地铁盾构施工成本的预测基于反向传播神经网络提高了量子粒子群优化

文摘

工程造价的预测地铁盾构工程项目管理具有重要意义。在这项研究中,我们使用了粗糙集理论,一个反向传播(BP)神经网络和量子粒子群优化(QPSO)建立预测模型,用于预测地铁盾构施工成本。模型占地铁盾构施工的复杂性和施工成本因素之间的非线性关系。首先,影响工程造价的因素指的是中国国家标准测定和分析典型的地铁盾构项目的工程实践。粗糙集理论是用来简化系统的影响因素提取的主要影响因素和减少BP神经网络的输入变量。自从BP神经网络容易陷入局部最小值,收敛速度慢,QPSO被用来优化BP神经网络的权值和阈值。该方法结合强大的非线性分析功能优于经典的BP和全局搜索能力。最后,我们选择在中国50个项目进行案例分析。结果显示这些项目的主要工程造价影响因素包括十个指标,如隧道机的类型和地质特征。确定系数,平均绝对百分比误差,均方根误差、平均绝对误差,误差分析比较常用的工具,用于分析不同模型的计算错误(该模型、多元回归方法,传统的BP模型,遗传算法优化的BP模型,和BP模型优化的粒子群优化)。 The results showed that the proposed method had the highest prediction accuracy and stability, demonstrating the effectiveness and excellent performance of this proposed method.

1。介绍

特征的节能、省地、大型运输体积,低污染,低运营风险,地铁中发挥着越来越重要的作用在城市公共交通系统1]。如今,发展中国家,代表中国,在城市轨道交通建设的高峰期。根据第十三个五年计划中国政府颁发的,到2020年,中国地铁总长度将达到8600公里,和地铁建设投资将达到3000亿美元。地铁工程建设包括隧道和地铁站。隧道施工的成本通常占总建设成本的40%以上(2]。盾构施工技术的优点对周边环境影响小,施工速度快,优秀的工程质量、施工安全、环境保护、和广泛的应用范围。盾建设是城市地铁隧道施工的最常用的方法(3]。提高信息的准确性和可靠性成本预测盾构施工确保地铁建设项目的顺利执行和保护所有者的经济利益,建筑公司,和公众。

有实质性的差异之间的建设成本的定义不同的国家由于国家规定和不同的施工合同。在这项研究中,我们选择最权威的定义合同单价,已推荐的国际咨询工程师联合会(FIDIC),接受世界银行定义地铁盾构的施工成本。合同单价的选择也有助于后续研究。地铁盾构施工的总成本包括所有费用由业主支付地铁盾构施工期间,包括直接成本、间接成本、总部管理费用、利润、税收、临时存款,改变批准的工程师在实施过程中,承包商和声称的(4]。地铁盾构项目的最终成本取决于项目的长度,但是单价每公里造价(公里)是类似的。因此,本文中的工程造价分析地铁盾构施工的单价是每公里。

根据上述定义,地铁盾构施工的组件成本相对比较复杂,影响因素包括建设细节,建筑环境、项目管理、资本结构,和许多其他因素。结合工程实践,很明显,这些因素的影响在地铁盾构的施工成本相对比较复杂。一方面,施工过程具有较高程度的机械化和标准化;因此,项目的建设成本相关线性尺寸(5]。另一方面,许多非线性和定性因素,如水文条件、地质条件、环境特点,和项目管理能力,有一个非线性影响地铁建设成本(6]。

许多学者进行了深入研究工程造价预测。王等人。7)使用了一个基于活动的成本核算方法预测的供应链成本预制建筑在一个不确定的环境。虽然模型可以用来决定的关键因素来降低整个供应链的成本,主观性和随意性的成本动因的选择导致了成本预测性能差。陈(8)使用多元回归分析预测四个建设项目的成本。然而,假设自变量和因变量之间的关系是线性的,影响预测结果的准确性。他et al。9)认为,导致大的主要因素预测误差的不确定性因素,并提出了一种新的方法来预测项目现金流在模糊环境中。然而,这种方法需要大量的综合统计数据获得一致的研究结果,影响该方法的适用性。程等。10使用黄金分割法,灰色预测方法提高了二分法建立预测模型。案例研究的方法提供了良好的预测精度,但灰色预测方法需要原始数据的一致性。另外,上面的方法极大地依赖于专业知识或只适合于特定的情况;因此,他们没有建模和分析的灵活性。

人工智能算法的出现,如人工神经网络(ann),为解决复杂问题提供了一个新方法预测地铁盾构施工成本。人工神经网络可以与任意精度方法任意非线性连续函数,非常适合解决高度非线性问题的成本预测(11]。人工神经网络具有很强的自学习和自适应能力。他们可以从输入和输出数据中提取信息并将其存储在网络的权重;因此,他们拥有良好的泛化能力12]。此外,人工神经网络可以使用一个有限的领域所取得的数据,而不是使用大量的统计数据,以便数据驱动方法可用于预测建设成本。

反向传播(BP)神经网络误差BP算法训练的多层前馈网络,它是最广泛使用的一种安11]。然而,传统的BP神经网络可能有以下缺点当应用于复杂系统的分析。(1)传统的BP神经网络算法局部搜索优化方法,这很容易落入当地极端,和权值收敛到当地的极端,一个小的样本容量导致网络训练失败(13]。(2)BP神经网络对初始网络的权重是非常敏感。初始化网络与不同的权重往往收敛于不同的局部最小值14]。因此,开发高精度模型来改善传统的BP神经网络。

一些学者使用了遗传算法(GA)和粒子群优化(PSO)来改善传统的BP模型。BP神经网络的初始权值和阈值进行优化,这些metaheuristic算法比其他方法获得更高的精度。温家宝et al。(15)建立了一个工程造价预测模型的电力传输和转换项目使用遗传算法优化的BP模型。然而,GA算法有一些问题,比如根据人口普查的初步选择,收敛速度慢,和许多参数设置,导致模型的精度相对较低。刘和太极16)利用PSO优化权重和阈值,建立政府投资项目成本估算模型。与古典metaheuristic算法,如遗传算法、PSO算法具有操作简单,收敛速度快,和一些参数设置17]。然而,算法的搜索空间有限,容易陷入局部极值18,19]。原因是,在经典算法,粒子倾向于轨道而不是收敛于零,和粒子有一个最大速度限制在搜索;因此,每个搜索的搜索区域是有限的。太阳et al。18)提出了新颖的量子粒子群优化算法(QPSO),基于PSO算法。在粒子收敛过程中,粒子保持接近点,直到落在里面。从量子力学的角度19),一个有吸引力的潜在存在的中点收敛过程,吸引粒子收敛,这样整个集团是聚合。粒子在量子束缚态可以出现在任何空间点有一定概率,从而很好地保证了收敛性能和QPSO的全局搜索能力。徐et al。20.)利用QPSO的优化合成和实际高光谱数据集。实验结果表明,优于经典方法获得更好的结果比顶点成分分析(VCA)和遥感的标准算法。太阳et al。21)解决的问题设计一个最优二维零相位无限脉冲响应(IIR)数字滤波器使用优于经典。在分析无人机(UAV)路线规划、Fu et al。22)测试了各种优化算法,如遗传算法、差分进化(DE),标准PSO,相的粒子群算法、QPSO和其他优化算法。结果表明,计算能力优于优于GA,德,经典的PSO算法。因此,在这项研究中,我们使用了QPSO优化BP模型。

许多因素影响地铁工程造价的盾牌。如果所有因素都包含在输入的BP模型,训练神经网络的计算负担将会很高,和预测精度将降低。在BP模型输入变量的选择,大多数研究使用阈值分析任意阈值选择BP模型的输入变量(23]。这种选择方法受主观因素的影响,造成信息冗余或损失。神经网络预测的准确性可以使用一个合适的方法增加了选择的重要因素影响地铁工程造价的盾牌作为模型的输入。

粗糙集理论是一种数学分析工具来描述数据的完整性和不确定性(24]。该方法简化了数据,获得最低的表达知识,同时保留关键信息,并识别和评估数据之间的依赖性。Shiau et al。25)成功应用粗糙集理论来筛选影响因素在台湾交通可持续发展。程等。26)使用粗糙集理论选择和分析21个指标影响区域绿色竞争力,制定区域绿色竞争力指标。通用电气等。27)提取空间关系指标使用粗糙集理论来描述地理现象和环境之间的复杂关系。许多因素影响地铁盾构施工的成本。如果我们把他们作为知识表达系统,并使用一个模糊粗糙集方法分析各种因素影响地铁盾构施工的成本,我们可以减少变量的数量和获得许多重要的属性影响地铁工程造价的盾牌。这些因素可以作为神经网络的输入用于优化输入变量,以及每个属性的重要性在地铁盾构施工的成本预测可以确定。

在此背景下,我们建立了一个基于BP神经网络预测模型提高了QPSO。本文提供了以下的贡献。(1)本文确定了工程造价影响因素并提供详细的数据采集和计算方法为每一个因素。我们使用粗糙集理论选择的主要影响因素影响施工成本50个地铁盾构项目案例分析。这种方法不仅科学地处理地铁盾构施工的复杂性和众多影响因素建设成本,还大大减少了BP神经网络预测模型的输入变量。(2)本文采用QPSO建立的BP算法优化地铁盾构施工成本预测模型。这种方法优于经典的全局收敛能力和BP算法的局部搜索的速度,从而提高BP网络的训练过程的稳定性和培训结果的准确性。(3)误差分析的案例研究表明,BP神经网络优化算法通过QPSO有更高的预测精度和稳定性比多元回归方法,传统的BP模型,优化的BP模型GA和BP模型优化算法。

本文的其余部分组织如下。部分2构造一个详细的工程造价影响地铁盾构工程指标体系和成本预测模型基于BP优于经典的优化。第三节是案例分析,分析了50个地铁盾构项目的建设成本。第四节是讨论。第四节细节不同的算法的误差和稳定性分析,还分析了BP神经网络的拓扑结构的影响。第五节是结论。在简要分析研究结果本文的局限性第五节总结本文的研究成果,指出进一步的研究方向。

2。材料和方法

2.1。的指标体系建设地铁盾构工程成本

2.1.1。分析地铁盾构施工成本的影响因素

我们使用一个项目分解结构(PBS)分解施工过程,分析准确、全面的地铁盾构工程的工程造价影响因素(28]。随后,我们选择了地铁盾构工程的工程造价影响因素。通过指城市轨道交通项目投资估算指标(GCG 101 - 2008)中国住房和城乡建设部发布的中华人民共和国,和基本建设项目工程造价管理条例由财政部颁布的中华人民共和国(Caijian(2016) 504号),我们分解为四类建设方面:项目方面,建设条件、技术标准和项目管理。

(1)项目方面。地铁盾构工程指的是安装的盾牌,不包括其他方面的建设,如连接通道和泵的房子,强化风险的来源,施工监控和疏散平台。地铁盾构项目包括三个部分:选择盾构机,盾构施工在启动或退出阶段,保护和建设部分。结合成都地铁11号线的工程实践,武汉地铁8号线,天津地铁7号线,武汉地铁21号线,我们分析了地铁盾构工程方面的项目。盾构机的选择不仅产生重大影响施工的顺利完成,但也成本。盾构机适应工程和地质特征可以快速完成任务高质量和低风险。因此,盾构机,售价超过1000万美元,大大降低了项目的成本摊销。目前,有两种类型的盾构机:土压平衡盾构机和煤泥水平衡盾构机,适应不同地质特征。地层的渗透系数不仅是一种重要的地质因素也是一个重要的参数来确定盾构机的选择(29日]。根据中华人民共和国国家标准(隧道盾构掘进施工及验收方法的代码(GB 50446 - 2017)),当地面渗流系数超过10⁻⁴m / s,煤泥水平衡盾构机应考虑。当渗透系数小于10⁻⁷m / s,土压平衡盾构机。当地面渗透系数之间的两个值,模型可以被使用,根据不同的条件。隧道的最小半径,最大坡度,隧道的间隙也影响盾构机的选择。直线的最小半径的大小应与盾构机,和一个适当的大小盾牌应该选择根据隧道间隙。值得一提的是,地质特征影响选择和盾构机的效率。因此,他们也有对盾构施工成本产生重大影响。

盾建设的初始阶段,首先建立和加强发射轴,紧随其后的是组装、调试和试验开挖。试验隧道已成功执行后,开始正常的隧道。在试验隧道过程中,有必要评估隧道盾构机的参数来找到最优参数。因此,审判隧道的建设成本的阶段往往是明显高于正式施工阶段。审判隧道的建设成本阶段试验隧道的长度成正比。盾构机的入口和出口的成本工作主要是由机器进入和退出的次数;成本通常是基于计算的次数。

在盾建设部分,除了水文地质条件影响建设成本,部分工程的主要因素。不同的段厚度需要不同的具体要求,和具体的成本占总材料成本的一大部分。值得一提的是,由于建设成本分析在这项研究是基于每公里地铁盾构施工单价,保护部分的长度对单价的影响可忽略不计。

基于上述分析,地铁盾构的基本工程特性包括盾构机的类型(X1)、地层的渗透系数(X2)、隧道的最小半径线(X3),最大斜率(X4),隧道的间隙(X5)的地质特征(X6),水文条件(X7),打超前钻眼长度(×8),盾构机出入口的数量(X9),和段厚度(X10)。

(2)施工条件。类似于工程造价,施工期间也受到很多因素的影响。一般来说,减少施工期间会增加施工的直接成本,而间接成本降低。相比之下,增加施工期间可能导致减少直接成本,间接成本的增加。因此,施工期间被选中作为一个影响因素。由于地铁项目的面积的差异,直接影响到工资和材料的价格和机械所要求的项目。因为不同的地区有不同的收费标准,工程项目的位置影响到工程造价。

地铁项目通常是建在城市或郊区,那里已经有许多建筑和市政管道。盾构施工期间需要一定的措施来保护这些建筑和市政管道。因此,更复杂的地铁项目的周边环境,需要更多的工程措施和施工成本越高。地震设防烈度地震的能力(地铁项目)影响建设成本也是一个重要因素。不同的项目标准用于不同的抗震要求。地震设防烈度越高,越高工程标准和质量标准。因此,我们认为地震设防烈度是一个基本的工程特性。

我们选择施工期间(X11)、环境(X12)特点,抗震设防烈度(* 13),和其他相关因素。

(3)技术标准。根据代码设计的地铁系统(GB 50157 - 2013),这是中华人民共和国的国家标准,目前的设计速度的地铁系统分为几个等级,如60,80,100,120,160。然而,大多数的线条设计速度80由于车站的距离,列车性能和整体成本。如果设计速度高,但车站距离很小,火车已经慢下来进入车站。这种方法并不代表一个先进的设计系统,是一种资源浪费。如果火车跑得快,越高要求的列车性能和曲线半径,建设成本越高。然而,易访问性低,居民的旅游需求在一些地区不考虑,这是不合理的。因此,设计速度(X14)被选中作为一个基本的工程特性,影响地铁盾构项目的工程造价。

目前,隧道施工的常见结构形式包括双线双隧道和双线隧道。理论上,双线单隧道更为经济,因为只有一个需要开挖,和降低成本30.]。然而,在实际应用情况是相反的。由于需要高技术和健全的地质构造对于大截面挖掘,一个双线隧道的建设往往是更昂贵的。因此,一个单行的单一隧道通常用在更多的情况下。我们选择隧道结构(连接)作为基本的工程特性,影响地铁盾构工程的工程造价。

(4)项目管理。项目管理包括所有者的管理能力(),建筑公司的管理能力(X17)和融资结构(X18)。较强的项目管理能力业主和施工企业在地铁隧道工程的生命周期,更好的资源的分配与协调。科学决策,促进项目执行,降低建设成本。由于广泛的地铁投资项目,它需要很长时间才能恢复的成本效益。当地铁建设在发展中国家,方法如Build-Transfer (BT),核查(机器人),公私合作伙伴关系(PPP) Build-Own-Operate(嘘),和其他融资模型(31日]。这些方法节省政府的利息支出,从而间接地降低施工成本。不同的融资模式有不同的成本投入;因此,融资模式影响项目管理。

2.1.2。数据收集

根据分析2.1.1节,本节介绍了19个主要和次要的数据收集方法指标。X6, X7 X16, X17是定性指标,其从一个专家问卷调查获得的分数。其他指标的量化指标,获得的数据是指设计文件或实地调查。我们专注于实践期间使用成都地铁11号线的建设,武汉地铁8号线,天津地铁7号线,武汉地铁21号线。本节提供了一个详细描述的指标和如何获得数据,方便后续研究选择的指标体系和基于粗糙集理论的案例分析。盾构机类型(X1)。土压平衡盾构机的得分是1,煤泥水平衡盾构机的分数2,和其他类型的盾机有3分。这个指标没有单位。形成的渗透系数(X2)。这个指标的评分可以通过咨询地质勘察、设计文件,以及单位m / s。分数还可以获得现场调查;计算公式(32)是 在哪里地层的渗透系数,多孔介质的渗透率,是动态粘度系数,是流体密度,重力加速度。现场试验是用来获得的值 , ,和这样可以计算地层的渗透系数。隧道的最小半径(X3)。这个指标的得分可以通过咨询设计文档或进行现场调查;单位是米。最大坡度(X4)。这个指标的得分可以通过咨询设计文档或进行现场调查。这个指标是‰的单位。间隙在隧道里(X5)。这个指标的得分可以通过咨询设计文档或进行现场调查;单位是米。地质特征(X6)。根据为岩土工程的调查技术代码(5202 - 2004),是中华人民共和国行业标准,地质因素影响地铁盾构工程和典型的地下工程建设包括地形、地层岩性、地质构造、地震概率,水文地质,天然建筑材料,和不良物理地质现象,如岩溶、滑坡的可能性很高,崩溃,砂土液化和地基变形。这是复杂的和全面的定性指标。我们划分地质特征的影响工程造价分为五个层次:(1)非常不利的,(2)不利的,(3),(4)有利,和(5)非常有利。水文条件(X7)。水文地质条件是指各种变化和运动的地下水的影响范围内地铁盾构项目工程造价的保护项目。我们把水文条件对施工成本的影响分为五个层次:(1)非常不利的,(2)不利的,(3),(4)优惠,和(5)非常有利。打超前钻眼长度(×8)。这个指标的得分可以通过咨询设计文档或项目管理文档,和单位米。盾构机进入和退出的数量(X9)。这个指标的得分可以通过咨询设计文档或进行现场调查。没有单位的指标。段厚度(X10)。这个指标的得分可以通过咨询设计文档或项目管理文档,和单位米。施工期间(X11)。这个指标的得分可以通过咨询设计文档或进行现场调查;单位是天(d)。环境特征(X12)。我们把地铁盾构项目工程造价的影响分为五个层次:(1)非常不利的,(2)不利的,(3),(4)优惠,(5)非常有利。地震设防烈度(* 13)。根据中华人民共和国国家标准的地震保护建筑的分类标准(GB 50223 - 2008),设计基本地震加速度值选择的分数指数。重力加速度单位( )。设计速度(X14)。这个指标的得分可以通过咨询设计文档,和单位km / h。隧道结构(连接)。目前,隧道施工的常见结构形式主要是双线双隧道和双线隧道。分数分别是1和2。业主的项目管理能力()。一般来说,所有者的管理能力越高,成本控制就越好。承包商的管理能力是根据建设单位的质量决定的。这是一个定性指标。由于指标无量纲,水平(1)优秀的,(2)好,温和(3),(4)差。建筑企业的项目管理能力(X17)。一般来说,管理承包商的能力越高,成本控制就越好。承包商的管理能力是根据建设单位的质量决定的。这是一个定性指标。由于指标无量纲,水平(1)优秀的,(2)好,温和(3),(4)差。项目的融资结构(X18)。目前有四种常见为地铁项目融资结构。BT的得分是1,机器人的得分是2,购买力平价的得分是3,BOO是4分,其他的模式是5。

2.1.3。基于粗糙集理论的指标筛选

粗糙集理论是一种pswlak波兰数学家提出的数学理论,可以处理不确定、不完整的,和不兼容的信息和知识24]。基于粗糙集的属性约简是通过删除不重要或不相关和冗余属性,同时保持了分类或信息系统的决策能力和派生的分类和决策问题。一个信息系统可以表示为一个4-tuple: 在哪里论域, 是一组有限的非空的属性, , 条件属性集,是一个决策属性集,是一组属性值。函数一个用于分配相应的属性值中的每个对象论域。条件属性和决策属性的知识表达系统统称为一个决策表,在这一行代表对象的记录,列代表对象的属性(25]。

定义1。的贡献程度的条件属性决策属性被描述为 在哪里被称为积极的领域吗关于 ,描述了所有元素的集合可以准确地划分为类基于知识的 。的代表的比例可以分为决策类的对象在条件属性 。它定义了条件属性的贡献程度来决定属性。

定义2。需要和不必要的属性。
假设有 在信息系统年代。如果 ,据说问是一个必要的属性C,必须保留。否则,问是一个不必要的属性C,可以删除。如果两个 和C是必要的属性C,它可以独立形成一组特性表达信息的分类系统。在这种情况下,C被称为独立;否则,它是相关的。

定义3。减少和核心。
在信息系统年代, 和E是独立的,满足 。E被称为还原的C,这是表示 。必要的属性的集合C形式的核心C,这是表示 。一个信息系统通常包含多个减少。如果E是独立的,那么E是最小的设置维护宇宙的分类能力U(25,26]。
在这项研究中,罗塞塔软件选择屏幕地铁盾构施工成本的指标。软件是一种逻辑分析和数据处理工具基于粗糙集理论(33]。这是在合作开发的计算机和信息科学学系挪威科技大学和大学数学研究所的华沙,波兰。软件集成了各种数据预处理方法,如数据互补,离散化,以及其他功能。它还可以执行操作,如规则获取和指数减少,以及数据挖掘和知识获取(34]。
成都地铁11号线(16屏蔽部分),武汉地铁8号线(9屏蔽部分),天津地铁7号线(13屏蔽部分),武汉地铁21号线(12盾部分),和其他人使用的案例研究。数量指标咨询设计资料和实地调查获得的数据和使用其他方法。此外,100位专家被邀请进每一个质量指标。选择的标准专家工作单位,工作几年,职称和教育背景。后两轮问卷调查,共获得有效问卷72份。简化,50问卷随机选择。量表的阿尔法问卷的可靠性系数大于0.7,所以调查问卷系统是可靠的34]。事实上,本文随机选择三次,和三个问卷量表的阿尔法值0.7831,0.831,和0.847都大于0.7。所有指数数据如表所示1。由于纸的长度,表1只列出了一些数据。
的目标是保持分类能力的知识系统。罗塞塔的内置属性约简算法被用来删除无关或不重要的二级指标和提取敏感地铁盾构施工成本的预测指标。我们提取的盾构机(X1)、类型的地质特征(X6),盾构施工中出入口的数量(X9),和段厚度(X10)作为项目的属性方面。施工期间(X11)和环境特征(X12)用作建设条件的属性。设计速度(X14)和隧道结构(连接)作为技术标准的属性。业主的项目管理能力(),建筑公司的项目管理能力(X17),和项目的融资结构(X18)作为项目管理的属性。此外,由于设计速度在目前地铁工程实践是80 km / h,我们删除了设计速度(X14)。我们讨论的原因删除这个指标在3.3节。

2.1.4。指标体系的发展

主要和次要指标影响地铁隧道工程的建设成本如表所示2。

2.2。施工成本预测模型基于QPSO-BP算法

QPSO算法具有速度和强大的全球搜索,与BP模型。此外,优于不需要特定的问题的特征信息,如导数梯度信息。因此,QPSO和BP模型可以综合利用BP模型的泛化能力和能力QPSU优化初始权值和阈值的网络层。这种集成提高了神经网络的收敛速度和学习能力。

2.2.1。BP模型

提出了BP网络在1986年由一组科学家Rumelhart为首,麦克勒兰德。BP神经网络具有自学习和自适应能力。当输出值与期望值不同,计算误差。在这种情况下,神经元的信息传输过程与学习过程(35]。自从BP神经网络学习算法的原理是梯度下降法,输出结果,误差满足要求,可以通过重复训练。目前,三层BP网络是最常用的网络。模型结构如图1,在那里 , , , 输入值和 , , , 输出结果。

2.2.2。优于经典模型

PSO是一种优化方法,出现在1990年代。它具有结构简单,容易编程,和少量的计算。标准的粒子群算法的搜索空间是有限的,而且它是容易陷入局部极值36]。在标准PSO收敛粒子的形式实现轨道,和粒子的最大速度是有限的在搜索的过程中。所以,标准PSO不能全局收敛概率(37]。在QPSO粒子收敛的过程中,粒子保持接近直到它属于 。有一个有吸引力的潜力在融合过程中,吸引了粒子收敛并使整个种群聚合(18]。粒子在量子束缚态可以出现在任何空间点有一定概率(20.]。因此,粒子可以搜索在整个解空间,从而有更好的收敛性。这是优于经典的理论原因比算法更好的计算性能。

与标准PSO相比,QPSO有不同的进化搜索策略,消除了不必要的速度矢量在进化方程。此外,QPSO少了一个更简单的进化方程和参数和更容易控制;因此,QPSO具有更好的全局搜索性能。

在一个人口粒子,每个粒子的移动 - - - - - -维空间。的速度和位置向量我th粒子是 和 。在经典的算法,粒子的轨迹17)更新使用 在哪里 , , 和加速因素,和随机数在吗 , , 是粒子的个体最优位置 ,和 全局最优位置。

在QPSO算法中,每个粒子的位置和速度矢量波函数所取代(19]。粒子的轨迹更新使用方程(6)- (8)[19- - - - - -22]: 在哪里 平均最优位置,这是由平均所有粒子的个体最优位置,和随机数均匀分布在 ,和是控制收敛速度的比例系数。这是唯一的QPSO算法控制参数,除了人口规模和迭代时间。

2.2.3。基于QPSO-BP预测模型

基于QPSO-BP预测模型的流程图如图2。

利用QPSO的主要步骤优化BP神经网络的权值和阈值如下:步骤1。数据收集和规范化。数值大小的影响因素不同,导致收敛速度下降当使用BP和QPSO算法和影响模型的准确性(38]。方程(9)使用38]规范化数据获得一个范围从0到1: 在哪里是原始数据,是原始数据序列的最大值,原始数据序列中的最小值,然后呢规范化的数据。步骤2。确定神经网络的输入和输出样本集和神经网络的拓扑结构。在QPSO算法,第一代种群初始化的范围之内 ,和初始粒子群的人口规模 ,比例因子 ,和迭代的最大数量是集。步骤3。确定神经网络权值和阈值的编码方案。我们使用一个阈值或重量对应于粒子的一维向量。为一个特定的神经网络,如果输入维度,隐藏层的数量 ,在每个相应的隐层节点的数目 ,和输出尺寸 ;然后,粒子的维数可以获得使用下列方程(13,15]: 步骤4。重新编码的人口个体量子粒子群神经网络的权值和阈值。步骤5。选择合适的适应度函数根据神经网络原理和输入和输出样本集。目标是最小化之间的区别网络的期望输出和实际输出。适应度函数表示为(13] 在哪里样品的数量,实际产出的样本吗 ,和样本的预测输出吗 。步骤6。更新粒子根据方程(6)(8)。步骤7。评估粒子和健身价值的计算使用方程(11)。步骤8。如果满足结束条件,优化结束,此时权重和阈值作为神经网络的初始权值和阈值。否则,返回步骤(4)。

3所示。案例分析

3.1。获取和处理的预测数据

我们选择的四个地铁项目为例分析中国建筑集团公司。它们包括成都地铁11号线盾构隧道16,武汉地铁8号线盾构隧道9,天津地铁盾构隧道7和13号线,和武汉地铁21号线12隧道。表1显示了50集的样本数据。时间因素和地理因素产生重大影响的建筑材料的成本,劳动力、机械;因此,他们也产生重大影响建设成本,有必要调整50套建设基于地理和时间的成本数据。值得一提的是,在桌子上1,实际建设成本代表了调整后的数据。(1)我们使用成都市,四川,中国为基准,使用区域调整系数调整。根据公用事业工程的标准测量方法(GB 50857 - 2013),它可以由以下公式计算: 在哪里类似的地方项目的总数,在其他地区类似项目的总数,类似地方项目的单价,是这些项目的重量。 , 类似项目的数量,和的单价和重量相同类型的其他地区的项目。(2)基于2018年的成本指数,调整的时间是使用成本指数进行调整。根据公用事业工程的标准测量方法(GB 50857 - 2013),它可以由以下公式计算: 在哪里是2018年类似项目的总数,在其他类似项目的总数,然后呢是类似的项目的单价在报告期内。

3.2。预测结果

两组数据所需的BP神经网络建立了地铁盾构工程施工成本预测模型,即。,training set and test set. The training set data was used to train the neural network, and the test set data was used to validate the neural network. In this study, the training set consisted of 55 randomly selected datasets, and the rest of the data represented the test set. The ratio of training data to test data was 90% to 10%.

BP神经网络的参数设置(15,16如下:培训的数量乘以1000,学习速率为0.1,培训目标是0.001。QPSO的计算参数(20.,21包括以下:迭代的数量是1000,人口规模是100,比例因子为0.4,最大误差的迭代终止为0.00001。

QPSO的适应度函数的收敛曲线如图3。QPSO模型聚合大约150代。

优化计算过程优于经典模型的结果如表所示3。第146次迭代和第147迭代之间的误差大于最低可接受的精度(0.00001),和147之间的误差迭代和第148迭代小于最低可接受的精度。148代后迭代计算结果的误差小于0.00001。结果在图3和表3表明QPSO发现在第147代优化神经网络权值和阈值。

不同的计算模型的预测结果从Matlab软件获得数据所示4和5。在数据4和5,预测误差和相对误差值是根据预测和实际获得的价值。公式如下: 在哪里预测的误差,相对误差,是预测值,是实际成本。

QPSO-BP模型的计算误差很小,最大预测误差只有2.79,最大相对误差仅为1.39%。这证明QPSO-BP有很高的计算精度,本文详细地比较了不同计算模型的计算精度4.1节。

训练集与测试集比率可能会影响预测结果。目前,常见的训练集和测试集的比例是90%:10%,80%:20%,70%:30%39,40]。因此,本文计算了这三种比例对预测结果的影响,以及计算结果如表所示4。

根据计算结果表4不难看出,训练集的比例的减少,预测结果的计算精度不断减少。然而,当训练集的比例为70%,预测结果的计算精度是3.98%。与其他方法相比(多元回归,BP, GA-BP PSO-BP), 70%的QPSO-BP训练集仍然有更好的计算精度。

4所示。讨论

摘要粗糙集、QPSO和BP模型被用来建立一个预测模型地铁盾构的施工成本项目。本文有以下限制。(1)指标体系的主要指标在本研究仅指成都地铁11号线的工程实践,武汉地铁8号线,天津地铁7号线,武汉地铁21号线。如果更多的项目选择,指标体系可能会发生变化。(2)没有完成分析的输入参数对预测结果的影响。(3)尽管QPSO被成功地用于优化BP模型,和它的计算精度高于常用的方法(多元回归,BP, PSO-BP GA-BP),也可以使用许多其他优化方法来优化BP模型。

4.1。误差分析不同的计算模型

PSO和GA算法被用来优化的BP模型来确定优势优于优化BP模型。在BP算法,选择traingda训练函数,隐层的激活函数是logsig,输出层的激活函数是purelin [15- - - - - -18]。我们培训的目标误差设置为10⁻⁶和最大迭代次数为1000。网络的学习规则是梯度下降法。GA算法,人群中个体的数量是50,1000年最大遗传代数,二进制数字是20,代沟是0.9 (15]。PSO算法的群体大小是200,个人学习系数和全球学习系数都是2,惯性权重降低了线性从0.9到0.4,最低验收精度为0.00001,和迭代的最大数量是100016]。除了人口规模和收敛条件,所需的关键参数优于只有缩放系数,而GA算法和PSO需要更多的参数。遗传算法和PSO相比,优于经典的优点更少的参数。

此外,在随后的误差计算和分析,我们也使用BP算法和多元线性规划,在工程实践中常用的方法,预测地铁盾构工程的工程造价在这个案例研究中。

适应度函数的收敛曲线优于经典的遗传算法和算法模型图所示3。QPSO模型聚合在150代后,聚集在270代后的算法模型,遗传算法模型聚合大约350代。

结果在图3和表3表明QPSO发现在第147代优化神经网络权值和阈值。然而,遗传算法和PSO只发现优化神经网络权值和阈值在第353和264代,分别。因此,QPSO比遗传算法有更快的收敛速度和算法。

数据显示4和5在3.2节多元回归的计算错误,英国石油(BP) GA-BP和PSO-BP模型远比QPSO-BP模型。因此,QPSO-BP模型精度最高。此外,模型的准确性是订单QPSO-BP > PSO-BP > GA-BP > BP >多元回归,这是类似于以前的计算结果(22]。这种现象可以证明本文案例分析结果的合理性在一定程度上。

为了进一步分析不同计算方法的计算精度,我们选择了四种常见错误分析工具对机器学习,包括决定系数( ),平均绝对百分比误差( ),均方根误差( ),和平均绝对误差( )对几种方法的准确性进行评估。结果如图四种类型的错误6。

表示程度的实际值和预测值之间的相关性;计算方法见方程(16)。越接近1,相关性越高,反之亦然(41]: 在哪里是实际的结果,预测结果,实际结果的平均值,测试集的数量。

如图6,QPSO-BP值为0.9980,表明该模型得到的预测值非常接近实际值。与多元回归分析方法相比,英国石油(BP) GA-BP PSO-BP,QPSO-BP的价值高于多元回归分析、BP、GA-BP, PSO-BP,证明该模型有最好的预测结果。

的代表预测结果的平均相对误差(方程(17))(22,41]。当为0%,预测结果是完美的。的价值就越高 ,最糟糕的预测结果的准确性:

的QPSO-BP是最小的(1.29%),表明QPSO-BP是最好的在所有的预测结果的方法。的多元回归分析、BP、GA-BP PSO-BP是37.51%,11.84%,4.75%,和2.83%,分别。

的措施预测值和实际值之间的偏差(方程(18))(22]。越小价值,较小的预测值和实际值之间的偏差和预测精度越高:

如图6,QPSO-BP的值是6.4363,最低的在所有算法。计算结果表明,该模型提供了最好的预测结果。

的是偏差的绝对值的平均值之间的所有预测值和算术平均(方程(19))。的避免偏移的问题,描述了数据分散的程度。越小价值,更好的预测精度:

的QPSO-BP是最小的在所有的价值模型,表明良好分散的预测结果,该模型的预测精度高。所有五个测试集取得了良好的预测结果。

我们还进行了10倍交叉验证测试算法的准确性(42),验证是否overfitted BP模型。的平均精度10倍交叉验证表所示5。

十个计算结果的误差明显小于传统的BP和其他三个模型,显示了计算方法的先进性。精度非常高,最大相对误差的平均值计算模型提出了是3.0009%。此外,的值 , , ,和十稳定计算结果,证明了该算法的稳定性。基于上述分析,我们推断,没有overfitted案例分析的BP模型。

输入变量的数量有重要影响的预测结果地铁盾构施工成本使用人工智能方法。

在2.1.3节本文的粗糙集方法是用来输入变量,集中和八个因素(X2、X3、X4, X5, X7的混合体,* 13,和X14英寸)有很好的相关性与其他输入变量被删除。为了验证使用粗糙集的合理性和有效性,我们调查了删除这个指标在计算结果的影响。平均 , , ,和十预测结果略有改变后添加了这八个影响因素,计算时间只增加了54.7秒。根据粗糙集的基本原则,我们认为这八个因素与其他因素有很大关系。删除这八个因素是合理的2.1.3节。

4.2。不同计算模型的稳定性分析

稳定性决定了可靠性计算模型的预测。在这篇文章中,标准差被用来判断计算模型的稳定性。45训练样本的部分3所示。1,30岁,35岁,40岁和45随机选择样本作为训练集,最后5个样品3.1节被用来作为测试集。计算重复了100次,5测试集预测误差的标准差如表所示6。

从表可以看出6QPSO-BP低标准偏差,和多元回归最大的标准差。随着训练样本的增加大小,计算稳定QPSO-BP一直持续的改进。这些结果表明,QPSO-BP比其他模型更稳定。

4.3。BP模型的拓扑结构的影响计算结果

到目前为止,还没有统一和完整的理论指导开发选择的BP神经网络结构,和经验是常用的选择。如果广泛的网络结构,训练效率不高,而且可能有过度拟合,导致网络性能低,减少了容错。如果选择太小,网络可能不收敛43]。因此,我们调查的影响,不同的网络的拓扑结构模型的预测结果。

在案例研究中,BP模型的拓扑结构决定使用方程(10)。与相关领域的研究成果(44),我们调查了七个不同的拓扑结构网络模型基于QPSO-BP模型;结果如表所示7。

的平均误差QPSO-BP神经网络模型的计算结果非常小,无论网络的拓扑结构模型。结果证明性能优良QPSO-BP神经网络模型的预测建设项目的成本。观察到在[45,46),因为QPSO-BP神经网络模型具有较高的预测精度和交叉验证结果,过度拟合的概率或underfitting减少。当使用相同的模型,预测结果的平均误差随隐藏层和节点的数量的增加,但计算时间也会增加。

5。结论

在施工之前,它执行具有重要意义的准确和科学预测的工程造价地铁盾构项目的顺利实施。由于地铁盾构施工的复杂性,许多因素影响工程建设成本,成本预测是复杂的,涉及到许多非线性因素。因此,我们分解这个项目使用一个项目分析方法,得到了地铁盾构项目的成本影响因素根据中国国家标准和专家意见,并利用粗糙集理论来减少影响因素的数量,从而避免冗余之间的工程特性。50例分析在中国地铁盾构项目表明,影响项目施工成本的关键因素,包括盾构机的类型,地质特征,次数,盾构机进入和离开了网站,部分厚度、施工周期、环境特征、隧道结构,业主的项目管理能力,项目管理能力的建筑公司,项目的融资结构。因此,几个因素影响的工程建设成本地铁盾。BP神经网络优化算法通过QPSO被用来预测地铁盾构的施工成本。该方法集成和全局收敛性优于BP算法的非线性分析功能,从而改善BP网络训练的准确性和稳定性。该模型是适合的复杂的非线性问题,在地铁盾构施工成本预测。的结果绝对误差,相对误差, , , ,和表明QPSO-BP比多元回归模型提供了较高的预测精度,英国石油(BP) GA-BP, PSO-BP方法。

在未来,学者应该开发一个信息数据库的建设地铁盾构项目成本调查影响因素更全面。此外,使用其他人工智能算法优化BP神经网络也值得进一步研究。

数据可用性

案例分析的数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究支持的科技项目武汉城乡建设局,中国(201943年)。

引用

1. j·安,s .赵和d·h·钟”发展的统计分析模型基准地铁站的能源使用强度,”应用能源卷,179年,第496 - 488页,2016年。视图:出版商的网站|谷歌学术搜索
2. l·胡、t·李和w·g·邱”研究的动态预测和控制隧道施工进度和成本,”铁路工程学会杂志》上,32卷,不。1,第121 - 115页,2015。视图:谷歌学术搜索
3. M.-G。李,j j。陈,黄永发。王,Y.-F。朱,“比较研究盾构隧道施工方法上面深挖掘,”隧道与地下空间技术卷,71年,第339 - 329页,2018年。视图:出版商的网站|谷歌学术搜索
4. 大肠会”的使用经验FIDIC合同在铁路基础设施项目,“Gradevinar,卷71,不。11日,第993 - 987页,2019年。视图:谷歌学术搜索
5. m . j .吴邦国委员长和q l .吴”的现状及前景机械化山公路隧道建设,“重庆交通大学学报(自然科学),39卷,不。3、14号至21号2020页。视图:谷歌学术搜索
6. 郭p . Wang x, z, l·胡”预测轴态度偏差和偏差校正法在盾构隧道基于数据驱动的,”IEEE访问7卷,第163501 - 163487页,2019年。视图:出版商的网站|谷歌学术搜索
7. 林y s . Wang Mursalin, g . et al .,“供应链为预制建筑施工成本预测的不确定性,”数学问题在工程卷,2018篇文章ID 4580651, 2018。视图:出版商的网站|谷歌学术搜索
8. h·l·陈,“开发成本响应模型公司层面的成本流的预测基于项目的企业,“工程管理》杂志上,23卷,不。4、171 - 181年,2007页。视图:出版商的网站|谷歌学术搜索
9. s·m·a . Tabei m . Bagherpour, a . Mahmoudi”应用模糊模型来预测建设项目的现金流,”Periodica Polytechnica土木工程,卷63,不。2、647 - 659年,2019页。视图:谷歌学术搜索
10. Y.-M。程,学术界。Yu, H.-T。王”,短时间间隔动态预测实际的S曲线在建设阶段,“建筑工程与管理》杂志上,卷137,不。11日,第941 - 933页,2011年。视图:出版商的网站|谷歌学术搜索
11. 丁,h·李,c . Su j . Yu和f·金,“进化人工神经网络:一个评论,”人工智能审查,39卷,不。3、251 - 260年,2013页。视图:出版商的网站|谷歌学术搜索
12. r·库马尔·r·k·Aggarwal, j·d·沙玛,“能源分析建筑使用人工神经网络:复习一下,”能源和建筑卷,65年,第358 - 352页,2013年。视图:出版商的网站|谷歌学术搜索
13. o . Oyebode d伸展,“神经网络建模的水文系统:实现技术的审查,”自然资源建模,32卷,不。1,文章ID e12189, 2019。视图:出版商的网站|谷歌学术搜索
14. j·f·马斯和j·j·弗洛雷斯,“人工神经网络的应用遥感数据的分析,“国际遥感杂志》上卷,29号3、617 - 663年,2008页。视图:出版商的网站|谷歌学术搜索
15. l .温j . Yu, x赵“电力工程造价预测模型基于PCA-GA-BP,”《第三届国际材料科学与工程研讨会2017年9月,广州,中国,。视图:谷歌学术搜索
16. •刘(george w . bush)和z气”,研究和应用的PSO-based BP神经网络在政府投资的项目评估,”IITA国际会议的程序控制、自动化和系统工程2009年7月,张家界,中国,。视图:谷歌学术搜索
17. A·哈雷和美国Rangnekar回顾粒子群优化及其应用在太阳能光伏系统中,“应用软计算,13卷,不。5,2997 - 3006年,2013页。视图:出版商的网站|谷歌学术搜索
18. w·方,j .太阳,y叮,吴x,和w·徐”回顾研究粒子群优化”,IETE技术评审,27卷,不。4、336 - 348年,2010页。视图:出版商的网站|谷歌学术搜索
19. d .指和z,“量子行为粒子群优化算法基于人工鱼群,”数学问题在工程文章ID 592682卷,2014年,2014年。视图:出版商的网站|谷歌学术搜索
20. m, l, Du, l . Zhang y风扇,和d的歌,“变异算子加速研究粒子群优化算法对高光谱endmember提取、”遥感,9卷,不。3,p。197年,2017年。视图:出版商的网站|谷歌学术搜索
21. j .太阳,w .方,w .徐,”一个研究与diversity-guided变异粒子群优化二维IIR数字滤波器的设计,“IEEE电路和系统II:表达内裤卷,57号2、141 - 145年,2010页。视图:谷歌学术搜索
22. 杜y、m .丁和c .周”阶段angle-encoded粒子群优化研究与应用为无人机三维路线规划,“IEEE系统,人,Cybernetics-Part答:系统和人类,42卷,不。2、511 - 526年,2011页。视图:谷歌学术搜索
23. h . Liu H.-q。田,D.-f。锅,Y.-f。李”,对风速预测模型使用小波,小波包,时间序列和人工神经网络,”应用能源卷,107年,第208 - 191页,2013年。视图:出版商的网站|谷歌学术搜索
24. pswlak z, a skowron4月份“粗糙集的基础,”信息科学,卷177,不。1,3-27,2007页。视图:出版商的网站|谷歌学术搜索
25. T.-A。Shiau,硕士。黄,W.-Y。林,“开发一个指标体系来衡量台湾ʼ年代交通可持续发展,“国际期刊的可持续交通,9卷,不。2、81 - 92年,2015页。视图:出版商的网站|谷歌学术搜索
26. r . x Cheng长,h . Chen和w·李,“绿色竞争力评价省在中国基于相关分析和模糊粗糙集,“生态指标卷,85年,第852 - 841页,2018年。视图:出版商的网站|谷歌学术搜索
27. y通用电气、f·曹,y Du, v . c . Lakhan y . Wang和d·李,“应用粗糙规则:基于集合的分析提取空间关系指标在珠江三角洲土地利用的一个例子,“《地理科学,21卷,不。1,第117 - 101页,2011。视图:出版商的网站|谷歌学术搜索
28. e . s .安徒生“使用任务分解结构、价值创造”国际项目管理杂志》上,32卷,不。5,885 - 892年,2014页。视图:出版商的网站|谷歌学术搜索
29. 李x, y雪,d .秋et al .,“稳定评估跨长江盾构隧道开挖面通过多因素分析,“地质力学和工程,19卷,不。3、283 - 293年,2019页。视图:出版商的网站|谷歌学术搜索
30. z . y . Ilerisoy和m . e .金枪鱼,“隧道形式建筑的建设成本,”Gradevinar,卷65,不。2、135 - 141年,2013页。视图:出版商的网站|谷歌学术搜索
31. a . s . Solino和j·m·瓦萨罗”使用公私伙伴关系扩大地铁:案例研究中,关于此事国际机场”工程管理》杂志上,25卷,不。1,第21至28,2009页。视图:出版商的网站|谷歌学术搜索
32. x c d d .粉丝,x y Liu Jing et al .,“墙渗漏原因分析地铁基坑在南通富水砂层中,“隧道施工41卷,第231 - 225页,2020年。视图:谷歌学术搜索
33. f . Witlox和h . tindeman”的应用粗糙集分析基于活动的造型,机会和限制,“专家系统与应用程序,27卷,不。4、585 - 592年,2004页。视图:出版商的网站|谷歌学术搜索
34. k . a . Bakhla诉Verma m . Hembram et al .,“12项一般健康问卷的内部一致性和因子结构在视障学生,“工业精神病学杂志,22卷,不。2,p。109年,2013年。视图:出版商的网站|谷歌学术搜索
35. 美国高,m .周y . Wang h . Yachi j . Cheng和j·王,“神经元树突与有效的学习算法分类模型,近似,并预测,“IEEE神经网络和学习系统,30卷,不。2、601 - 614年,2019页。视图:出版商的网站|谷歌学术搜索
36. w .董和m .周”,监督学习和控制方法来提高粒子群优化算法,”IEEE系统,人,和控制论:系统卷,47号7,1135 - 1148年,2017页。视图:出版商的网站|谷歌学术搜索
37. j . j . Li张、江c和m .周”复合粒子群优化器与历史记忆功能优化,“IEEE控制论,45卷,不。10日,2350 - 2363年,2015页。视图:出版商的网站|谷歌学术搜索
38. f . z气、s .问:林和t . t . Yu”股票价格的预测模型基于PCA和IFOA-BP神经网络”计算机应用与软件,37卷,不。1、116 - 121 + 156,2020页。视图:谷歌学术搜索
39. 和j·w·h . h . Peng Wu王”研究建设工程的水需求的预测基于BP神经网络,”土木工程的发展卷,2020篇文章ID 8868817, 2020。视图:出版商的网站|谷歌学术搜索
40. 张平,r·p·陈,h . n .吴“实时分析和调节EPB盾转向使用随机森林,”自动化建设文章ID 102860卷,106年,2019年。视图:谷歌学术搜索
41. m·a·艾哈迈迪r . Haghbakhsh r . Soleimani和m . b . Bajestani”估计H2S溶解在离子液体中使用一个严格的方法,”超临界流体的杂志卷。92年,60 - 69、2014页。视图:出版商的网站|谷歌学术搜索
42. m·r·Pahlavan-Rad k . Dahmardeh m . Hadizadeh et al .,“预测土壤水分渗透利用多元线性回归和随机森林在干燥泛滥平原,东部伊朗,”系列文章ID 104715卷,194年,2020年。视图:谷歌学术搜索
43. k . w . Liu, j .徐,x,“混合算法的可靠性评估模型的化学系统,“质量与可靠性工程国际,33卷,不。7,1337 - 1349年,2017页。视图:出版商的网站|谷歌学术搜索
44. r, g . l .田和h . b .太阳,“应用BP神经网络与遗传算法粗糙度预测,“航空航天工程机械科学与技术,34卷,不。5,729 - 732年,2015页。视图:谷歌学术搜索
45. p . Barmpalexis a . Karagianni g . Karasavvaides et al .,“多元线性回归相比,粒子群优化人工神经网络和遗传编程mini-tablets的发展,“国际制药学杂志,卷551,不。1 - 2、166 - 176年,2018页。视图:出版商的网站|谷歌学术搜索
46. 问:孟、马x和y,“预测煤层瓦斯含量,利用基于粒子群优化的支持向量回归,”天然气的科学与工程》杂志上21卷,第78 - 71页,2014年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Lanjun刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。