 280000 2017 基本型 60 89 乡镇 学校 69034 2018 高端287 90 山区 学校 27800 2016 基本型 175（2）核函数选择：在模型中，线性核函数没有映射至高维空间，用于线性回归问题；多项式核函数参数较多，使模型的复杂度变高；径向高斯核函数在解决非线性回归问题表现较好，在特征维数少、样本数量相对较小时，可取度较高；核函数生成神经网络，泛化能力相对较弱，部分参数无效。由于建筑智能化工程样本数据较少，且本文造价预测指标较少，故使用核函数。（3）寻参方法及参数优化：由 2.1 节内容可知，支持向量机(,)参数对模型预测表现有关键影响，在投资预测模型中，我们运用常用的折交叉验证的方法对指定范围内的每一组(,)进行计算，得到最优解。常用的(,)参数优化方法有三种。遗传神经网络算法比较复杂，泛化能力弱；粒子群优化算法是启发式算法，不用遍历网格内所有点，也能找到全局最优解，但容易陷入局部最优；网格搜索 算法是通过尝试范围内遍历所有可能的(,)，在交叉验证程序前加入两层循环，复杂度不高，但准确度提升明显。故使用网格搜索算法优化(,)参数。3.4 模型训练及测试 对于限额误差参数的确定，使用 80 组数据作为训练样本建立预测模型，取预测表现最好的值。其中确定系数：2=1 是拟合值与原始数据均值的差的平方和，是原始数据和其均值的平方和；2用来判定模型的拟合优化度，越接近 1，表示模型越拟合训练数据；当2的值远离 1 时，表示模型拟合度较差。表 3 变化值对应的模型信息 限额误差 训练样本个数 支持向量个数 测试均方差MSE 确定系数R2 0.01 30 17 0.01402 0.96514 0.05 30 20 0.00817 0.97833 0.1 30 25 0.00685 0.93322 0.2 30 26 0.01887 0.94745 0.5 30 25 0.00463 0.98680 当取 0.5 时，模型拟合度高，有最好的表现。通过专家系统导入 80 组数据作为训练样本，通过网格搜索算法与交叉验证取得最优参数(,)，其中=16，=0.3125，=25，其中是支持向量个数；剩余 10组数据进行模型测试，工程投资预测结果与实际值的对比及偏差结果如图 2 所示。图 2 SVR 预测模型结果对比图 3.5 预测结果分析 本文建立的建筑智能化投资预测模型主要针对智能化工程项目设计阶段所进行的造价预测，因此预测模型的预测值与实际值的相对误差小于等于 10%时，则说明该模型计算较准确度且可靠。从测试结果来看，基于专家系统的回归模型对于建筑智能化工程造价预测误差小于 10%，准确度较高，且泛化性能较强。个别样本，如项目编号 2，误差较大的原因主要在于训练样本与该样本的相似性不足；随专家系统进一步对数据和知识的获取，预测误差将进一步缩小，对于预测指标在中等维度、各指标间影响关系复杂的建筑智能化工程，该模型具有较好的适用性。中国科技期刊数据库 工业 A 117 4 结论（1）专家系统和支持向量机回归（SVR）模型的有效结合，能够弥补传统计价方法数据、知识获取能力弱、泛化性能不足、预测精度较低等缺点；SVR 模型的参数设置，对最终的预测结果起关键作用，通过对核函数、限额误差、惩罚因子等参数进行合理选择、取值和寻优，能够提高训练模型拟合度以及预测准确性。（2）针对建筑智能化专业计价规范不完善，造价影响因素复杂，造价历史数据少的现状，本文基于专家系统的 SVR 回归投资预测模型能够对设计阶段的项目造价进行较合理预测，得出新建、改建工程的造价；可为业主、投资方及设计单位的项目工作提供辅助、参考资料；预测结果可作为项目决策的一项依据；同时本文的造价预测成果丰富了建筑智能化工程项目管理的方法，节约人力物力，为工程项目带来一定的经济效益。参考文献 1吴抗美.建筑智能化工程管理技术的应用分析J.智能建筑与智慧城市,2019(02):21-22.2周建国.智能化工程项目实施全过程的成本管理研究及应用D.杭州:浙江工业大学,2017.3雷小龙.基于 SVM 和 LSSVM 的住宅工程造价预测研究D.杭州:浙江大学,2016.4孔军,曹小宇,肖峰.基于支持向量机的输变电工程造 价 预 测 模 型 研 究 J.现 代 电 子 技术,2018,41(4):127-130.5王硕.基于粒子群优化最小二乘支持向量机的建筑工程造价预测研究D.青岛:青岛理工大学,2018.6刘婷婷.工程项目投资估算模型及专家系统研究D.北京:华北电力大学,2018.7王宁宁,王飞,尹彦涛,李红,侯郁.基于支持向量机的 变 电 工 程 造 价 预 测 研 究 J.建 筑 经济,2016,37(5):48-52.