复杂性 复杂性 1099 - 0526 1076 - 2787 Hindawi 10.1155 / 2018/7952434 7952434 研究文章 基于ANN方法估计运动领域的建设成本 http://orcid.org/0000 - 0002 - 8353 - 9823 Juszczyk Michał 1 Leśniak 阿格涅斯卡 1 http://orcid.org/0000 - 0001 - 5563 - 5482 Zima Krzysztof 1 Soltesz Andrej 土木工程学院 克拉科夫大学技术 24 Warszawska圣。 31 - 155克拉科夫 波兰 pk.edu.pl 2018年 14 3 2018年 2018年 29日 09年 2017年 13 02 2018年 14 3 2018年 2018年 版权©2018 MichałJuszczyk et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

成本估算建设项目的成功至关重要。神经网络,人工智能的工具,提供了巨大的潜力。应用神经网络,然而,需要各自的研究由于细节不同的设施。提出的建议体育领域的建设成本估计方法基于神经网络。人工神经网络的一般适用性的制定成本估算的问题是调查。多层感知器网络的适用性的结果证实了最初的训练一组不同的人工神经网络。此外,一个网络是专为映射之间的关系施工工程的总成本和所选成本预测是体育领域的特征。积极预测质量和精度进行了评估。研究结果使合法化提议的方法。

 1。介绍

本文给出的结果是一个广泛的研究的一部分,作者参与,旨在开发工具快速成本估算,致力于建筑行业。本文的主要目的是调查的结果在人工神经网络(ann)的适用性的问题估计施工工程的总成本在体育领域特定的设施。文中作者提出一个新的方法基于人工神经网络估算体育场的建设成本。

1.1。在建设项目成本估算

在建设项目成本估算是一个关键问题。低估和高估成本可能导致建设项目的失败。使用不同的工具和技术在整个项目生命周期应该提供的信息成本项目的参与者和支持一个复杂的决策过程。一般来说,成本估算方法可以分类如下 1, 2]:

质量成本估算:

基于启发式方法的成本估算

基于专家判断的成本估算

量化成本估算:

基于统计方法的成本估算

基于参数成本估算方法

基于非参数成本估算方法

成本估算基于类似/比较方法

基于分析方法的成本估算。

建筑行业的期望是缩短所需的时间预测成本,而另一方面,估计必须足够可靠和准确。全球有出版物中,作者报道应对这些预期的研究成果。使用回归分析的例子(基于参数和非参数方法)如下:应用多元回归预测准确性的早期阶段的成本估算建设项目( 3),实现线性回归分析的方法预测的成本提高建筑在英国( 4),施工成本估算方法的建议和讨论相结合引导和回归技术( 5),和应用程序的初步的成本估计学校提高回归树建设项目在韩国( 6]。另一个数学工具,可以给一些例子是模糊逻辑,例如,实现参数成本估算的模糊逻辑在加沙地带(建筑施工项目 7]或建议和表示的模糊风险评估模型估算成本超支的风险评级( 8]。基于案例的推理(CBR)也是一个方法,可以发现在出版物处理工程造价问题,例如,CBR方法的实现提高了层次分析法(AHP)的成本估算的目的在韩国住宅( 9]或基于案例推理的使用成本估算的适应军营也在韩国 10]。出版物的示例报告和讨论人工神经网络的应用领域的成本估算和成本分析,提出了施工过程中在接下来的小节。

 1.2。人工神经网络在建设项目成本估算

人工神经网络(ann)可以被定义为数学结构及其实现(硬件和软件),其作用方式是基于和受神经系统中观察到的自然。换句话说,人工神经网络是人工智能的工具有能力模型数据关系不需要假设先验绑定变量的方程或公式。网络有各种根据其结构,处理信号,和应用程序。这个主题广泛的理论提出了在文献中(例如, 11- - - - - - 15])。安的主要应用程序可以提到如下(cf,例如, 11, 12, 15):预测、近似、控制协会,分类和模式识别、关联数据,数据分析,信号过滤和优化。人工神经网络功能,这使他们有益的成本估算问题(尤其是在建设成本估算)如下:

适用性在回归问题依赖和许多独立变量之间的关系难以调查

自动化培训过程中获得知识的能力

构建和存储知识的能力的基础上,收集培训模式(现实生活中的例子)

知识泛化能力;预测可以为数据尚未提交的人工神经网络在训练过程中。

安的一些示例应用程序报告的成本估算和成本分析在施工复制过去的公路建设成本的趋势和未来的成本估计趋势在这个领域在路易斯安那州,美国( 16),整个生活建筑成本的计算使用成本的概念在澳大利亚重要的物品( 17),预测建设项目的结构总成本在菲律宾 18),网站管理费用估计在埃及的大坝项目 19),预测成本的公路项目的基础上完成投标数据在新泽西州,美国( 20.),在土耳其和成本估算建筑结构系统( 21]。本文的作者也有他们的贡献在研究使用安在建设成本估算问题。安在之前的一些作品中,作者提出了应用概念住宅在波兰的成本估算 22- - - - - - 24)和间接成本估计在建设项目在波兰 25, 26]。

 1.3。研究的理由

需要强调,尽管许多出版物报道研究项目的使用人工神经网络在建设成本分析和成本估算,每一个特定的问题和独一无二的。每个这样的问题需要一个单独的方法,调查由于独特的条件,决定因素,因素,影响建设项目的成本。个体在建设成本估算方法主要是由于特异性的设施,包括体育领域。体育领域的成本不仅对施工阶段非常重要而且后的维护。决定的大小、功能和质量是至关重要的为未来使用和体育经营管理领域。成功的调查网络适用性问题将允许提出一种新方法对工程造价的估算运动领域。新方法,基于神经网络提供的优势,将允许预测运动领域的建设总成本比用传统方法快得多;此外,它会给检查许多变异及其影响的可能性在很短的时间成本。

 2。问题的形成和研究框架 2.1。一般的假设

研究的总体目标是开发一个模型,该模型支持体育领域的建设成本估算的过程。作者决定调查的目的实现网络成本预测的多维空间映射到一维空间的建设成本。在一个正式的符号,这个问题通常可以定义如下: (1) f : X ⟶ Y ,

在哪里 f 寻找几个变量的函数, X 函数的输入吗 f 由向量 x = ( x 1 , x 2 , … , x n ] ,变量 x 1 , x 2 , … , x n 代表成本预测特色体育领域建设对象,和 Y 是一组值代表体育领域的建设成本。

在统计意义上,问题归结为解决回归问题和评估的关系 f 成本预测自变量之间属于集 X 和建筑成本运动场上的因变量属于集 Y 。根据成本估算方法基于统计方法,一个可以区分两种主要的方法:基于参数估计方法和基于非参数估计方法(cf。 1, 2, 25])。这两种方法都依赖于真实的数据,也就是说,代表性样本的成本预测因子值和相关建设成本值。对于参数化方法的使用功能 f 假定先验模型的结构参数估计。另一方面,非参数方法是基于拟合函数 f 的数据。根据假设的研究提出本文寻求函数应该是实现隐式的安。

通过研究战略的总体框架如图 1。

方案的研究框架(来源:自己的研究)。

 2.2。体育领域的研究特点

体育领域设施的某些类型的作品通常在施工阶段重复。主要类型的作品可以上市

大地测量,

土方工程(表土剥离、挖沟、天然路基的压实,等等),

作用于路基准备体育领域表面,

工作在体育领域的表面(通常是表面要么是天然或合成草),

装配夹具和掩埋式家具(如足球、手球盖茨,篮球目标系统、截击球,或网球波兰人和网),

在击剑和ball-nets安装工作,

次要道路施工和工作在人行道上,

景观工程和绿色区域安排在体育领域。

在研究的过程中,许多项目完成体育领域在波兰。两个领域致力于一个纪律和多功能字段被考虑。设施,分析不同大小的玩耍区域,安排区域沟通,安排绿色区域,击剑。表面有两种类型:天然或合成草。这里必须强调的是,对表面质量显著不同,建设成本发挥了重要作用。完成设施位于波兰各地在城市地区(大小不同的城市)和外部的城市(农村)。

 3所示。变量分析 3.1。预选的变量

问题是正式表示,假设使用人工神经网络,作者关注的是分析这允许他们预选成本预测。的预选之前是学习技术和成本两方面的建设项目在体育领域。这一阶段的研究允许收集必要的背景知识对体育领域特定施工对象的本质特征元素,范围和顺序施工工程必须完成,和客户质量的期望。

在下一步中,129个建设项目在体育领域,在波兰近年来完成了。为了快速成本分析,作者预选的以下数据寻找关系的变量:

建筑工程的总成本作为因变量

玩体育领域的区域、地点的设施,运动功能,竞技场的表面的类型(自然的或人工),质量标准的竞技场,球停止净表面,安排区域沟通,击剑的长度,安排绿化面积作为独立的变量。

这种预选的标准数据的可用性研究招标文件,并确保足够的简单的模型由于潜在客户开发能够制定有关体育的预期潜在成本字段被指定命令值预测在项目的早期阶段。

大多数提到的变量的量化类型。在设施的位置,类型的竞技场的表面,和质量标准的竞技场表面,只有描述性信息是可用的;三个变量的分类类型。表 1提出了综合的所有变量的特点是预选过程中问题的分析。

因变量和自变量的特点考虑最初的过程中使用回归分析(来源:自己的研究)。

变量的描述 变量类型 值
建筑工程的总成本 定量 在成千上万的PLN成本
玩的运动 定量 表面积以m2
设施的位置 定量 市区(大城市、中等城市、小城市)或在市区(村庄)
数量的运动功能 定量 的运动,可以在这个领域
类型的表面 分类 自然或人造草皮
质量标准的竞技场的表面 分类 质量标准评估根据招标文件中可用的信息
球停止净表面 定量 表面积以m2
安排区域进行交流沟通 定量 表面积以m2
击剑长度 定量 以米长度
安排绿色区域 定量 表面积以m2

下一步包括数据收集和扩展分类变量。在三个变量(即设施的位置、类型的竞技场表面,和质量标准的球场表面),取而代之的是数值分类值。问题的研究,分析建设项目完成的数量在体育领域,尤其是建筑工程成本的分析带来的结论是如何分类的三个变量值与建筑工程的成本。表 2解释了分类值的变化刺激一般建筑工程的成本。观察成为可能的顺序的值和转换成数字范围从0.1到0.9。

一般三个分类变量之间的关系和成本(来源:自己的研究)。

一个设施的位置 类型的表面 质量标准的竞技场的表面 成本
市区,大城市 人造草皮 高的要求 更高的
市区,中等城市 适度的要求
城市,小城市 天然草皮 较低的
在市区外,村庄 低要求

定值的位置设施已经数值如下:城市面积:0.9大城市(人口100000),0.66中等城市(人口在20000年到100000年之间),0.33,小城市(人口低于20000);在城市面积:0.1的村庄。在竞技场的类型的情况下,人造草皮表面已经0.9和天然草皮的价值0.1的价值。最后,根据客户的期望和规范招标文件,要求质量标准的描述竞技场表面的值介于0.1和0.9之间。

研究招标文件的公共建设项目,完成体育领域合同的标的物被允许收集129个项目的数据。已完工程的数据收集在过去四年在波兰。收集到的信息被命令在数据库中。异常值的分析之后,作者决定拒绝一些极端情况下的施工总成本异常高或异常低。消除异常值后,115个项目的数据。

 3.2。选择最后一组变量

进一步分析包括调查的意义因变量之间的相关性和所有最初考虑的独立变量,预选的成本预测。相关性的重要性 p 价值 < 0.05 被评估。这一步的结果是综合表 3。

意义的变量之间的相关性(来源:自己的研究)。

预选的成本预测 因变量之间的相关性,建筑工程的总成本,和独立变量显著 p 值< 0.05吗? 变量的符号(仅接受变量)
玩的运动 是的 x 1
运动场的位置 没有 - - - - - -
数量的运动功能 没有 - - - - - -
类型的表面 是的 x 2
质量标准的竞技场的表面 是的 x 3
球停止净表面 是的 x 4
安排区域进行交流沟通 是的 x 5
击剑长度 是的 x 6
安排绿化面积 是的 x 7

的相关性两个预选的成本预测(即运动场的位置和运动功能)的数量似乎微不足道,他们拒绝了,不再考虑成本预测。

表 4提出了十个模范记录与因变量的具体数值 y (建筑工程的总成本)和独立变量 x j (成本预测)接受的模型。

模范的记录数据库包括培训模式(来源:自己的研究)。

p y x 1 x 2 x 3 x 4 x 5 x 6 x 7
5 565.8 968年 0.9 0.6 0.0 196.8 602.5 0.0
13 1359年 3292年 0.9 0.5 600.0 2142.0 0.0 0.0
23 427.6 1860年 0.9 0.3 1116.0 78.0 37.5 1000.0
37 489.5 1860年 0.1 0.3 240.0 100.0 0.0 0.0
46 323.0 800年 0.9 0.5 192.0 181.8 139.7 0.0
59 181.3 800年 0.1 0.3 72.0 0.0 0.0 400.0
67年 1972.3 4131年 0.9 0.5 396.0 1096.0 207.1 2586.4
82年 161.1 1650年 0.1 0.1 300.0 0.0 0.0 0.0
94年 250.0 1470年 0.1 0.2 344.5 93.9 38.5 0.0
101年 800.5 1104年 0.9 0.8 295.9 1469.1 93.3 374.6

表 5接受礼物的描述性统计变量模型。提出了平均、最小和最大值为每个变量的标准差。

描述性统计模型的变量(来源:自己的研究)。

变量的符号 平均值 最小值 最大值 标准偏差
因变量 y 457.56 33.30 2592.50 373.14
独立变量 x 1 1333.79 275.00 5600.00 788.49
x 2 0.59 0.10 0.90 0.27
x 3 0.49 0.10 0.90 0.16
x 4 300.26 0.00 2212.00 345.27
x 5 193.16 0.00 2142.00 325.84
x 6 105.24 0.00 602.50 121.13
x 7 324.29 0.00 3000.00 603.26

值得注意的是最小值,即0.00,为变量 x 4 , x 5 , x 6 , x 7 符合这一事实的某些体育领域的元素如球停网,安排区域沟通,击剑,安排绿化没有被包含在一个项目的范围(cf表 4)。此外,表有一定的规律性 4这体现在平均值的分布接近最小值,最大值。这是由于这样的事实,许多小型和中型体育领域数据库中的相对比大型企业的数量。这可以解释为一般规则适用于各种各样的建筑。各种类型的小型和中型设备的数量,新建或现有的总是大于那些大型。

数据库记录的数量与115年)被用作训练模式 p 对人工神经网络的研究。

自动变量的值是按比例缩小的之前和之后的每个安的培训。这样做是由于功能安的软件模拟器用于研究的课程。变量是线性扩展的范围值适合激活函数用于某些调查安。结果,特别是人工神经网络训练误差,本文提出了进一步,给出原始,没有了价值。

 4所示。初始训练神经网络

独立变量的选择后,正式的符号在统计意义上的关系可以得到如下: (2) y = f x 1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 + ε 。 因此可以正式做一个预测: (3) y ^ = f x 1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 , 在哪里 y 因变量,建筑工程的总成本,为观察到在现实生活中, y ^ 预计总成本的建设工作, f 安是寻求函数,隐式关系实现的, x 1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 是独立的变量,选择成本预测如表所示 3和 4, ε 是随机偏差(误差)的 E ( ε ) = 0 ,

本阶段的研究的目的,即最初的培训网络,是评估其适用性问题,将决定是否继续研究。各种各样的前馈人工神经网络在自动模式训练。网络等于200年的总数;作者考虑了100多层感知器(MLP) 100年网络和径向基函数(RBF)网络的类型适合回归分析和制定适合的问题。

主要标准评估的适用性的人工神经网络预测的质量培训网络和错误。衡量质量的预测是皮尔森相关系数 R ( y , y ^ ) 之间在现实生活中,网络的独立变量值,预测的总建设成本,而错误的措施是根均方误差 ( R 米 年代 E ) : (4) R y , y ^ = c o v y , y ^ σ y σ y ^ , R 米 年代 E = 1 n ∑ p y p - - - - - - y ^ p 2 , 在哪里 c o v y , y ^ 之间的协方差 y 和 y ^ , σ y 标准偏差为 y , σ y ^ 标准偏差为 y ^ 。

的RBF网络预测的质量和错误都是不知足的,作者决定只关注MLP网络。MLP网络的结果是令人满意的;他们提出了综合如下图 2和表 5并简要讨论。这个阶段的主要假设如下:

从数据库的培训模式,学习( l ),验证( V )、测试( T )被随机子集的10倍。

总数可用的培训模式分为三个子集之间的关系: l / V / T = 60 % / 20. % / 20. % 。

对于每一个画,10个不同的网络培训。

网络隐层神经元的数量不同, H 。

不同的激活函数,如线性、乙状结肠,双曲正切,和指数,隐层和输出层的神经元。

质量结束错误的人工神经网络在最初的训练阶段:(a)散点图的皮尔森相关系数和(b)散点图的错误 ( R 米 年代 E ) ; l 和 T 代表相应的学习和测试子集(来源:自己的研究)。

学习和验证, l 和 V ,使用子集的培训过程。第三个子集, T 完成培训后,是用于测试目的过程作为额外检查的泛化能力(cf,例如, 11])。隐层神经元的数量, H 评估是根据以下方程( 27和不平等 28]: (5) H ≈ N 米 , 在哪里 N 输入层的神经元数和吗 米 输出层神经元的个数。 (6) N N P = N N W + N N B < l , 在哪里 N N P 安的参数的数量, N N W 安的重量, N N B 安的偏见, l 是一个学习的基数子集。

从( 5), H ≈2646。根据假设的基数 l 子集和不平等( 6), N N P < 69年 。影响这两个条件,隐层神经元的数量, H ,2和6之间变化。

整体结果,预测和错误的质量,提出了在数字 2和 3。

质量结束错误的人工神经网络在最初的训练阶段:(a)散点图的皮尔森相关系数和(b)散点图的错误 ( R 米 年代 E ) ; l 和 V 支持学习和验证相应的子集(来源:自己的研究)。

(a)部分数据 2和 3描述了散点图的皮尔森相关系数计算为每个网络在训练过程。图 2显示了学习和系数测试子集,而图 3展示了学习的系数和验证子集。部分(b)两个数字,一个可以看到错误的散点图(即 R 米 年代 E )。图 2介绍了散点图学习和测试子集,和图 3介绍了散点图学习和验证子集。

表 6介绍了100 MLP网络的初始培训的总结。的平均和标准偏差 R y , y ^ 以及比例的情况下 R y , y ^ 大于0.9表中给出。此外,平均和标准偏差 R 米 年代 E 错误。学习的所有值计算、验证和测试的子集。

总结的初始培训网络延时网络(来源:自己的研究)。

子集 R y , y ^ R 米 年代 E
平均 标准偏差 R > 0.9 平均 标准偏差
l 0.901 0.240 82.1% 145.5 111.7
V 0.879 0.228 81.0% 108.8 57.8
T 0.881 0.233 80.5% 126.9 83.3

我们可以看到在数字 2和 3和表 6,大多数情况下的相关性非常高。80%以上的网络, R y , y ^ 大于0.9在学习的情况下,验证和测试。有明显的集群点数据 2(一个)和 3(一个)代表网络潜在的可接受的或高质量的预测。只有少数情况下的集群外相关性系数非常低,由于训练过程的失败。 R 米 年代 E 在这个阶段错误是在可接受的范围内。

这一阶段的研究证实了普适性的人工神经网络研究的问题。这个决定是继续研究。此外,它允许选择一群MLP网络训练的下一阶段。

 5。神经网络训练结果在最后阶段的研究

对最初的训练结果,选择一组5网络进行最后阶段的研究。细节包括网络的结构和激活函数给出了表 7。(所有的网络由7输入神经元,神经元的数量从2到5在一个隐藏层和输出层神经元。所有的网络训练使用Broyden-Fletcher-Goldfarb-Shanno(高炉煤气)算法。

选择ann的细节进行进一步的培训(来源:自己的研究)。

安 隐层神经元的数目 激活函数隐层 激活函数输出层 训练算法
米 l P e-l 7-2-1 2 指数 线性 高炉煤气
米 l P e-ht 7-2-1 2 指数 双曲正切 高炉煤气
米 l P e-l 7-3-1 3 指数 线性 高炉煤气
米 l P 的 7-5-1 5 乙状结肠 线性 高炉煤气
米 l P ht-e 7-5-1 5 双曲正切 指数 高炉煤气

假设网络的训练和测试不同的初始阶段。从115年的培训模式,测试子集, T 一开始,是随机抽取的。这个子集保持不变的网络,它是用来评估的泛化能力毕竟培训流程。基数的 T 培训模式的子集与总数的10%。

剩下的模式参与了10倍交叉验证的网络(cf。 11])。模式可用于采样后的训练过程 T 子集被分为10倍互补学习和验证子集。子集的关系 l / V = 90年 % / 10 % 相应的行动。平方的总和的错误预测(SSE)的误差函数作为课程的培训: (7) 年代 年代 E = ∑ p ∈ l y p - - - - - - y ^ p 2 。

人工神经网络的性能评估一般的真实值和预测值之间的相关性, R 米 年代 E 错误的预测(初始阶段的培训)。表 8总结了培训效果的五个选择网络在训练过程基于10倍交叉验证的方法。结果给出的网络的性能和错误。合成和评估每个网络的性能和稳定性的训练,最大,平均和最小以及分散的相关系数 R y , y ^ 实际值和预测值之间的计算。错误,即 R 米 年代 E 值,以同样的方式。相关性和错误都是单独给出 l , V ,和 T 子集。结果的分析成为可能选择最后的五个网络之一。最稳定的是观察到的性能 米 l P 的 7-5-1。

结果选择人工神经网络训练(来源:自己的研究)。

安 R y , y ^ R 米 年代 E
l V T l V T
米 l P e-l 7-2-1
马克斯 0.992 0.997 0.997 92.043 111.521 68.006
平均 0.985 0.982 0.993 66.416 63.681 41.286
最小值 0.973 0.948 0.985 49.572 20.138 26.656
标准偏差 0.005 0.015 0.004 11.620 24.243 12.338
米 l P e-ht 7-2-1
马克斯 0.994 0.994 0.991 150.544 376.102 79.538
平均 0.978 0.979 0.983 73.351 90.999 57.609
最小值 0.933 0.933 0.979 43.473 40.899 35.816
标准偏差 0.022 0.018 0.003 31.521 95.430 13.082
米 l P e-l 7-3-1
马克斯 0.994 0.994 0.991 150.544 376.102 79.538
平均 0.978 0.979 0.983 73.351 90.999 57.609
最小值 0.933 0.933 0.979 43.473 40.899 35.816
标准偏差 0.022 0.018 0.003 31.521 95.430 13.082
米 l P 的 7-5-1
马克斯 0.997 0.994 0.996 65.226 96.700 71.010
平均 0.992 0.983 0.991 46.222 59.770 39.252
最小值 0.986 0.949 0.980 30.333 29.581 19.582
标准偏差 0.004 0.015 0.008 12.048 17.682 18.116
米 l P ht-e 7-5-1
马克斯 0.996 0.995 0.996 129.738 211.452 83.939
平均 0.979 0.980 0.980 77.525 72.796 50.383
最小值 0.946 0.957 0.952 32.191 41.891 27.691
标准偏差 0.013 0.013 0.014 27.375 49.569 18.072

图 4描绘了一个散点图的点代表对 y p , y ^ p 最后选择了网络 米 l P 的 7-5-1。真实的值 y 与预测值集合在一起 y ^ 。点代表培训学习的结果和验证子集,以及测试结果测试子集。在图表的传说,除了信件 l , V , T 解释加入一定的学习模式,验证,因此,或测试子集的数字从1到10给出每个字母旁边。这些数字显示 k 折交叉验证过程。在图 4,一个可以看到点散点图的分解在一个完美的适合。偏差在可接受范围内。方面的分析 R y , y ^ , R 米 年代 E 错误,分布散点图中的点,结果是令人满意的。

的散点图 y ^ 和 y 选中的值 米 l P 的 7-5-1网络(来源:自己的研究)。

两个标准,相关成本估算的准确性,也被指定为评估选定的网络 米 l P 的 7-5-1。估计的准确性评估使用三个误差测量:平均绝对百分比误差 ( 米 一个 P E ) 为每个模式,绝对误差百分比计算 ( P E p ) ,和最大绝对误差百分率 ( P E 马克斯 ⁡ ) : (8) 米 一个 P E = One hundred. % n ∑ p y p - - - - - - y ^ p y p , P E p = y p - - - - - - y ^ p y p One hundred. % , P E 米 一个 x = 马克斯 ⁡ P E p 。

表 9显示了最大,平均和最小 米 一个 P E 和 P E 米 一个 x 错误,这些错误的标准差,10倍交叉验证后选择网络 米 l P 的 7-5-1。给出了错误的学习、验证和测试,也就是说, l , V , T ,分别子集。

米 一个 P E 和 P E 马克斯 ⁡ 错误的计算 米 l P 的 7-5-1(来源:自己的研究)。

米 l P 的 7-5-1 l V T
日军
马克斯 18.76% 25.13% 21.20%
平均 12.68% 14.43% 9.97%
最小值 7.49% 5.54% 5.60%
标准偏差 3.49% 5.66% 4.44%
P E 马克斯 ⁡
马克斯 115.83% 104.72% 93.42%
平均 65.47% 61.55% 46.67%
最小值 34.34% 9.76% 11.87%
标准偏差 21.35% 27.59% 17.65%

米 一个 P E 和 P E 米 一个 x 所选网络错误已经仔细调查的10例交叉验证培训和测试。的平均 米 一个 P E 错误,结果是令人满意的。平均 米 一个 P E 错误是学习将小于15%,验证和测试的子集。实现这一目标。在的情况下 P E 米 一个 x 错误,作者预期值低于30%。表 9揭示了 P E 米 一个 x 错误是大于30%。这一事实促使作者检查 P E p 错误。的分布分析 P E p 错误显示,这些错误大多是小于30%,只有少数值在每个交叉验证的折叠值超过30%。

选择网络的全面分析,即 米 l P 的 7-5-1,培训结果而言,性能,和错误允许选择这个网络实现隐式地寻找关系 f 。总之,选择的 米 l P 的 7-5-1可能提出的工具支持成本估算建设项目与体育相关领域的工作。

 6。摘要和结论

在本文中,作者介绍了他们调查网络的适用性的问题估计建设的总成本在体育领域的工作。研究允许作者证实假设的一般适用性MLP型网络映射工具,有潜力的施工工程的总成本之间的关系和选择成本预测是体育领域的特征。另一方面,RBF网络类型似乎不适合这个特殊的成本估算问题。

除了人工神经系统的一般结论的适用性,专为这一种类型的网络问题是选择从广泛的各种各样的MLP网络。分析结果表明令人满意的性能选择网络的真实成本和成本预测之间的相关性。的水平 米 一个 P E 和 R 米 年代 E 错误是可以接受的。目前,该方法允许以下:

建筑工程成本估算的体育场在很短的时间内的变异

客户机支持决策的意识到成本估算精度的范围。

调查的结果鼓励继续将致力于改善模型,特别是降低 P E 米 一个 x 错误。作者想要收集更多的数据,这将使他们能够超过培训模式的数量。此外,作者打算在不久的将来调查基于人工神经网络更复杂的工具,如神经网络的委员会。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 确认

作者在他们的研究中使用STATISTICA软件;因此提出假设的一些神经网络训练是由于工具的功能。

Foussier p . M . M。 从产品描述成本:一个实际的方法,:参数的方法 2006年 1 施普林格科学商业媒体 层 一个。 Brinke e . T。 Van Houten F。 粗铁 H。 Haasis 年代。 最近,在成本估算未来趋势 国际期刊《计算机集成制造 2002年 15 6 499年 510年 2 - s2.0 - 0036851813 10.1080 / 09511920210143372 Trost s M。 Oberlender g D。 预测精度的早期使用因子分析和多元回归成本估计 建筑工程与管理》杂志上 2003年 129年 2 198年 204年 10.1061 /(第3期)0733 - 9364 (2003)129:2 (198) 劳 d . J。 Emsley m·W。 哈丁 一个。 使用多元回归技术预测工程造价 建筑工程与管理》杂志上 2006年 132年 7 750年 758年 2 - s2.0 - 33745325166 10.1061 /(第3期)0733 - 9364 (2006)132:7 (750) 002607 qco Varghese 年代。 勘察娜 年代。 使用引导和回归参数估计工程造价的技术 5 程序的国际土木工程与技术》杂志上 2014年 201年 205年 胫骨 Y。 应用提高回归树初步建筑施工项目的成本估算 计算智能和神经科学 2015年 2015年 2 - s2.0 - 84939857112 10.1155 / 2015/149702 149702年 El Sawalhi n I。 使用模糊逻辑建模参数建设项目成本估算 2 新兴技术和先进的国际期刊学报工程 2012年 63年 636年 Dikmen 我。 Birgonul m . T。 汉 年代。 利用模糊风险评估率在国际建设项目成本超支的风险 国际项目管理杂志》上 2007年 25 5 494年 505年 10.1016 / j.ijproman.2006.12.002 2 - s2.0 - 34248366102 一个 工程学系。 金 G.-H。 康 K.-I。 使用经验案例推理的成本估算模型,层次分析法 建筑与环境 2007年 42 7 2573年 2579年 2 - s2.0 - 33847026525 10.1016 / j.buildenv.2006.06.007 霁 s . H。 公园 M。 李 h·S。 例适应方法的案例推理在韩国建设成本估算 建筑工程与管理》杂志上 2011年 138年 1 43 52 主教 c . M。 神经网络模式识别 1995年 纽约,纽约,美国 牛津大学出版社 MR1385195 微积分 年代。 神经网络:一个全面的基础 1994年 普伦蒂斯霍尔PTR Zbl0828.68103 Osowski 年代。 Sieci neuronowe w ujeciu algorytmicznym Wydawnictwa Naukowo-Techniczne 1996年 Osowski 年代。 Sieci neuronowe做przetwarzania informacji Oficyna Wydawnicza Politechniki Warszawskiej 2000年 Tadeusiewicz R。 Sieci neuronowe 1993年 180年 华沙 Akademicka Oficyna Wydawnicza 威尔默特 c·G。 梅 B。 神经网络建模的公路建设成本 建筑工程与管理》杂志上 2005年 131年 7 765年 771年 2 - s2.0 - 23044474458 10.1061 /(第3期)0733 - 9364 (2005)131:7 (765) Alqahtani 一个。 怀特 一个。 人工神经网络结合重大项目对提高成本估算建设项目的成本核算工作(生命周期) 澳大拉西亚的建筑经济学和建筑杂志》上 2013年 13 3 51 64年 10.5130 / ajceb.v13i3.3363 2 - s2.0 - 84884488270 罗哈斯 C . l . C。 Ongpeng j . m . C。 一个人工神经网络方法在菲律宾的结构性成本估算建设项目 国会DLSU研究学报》上 2014年 马尼拉 1 Elsawy 我。 Hosny H。 拉扎克谈话 m·A。 神经网络模型建设项目网站的开销成本估算在埃及 国际计算机科学杂志》上的问题 8 3 273年 283年 威廉姆斯 t P。 预测项目完工成本使用投标数据 施工管理和经济学 2002年 20. 3 225年 235年 2 - s2.0 - 0036540409 10.1080 / 01446190110112838 Gunaydin h . M。 多根 美国Z。 Gunaydın h . M。 Doğan 美国Z。 神经网络的方法对早期成本估算建筑物的结构系统 22 《国际项目管理杂志》上 2004年 595年 602年 Juszczyk M。 住宅建筑的使用人工神经网络概念上的成本估算 第11届国际会议论文集数值分析和应用数学2013,ICNAAM 2013 2013年9月 希腊 1302年 1306年 10.1063/1.4825750 2 - s2.0 - 84887509660 Juszczyk M。 申请委员会的神经网络概念住宅建筑的成本估算 《2014年国际会议上数值分析和应用数学,ICNAAM 2014 2014年9月 希腊 2 - s2.0 - 84939647215 10.1063/1.4912840 Juszczyk M。 非参数成本估算的施工工程的挑战与人工智能工具的使用 创造性建设研讨会论文集,CCC 2017 2017年6月 克罗地亚 415年 422年 2 - s2.0 - 85030462805 10.1016 / j.proeng.2017.07.218 Juszczyk M。 Lesniak 一个。 Leśniak 一个。 网站使用RBF神经网络的开销成本指数的预测。交易经济学和管理 ICEM 2016年 381年 386年 Leśniak 一个。 人工神经网络的应用在间接成本估算 第11届国际会议论文集数值分析和应用数学2013,ICNAAM 2013 2013年9月 希腊 1312年 1315年 2 - s2.0 - 84887521487 10.1063/1.4825752 Pabisek E。 Systemy hybrydowe integrujące MES我SSN w analizie wybranych problemow mechaniki konstrukcji我materiałow Wydawnictwo Politechniki Krakowskiej,克拉科夫,2008年 Waszczyszyn Z。 Zastosowanie sztucznych sieci neuronowych w inzynierii ladowej, XLI Konferencja Naukowa KILiW锅我Komitetu Nauki PZITB Krakow-Krynica 1995年 汤姆9 251年 288年