神经网络模型预测的初步建设成本作为成本预测系统

文摘

早期施工成本预测模型是有用的对所有建设项目参与者。本文提出一种基于流程和数据驱动模型在项目早期阶段工程造价预测。米洛的“时间成本”模型用作基于流程模型和通用回归神经网络(GRNN)作为数据驱动模型。GRNN给出最准确的预测在三个预测模型使用神经网络应用,与平均绝对百分误差约0.73%(日军)和系数的决心R²的99.55%。预测和实际值之间的相关系数是0.998。模型被设计为一个整体成本预测系统(CPS)的一部分,其作用是估计项目成本在早期阶段。结果作为成本模型(CM)的输入是决策支持系统(DSS)的一部分,广泛建立管理信息系统的一部分(bmi指数)。模型可以用于所有项目参与者预测工程造价在项目早期阶段,尤其是在阶段招标承包的许多因素,从而确定建设项目的实现,是未知的。

1。介绍

复杂的建筑施工领域的成本估算问题是传统上受到缺乏数据的问题,不确定性和风险,但与此同时,对建设项目的成功很重要。由于所有这些,许多建设项目面临着重大的成本超支,本文阐述了广泛。这种情况的原因是复杂的,本文研究的主题和支持的数据。其中的一个原因,特别强调,是本文的重点。这一重要原因是早期初始成本预测,这通常是不令人满意的精度。原因是缺乏信息在初始阶段,想在短时间内得到结果,不会太远到其准确性和后果的严重程度这些数据可能对这个项目。这样一个肤浅的和不准确的评估结果在项目的进一步措施,导致多个负面影响,可能影响项目目标的实现。当事人的愿望来尽快的信息成本是可以理解的,将永远存在,无论哪一类型的项目或它的大小。因此,有必要创建一个可靠的成本预测系统。

不满意和不确定成本预测(1)及其在建设项目是一个非常频繁的泛滥(2- - - - - -4),不容易解决的问题。由于独特性、多样性、复杂性的项目,和无时不在的风险,建立模型足够准确的评估项目成本无疑是一个具有挑战性的任务。这就是为什么许多研究人员这个问题往往是他们的研究的主题,即他们使用不同的方法和方法常常由于某种类型的建筑和结构(1,5- - - - - -16]。目的是建立尽可能准确的成本估算模型,应用在项目初始阶段。简约的成本往往超过也声称的证据很多项目成本预测是不够的。原因可能是“…大量经验过程”根据Alex et al .(2010)是引用(1),这意味着估计不是基于科学证明方法,然后应用精度模型或模型情况下考虑不足,甚至故意误判(3]。数据已完成项目的成本超支的主题很多科学研究的证据是以前的索赔成本超支的频率(2- - - - - -4]。如上所述,Žujo et al。2),原因之一是“…没有一个彻底的专家分析条件,环境,和可能的风险当签订合同。”

有许多研究往往侧重于工程造价的理由。成本因素,可以定量表示和明确。关于建设成本在不同的国家进行研究时,众多的研究人员表明频繁的重要成本超支很多建设项目(3,4,17,18]。因此,例如,Baloi和安德鲁19)提出了莫里斯和踝关节的结果20.)的研究,从而大大超过成本的63% 1778年由世界银行资助的项目,在1974年和1988年之间建造的。

作者在19]国家,成本超支是比一个例外规则。此外,根据世界银行的报告,2007年,在印度的公路建设遭受大约25%的合同价格溢出(21]。根据中国的研究[22],各种类型的重建结构被认为是,10%以上的施工承包价格溢出被记录在结构和5 - 10%的26.39% 55.56%的结构。

在斯洛文尼亚,研究的样本92交通结构从1993年到1998年建成的。合同均价泛滥是51% (23]。类似的研究在澳大利亚从1992年到1999年。93结构进行了分析和成本超支是记录在21或22.58%的结构(24]。

在科研项目进行的克罗地亚(25),333年结构调查了从1996年到1998年。价格超过结构的81%被记录。

一个类似的调查是在波斯尼亚和黑塞哥维纳在177年进行的结构建立了从1995年到2006年。结果表明,合同约定日期不是在结构和51.40%的合同价格没有达到41.23%的结构(26]。

它可以得出的结论是,建设成本超支存在不仅在不发达国家和发展中国家,而且在发达国家。这也证实了Baloi和安德鲁19),强调“…在大多数发展中国家……这个问题更严重。“原因肯定是多方面的和多层,值得更深入的分析问题。

因此,评估建设成本已经在项目的初始阶段是特殊的主题研究人员的注意,不失去的现状。在这一过程中,研究人员特别关注的重点是建模成本和其他变量的相互依存,主要建设的持续时间。

考虑到问题的复杂性和重要性,其他的机会应该探索,具有更大的潜力解决此类复杂任务,这无疑是综合管理信息系统的预测成本制度应该是不可分割的一部分。

2。主要目标和研究框架

研究的主要目标之一是评价结果的应用提出了基于流程和数据驱动的成本估算模型相结合,也就是说,混合模型,并比较其准确性和简单模型的结果。第二个目标是提出一个基本概念的成本预测系统(CPS)作为建筑的一部分管理信息系统(bmi指数),和一个更详细的NNs模块还包括混合模型的精化。

建议对应用的结果被认为是CPS提出的混合模型也将呈现。

实施步骤研究,显示结果如下:(1)审查现有的引用在建设项目成本的预测。(2)审查现有的引用CPS本体基础知识。(3)创建一个方案成本预测系统本体。(4)预计建设成本通过使用混合基于流程和数据驱动的模型。(5)对结果的融入CPS的建议。

3所示。文献综述:施工成本预测

澳大利亚米洛是第一个调查金融执行有关建设时间共计329结构在建筑领域(建于澳大利亚在1963年和1967年之间)。研究了建立所谓的“时间成本”模型(以下简称BTC或TC模型)(27,28]。简单线性回归分析方法应用的适用性也被证明在许多后来研究[18,29日]。尽管最初“时间成本”模型,它也作为模板检查施工成本和施工时间之间的相互依存。指出,建设成本预测和成本随时间相互依存(定量因素)可以根据米洛数学建模“时间成本”模型通过使用简单线性回归(2,29日]。此外,科学研究表明,承包建筑之间有一个依赖关系在不同的建筑市场(价格/成本和时间3,4,17,18,30.]。

然而,研究人员不仅依赖于相互依存建模的时间成本,但也引入了新的预测,例如,许多层,总建筑面积,类型的设施,和类型的客户端。在他们的研究中,一些研究人员强调了风险因素导致成本超支。因此,Le-Hoai et al。4)应用因子分析技术对原因进行分类。排名的原因的发生和严重程度。“可怜的现场管理和监督,可怜的项目管理援助,经济困难的所有者,和承包商财务困难排名第一位的问题。“斯皮尔曼等级相关测试不指出排名的差异主要原因在三组的受访者(业主、承包商和顾问)。

Multiregression分析也应用数学方法。因此,Alshamrani [5)开发了一种multiregression传统和可持续的概念最初的成本估算模型在北美大学建筑。获得的模型可以预测美元/英国《金融时报》的初始成本²在依赖以下预测:一层,建筑面积,层数,可持续发展指数(1 2常规和可持续)和结构类型。

多重回归分析所使用的也是作者(6开发早期的参数模型,即早期的成本估算模型。这项研究是基于数据33 real-constructed公路隧道项目。这是使用多元回归分析得出结论,采用的方法是有效的重型建筑项目。

除了研究回归分析估计的应用建设项目的成本,另一个方向的研究都集中在神经网络的应用获得预期的项目成本。因此,Ahiaga-Dagbui和史密斯1)98年在他们的研究中与水相关的建设项目建于苏格兰在2007 - 2011年期间应用安决定成本估算模型。影响,如施工现场条件下,价格变化,购买,各种可能的风险,和合同变更,考虑在内。

单独的成本模型规范化目标成本和目标成本的日志。变量变换和重量衰变正规化被探索提高最终模型的性能。作为原型的更广泛的研究,最终模型的表现非常令人满意,证明安的捕捉能力预测变量之间的交互和最终成本。十个输入变量,所有现成的或可测量的在项目的计划阶段,使用在一个多层感知器架构和拟牛顿训练算法(1]。

El Sawy et al。31日)指出,成本预测是一个成功的建设项目管理的任务,也就是说,成本管理。成本预测是一项要求的任务。而不是通常的方法,每个人都应该向更复杂的预测方法。在提到研究[31日),研究人员利用ANN方法开发了一个网站的开销成本参数成本估算模型。52个现实生活中的案例的研究建设项目建于埃及七年期间从2002年到2009年。N-Connection专业软件2.0版本被用于神经网络模型的发展。估计的神经网络架构提出了网站管理费用占项目总价格。

当涉及到建筑工地管理费用的问题,值得注意的是比较新的研究从波兰从2019年(16几个原因。作者声称“施工现场管理费用在建设项目成本估算的关键组件。预计估计是准确的,但有一个不断增长的需求,缩短所需的时间交付成本估算。“经过考虑,然后结合几种类型的神经网络,为了选择乐团的成员,作者开发了三个模型要预测一个建筑工地开销成本指数。

这是证明了提出的模型提供更好的成本预测比基于单一神经网络(16]。

神经网络也适用于Petroutsatou,乔治欧普罗斯,Lambropoulos, Pantouvakis [7)对早期成本估算33双隧道全长46公里的希腊。作为第一,作者确定了参数影响临时/最后的支持和隧道施工的最终成本,如几何、地质和数据相关的大量的工作。之后,数据分析使用两种神经网络类型:第一个是多层前馈网络(MLFN),第二个是一个通用回归神经网络(GRNN)。在下一步中,模型结果与实际项目成本和数量。得出开发模型的使用导致相当准确的成本估算和大量的工作道路隧道。也得出结论,一来用户使用成本估算是有益的,因为NNs能力建模非线性数据的关系。

一个非常有趣的人工神经网络(ANN)方法预测建设项目在波兰的间接成本指数应用于研究中32]。定量研究的基础上,72年在波兰建筑工程建设的情况下,“调节因素间接成本和实际成本,企业在项目实施期间”已经确定(15]。

另一个相关的研究是由Juszczyk et al。8)在129年的样本运动场建设项目已经在波兰近年来实现。应用程序的可能性和合理性的神经网络评估运动总建筑成本的领域进行了探讨。作为研究的任务之一是建立一套成本预测,7预测有关的技术和功能特性。分析了数据之后,使用两个神经网络类型:多层感知器(MLP)和径向基函数网络(RBF)。运用皮尔逊相关系数的真实值和预测值之间的建设成本和使用均方根误差(RMSE)作为衡量预测错误,MLP网络建立了令人满意的结果。这证明了成本估算网络的适用性。在下一步中,一群5 MLP网络的分析是执行和结果进行了比较。作为比较标准,皮尔森相关系数之间的实际使用和工程造价预测均方根误差(RMSE)作为衡量预测错误。估计的准确性测试使用平均绝对百分误差(日军)。最好的结果评估都是建立了一个网络。 In conclusion, this type of network can be recommended for estimating the sports field construction costs.

这是可以预料到的,这些相互依赖关系的建模发展将被重定向到模型的准确性和适用性的比较得到使用各种技巧。在这方面,比较模型通过应用不同的回归技术没有神经网络,以及用神经网络,支持向量,案例推理技术,和其他人,已经开发出来。

金等。9)一直在探索三个成本估算模型的性能。530的数据库实现项目成本的韩国住宅使用。3型技术已经申请评估建设成本及其结果进行比较:多元回归分析(MRA),神经网络(NNs)和案例推理(CBR)。模型性能测量的平均绝对误差(梅尔)作为衡量估计和实际建设成本之间的差异。比较结果从40测试数据,最好的梅尔2.97%与48%的估计在0 - 2.5%的实际的错误率在10%和98%。CBR模型给了梅尔的4.81%与43%的估计在10%以内2.5%和83%。尽管这些结果,作者指出缓慢建立神经网络模型的试验和错误的过程。他们指出,需要考虑精度之间的妥协,速度、成本和清晰的解释和选择一个估计模型。从这个意义上讲,CBR被认为是一个更好的模型。未来的研究将创建一个混合模型,结合不同的技术。

另一方面,这项研究是由作者(33),而使用两种类型的成本估算的准确性models-linear建立回归模型和支持向量机(svm)模型。75年建筑的模型应用于数据库建立在波斯尼亚和黑塞哥维那联邦的领土。通常的估计,确定系数R²,平均绝对百分误差(日军)。日军的测量精度,因此一个更好的结果建立了支持向量机也有更好的R²。支持向量机模型的缺点是收敛速度与LR模型。

从前面提到的,可以得出结论的一种技术和评估模型可以被认为是绝对的最好的所有条件和环境建设的这种类型的结构。Olawe和太阳34)和Ahsan谷纳温(35)说,尽管各种控制技术的可用性和项目控制软件,许多建设项目仍然没有实现成本目标。

4所示。成本预测系统(CPS)建设管理信息系统的一部分(bmi指数)

4.1。基本框架

及时满意的成本估算精度是影响项目绩效的关键因素之一,因此代表基本管理信息管理业务系统的最高水平。在这方面,提出了一种成本预测系统(CPS)可能成为综合的系统组件负责提高施工的效率和有效性通过成本计划和预测不同级别的细节,阶段和项目作为一个整体。所有这些系统都集成到构建管理信息系统(bmi指数),如图1。

作为评定程序本身要求的所需知识以及耗时,需要将它们集成到一个信息管理系统,具有必要的历史和其他数据用于这些模型和决策支持系统(DSS)的一部分业务建设和项目系统。马等。36]指出收集大量的信息每天,由于建筑公司的信息系统。作者称之为“可重用遗留信息”并讨论可能使用两种方法,使用通用或专用软件。

反思的未来发展建设通过过去的经验和知识的视角以及新的发展趋势,单独的集成部分发展挑战,因此可能是必要的。带来的解决方案有一个协同潜力能够显著提高操作,功能齐全,经济、管理、建设和质量维度。沃森(37)分类“分散结构”到一个潜在的,固有的建筑行业的问题。伊根(38),在他著名的反思建设,提倡“…使用计算机模型来预测客户的性能。“同一个作者认为的目标之一是“年度削减10%的施工成本和施工时间。”

可以说,计算机建模的力量和潜力,作为一个技术平台,在获得前所未有的发展水平。需要重新审视什么是利用这种潜力的新的可能性。再次,利用应与人的因素有关,也就是说,缺乏准备,参与、组织、和管理能力,也就是说,态度和集成的承诺。伊根(38)指出,“…前进的道路实现现代建筑业的雄心在于承诺。“识别集成可以带来的好处,致力于整合是一个长期的过程,将支撑未来建筑行业的发展。

一个独特的信息管理系统的发展是不可避免的技术支持集成的建设系统的操作。本文的作者提倡开放的模块化,可升级的,灵活的,和自适应的系统通用的形式被广泛适用,与增量适应和升级的可能性取决于当地的需求。在这方面,值得强调的是,multimodel-based管理信息系统开发的概念作为一种“Mefisto”研究项目的结果谢勒和Schapke在他们的论文中提出的39]。概念的多层次模型给出了信息系统,第三个层次是预见建筑经济成本和时间和规范模式。

4.2。CPS本体

时创建了CPS本体的起点,这是以前的结果和后续研究的其他作者和自己的研究成果(1,8,10,18,29日,30.,33,40]。

其本质因素如下:(我)集成不同的模型和成本预测技术。(2)为实现项目的使用历史数据。(3)稳定物价的结果通过两个或两个以上的估计模型。(iv)预见的应用混合模型根据其发展的程度。(v)输出的集成到决策支持系统(DSS)。

虽然提出了CPS本体集成不同的成本预测模型,本文侧重于NNs由于其特定的特征和功能被先前的研究[7,8,10- - - - - -12,33,40,41]。

基于上述,NNs应突出以下好处:(我)自主学习能力的训练过程。(2)知识归纳能力。(3)其他数据集上的预测。(iv)处理速度。(v)大量的变异估计。(vi)适用性的问题很难确定功能的依赖和独立变量之间的依赖。(七)良好的预测能力条件的不安全感和不完整的数据。(八)根据以往的情况下预测等等。

图1显示了CPS本体的基本结构的全面建设管理信息系统(bmi指数)。

尽管神经网络也有缺陷(“黑盒”的决定),它通常可以表示,他们更明显在其他智能技术应用于成本估算。重大贡献的比较“智能技术在建设项目成本估算”是由Elfaki et al。10]作者五类智能相比成本估算技术:机器学习系统(ML)技术——神经网络和支持向量机(SVM),以知识为基础的系统(KBS)技术、专家系统和基于案例推理(CBR),进化系统(ES)作为优化工具,基于主体系统(ABS)模拟操作和交互和评估对系统的影响。混合动力系统(HS)是第五和可能最具挑战性的类别,因为它代表了一组不同的技术。这使得克服每个技术的局限性。

因此,例如,作者列表的缺陷KBS系统“自学习的困难和耗时的规则获取过程中,“而对于泛化上市ES有点困难。

在此基础上,提出了CPS本体结构,包括以下组件:(我)输入数据组件。(2)中央处理器的组件。(3)输出与评价模块。

输入部分由一个历史项目数据的数据库和一个输入参数数据库。这些基础结构是复杂的,根据一些预先确定的标准(例如,按类别和类型的结构或其他违约),以便数据选择可以根据不同的标准。这允许均匀的创建数据库,提供精确的时间估计在处理数据。历史数据库包括构造数据结构、计划和发生成本,和时间的建设,以及成本和期限超支的原因(风险)。它还包括类别和类型的结构,他们的目的,和他们的技术特点,例如,地板的数量,尺寸,表面上看,类型的外观,建设或重建,类型的客户,和类型的合同。

输入参数数据库包含适当的参数估计的输入模型,定义了特征从历史数据库。例如,价格指数数月乃至数年,汇率,参数,确定结构的技术特点(例如,各种类型的外观可以与某些数字编码),参数的目的结构,参数相关风险的类型和类型的客户和合同。

流程集成部分适当使用这些数据的预测软件系统,因此,通过处理,估计成本得到特定结构根据其特点,通过数据处理,更类似和齐次群之前构造的结构决定。在特定的情况下,处理可以通过使用一个(不推荐),两个或更多的模型系统中,评价部分,结果的准确性比较通常使用统计指标(它将日军R²)的一般措施模型的准确性和适用性。从图可以看出2,NNs模块本身集成不同类型的网络(GRNN、延时、多层感知器,RBF NNs,多项式NNs,级联相关神经网络,概率NNs,等等),适用于不同的数据类型,这样,通过处理,最优的结构类型和网络体系结构问题确定齐次数据库上。同质性的基础是通过一系列的参数,不仅结构的类型也由金融投资的价值,类似的技术特点,客户和合同的类型,等等。数据库的同质性积极影响估计的可靠性。如有必要,执行输入数据的标准化。作为一个特定数据库的处理的结果,最优网络类型的指标定义它。结果存储在DSS系统和用于成本估算和未来的商业决策。摘要GRNN网络提出了CPS的NNs模块的一部分。优化数据处理结果将被集成到DSS系统一起选择网络的参数和数据处理体系结构(每层的神经元数,隐藏层的数量,激活函数,参数σ值,迭代的数量,共轭梯度算法,验证方法,和其他)。

未来发展的趋势之一当然应该寻求混合模型的开发和应用,显著的协同解决成本预测问题的潜力,而且其他复杂问题。

选择最准确的结果,连同所有加工模型的相关特性,成为决策支持系统(DSM),结构复杂,成本系统(CS)是不可或缺的一部分,而两者都是更广泛的建筑管理信息系统的一部分(bmi指数)。不管模块和技术的选择,很明显,这样的综合成本预测系统提供了一个强大的工具来快速多元数据处理和评价结果,节省时间比传统未整合的部分和耗时的过程。这是一个强有力的理由申请这样一个系统,系统支持业务决策。

5。通过使用基于流程和数据驱动的模型预测建设成本

5.1。方法

第一阶段的调查,调查收集数据的估计和实际建设成本结构,施工时间(预计和实际),建筑,结构类型(目的),施工现场区域,技术特点的结构,和其他数据(例如,对风险因素),而不是与本研究相关。调查问卷收集的数据,由于数据的敏感性,在面对面的采访项目参与者(投资者、承包商、设计师和建筑测量师)。调查访问了一百一十六结构构造的北马其顿和克罗地亚共和国共和国在过去的二十年。下面将更详细地描述的数据库。在下一阶段的调查,构建结构的历史数据是用于开发建设成本预测模型的过程。

为了预测建筑准确的价格,两种方法的组合(模型):基于流程的方法和数据驱动方法。基于过程的模型和数据驱动的主要区别(统计)模型是基于流程的模型是基于假定知识的实际过程。基于过程的模型使用的法律被认为是物理过程,这样他们的结果有广泛的适用性。开发一个基于过程的模型,一个很好的理解过程是必需的,准确的和广泛的数据为了获得法律(数学公式)分析法(32]。

数据驱动的(统计)模型只是基于观察数据间的关系,不承担法律知识的输入和输出变量之间在实际过程;他们只使用输入和输出变量的实际值,只需要良好的选择相关的独立变量和一个适当的输出(依赖)变量将描述这一过程。

当基于过程模型的参数的估计很难得到,当他们不准确,或者当发展的基于流程的数据模型不可用,那么可以使用数据驱动模型(32]。在土木工程,数据驱动的模型成为流行,因为增加的建筑行业中数据的可用性。最大使用可用的数据,提取有用的关系和结论从现有的数据集。

5.2。基于过程的模型

本文基于过程的模型用于预测工程造价是米洛的著名的“时间成本”模型(28),提供施工时间和施工价格之间的关系(方程(1))。 在哪里一个是合同,B合同价格,P是模型参数显示施工所需的平均时间的货币价值,然后呢问是显示时间的参数依赖成本变化(28]。

方程(1)本文用于收缩时间的关系和合同价格和实际时间和实际价格,因为这些数据在输入数据: 在哪里一个₁和B₁分别感染时间和简约的建筑成本,然后呢一个₂和B₂分别是真实的时间和实际建设成本。

为了获得简单方程的建模、方程(2)和(3)将查对数:

通过总结方程(4)和(5),(6)得到:

从方程(6)的依赖B₂(实际成本)一个₁,一个₂,B₁可以得到:

由于方程(7),作为人工神经网络的输入数据使用本文实际价格的实际值,实时,简约的价格,和收缩时间不习惯,但对数的值。

5.3。数据驱动模型

本文使用的数据驱动的模型是人工神经网络(ANN),更具体地说,一般回归神经网络(GRNN),这将在下面描述。

在过去的二十年里,人工神经网络(ann)的对土木工程的兴趣,因为他们已经证明了很好并且经常非常准确解决各种复杂的非线性计算问题的许多分支土木工程(40,42]。ann经验建模方法和通用的预测被训练使用的一组全面的例子问题,正在解决,和目标的解决方案。灵感来自生物神经系统,他们从经验中学习,也就是说,从许多输入模式及其相应的输出。安的成功主要取决于应用程序选择适当的类型和结构的神经网络对解决问题和数据用于训练的质量安。

对于不同类型的数据,不同类型的安或将合适的建模方法。几种类型的建模方法应该总是为了选择一个测试将给出最准确的结果。在这个研究中,多层感知器(MLP)、径向基函数(RBF)和通用回归神经网络(GRNN)进行了测试并使用GRNN得到最准确的预测。

5.4。广义回归神经网络(GRNN)

GRNN神经网络是一种具有高度并行结构,提供了数值估计变量和收敛于一个线性或非线性回归表面。这种神经网络可以用于任何非线性回归问题,预测,映射,和建模,或作为一个控制器43]。

GRNN只需要一些训练样本,以收敛于数据的基本功能,这使得神经网络是非常有用的工具,应用在实践中,特别是对稀疏数据。

GRNN非常类似于RBF(径向基函数神经网络)与许多节点,与著名的MLP神经网络相比(多层感知器神经网络),这是更快的训练和在许多情况下更准确,但它是低于MLP分类的新病例和需要更多的内存空间来存储模型。

基本的回归方程,从统计理论

E [y /X的条件期望y对于给定X和 是联合概率密度函数(jpdf)向量X和标量y。当这个函数 不知道,它被估计的任何Parzen估计(44通过一组有限的观测X和y和高斯核43]: 在哪里p输入向量的维数吗Xn是训练样本的数量,是平滑参数,X的输入向量y应该估计,X^我i训练样本,和Y^我适当的测量值吗y。

集成在y在方程(8)可以通过替换计算方程(9在方程()8),获得的估计Y在方程(10)[45]。

GRNN的体系结构如图3(46]。有相同数量的神经元在输入层神经元作为预测变量和输入提要的值在隐藏层神经元的输入变量。每个神经元隐层包含数据的每一行从训练集(case),也就是说,所有预测的值和目标值的情况。隐藏层的欧氏距离计算神经元的中心的测试用例和应用RBF核函数。结果值是美联储到下一个模式层。模式层神经元只有两个:分子求和单元为每个隐藏神经元增加重量值乘以目标变量的实际值和分母求和单元加起来的重量值从隐藏的神经元。分子求和单元中的值除以分母值求和单元层的决定。

在下一节中,预测的结果是。

5.5。数据库

数据库包括116结构数据,建立在北马其顿共和国境内,总共75,41建立在克罗地亚共和国的领土在过去的二十年。数据库由51建筑数据、53个建筑结构、12人(如加油站、多层停车场,电力变电站,建筑物和存储)。建议未来的研究,均化基地获得更准确的结果。在这个研究中,重点是数据库中的病例数和多个模型的分析和比较强调混合模型的评价。

6。结果

建模和预测的数据实际施工价格,一般回归神经网络(GRNN)的预测建模软件产生为(46,47使用了)。标准模型的估计,平均绝对百分比误差(日军),和确定系数R²它反映了模型的整体配合日军= 0.73%,R²= 99.55%。之间的相关系数目标变量的实际值和预测值为0.998(表1验证数据)。

可用的数据用于建模的目的,计划(合同)的价格,实际价格达到,简约和实际施工时间。

米洛时间成本模型用于选择目标和预测的输入值。根据前一节中的讨论,ln(实际价格)作为目标变量,和ln(实时)、ln(简约),ln(合同价格),和设施的目的是作为预测因子。初始输入可用知识目标变量的值和预测116年建造的结构。

所有数值变量(预测和目标),产生为获得最小,最大,平均值和标准偏差(表2)。

为验证模型的产生为提供了4个选项:(1)随机的百分比行伸出当模型是模型的建立后,通过模型运行的行数和错误评估。(2)控制变量是用来选择选择哪些行举行测试。(3)交叉验证选择数量的折叠。(4)交叉验证与一行每个构建的模型。

在表1培训和验证数据,结果给出使用10倍交叉验证方法。

产生为计算各因素的相对重要性的质量模型,使用敏感分析。表3显示了这个重要的精度3位小数。显示的值是百分比值的重要性每个预测模型预测目标变量(实际成本)。

可以看出,最重要的预测预测实际价格是计划(合同)施工价格。

图4显示了图的依赖预测目标值(ln(实际成本、欧元))和最重要的预测(ln(计划成本,欧元))。

图5显示了图的依赖目标变量的实际值和预测值。

讨论结果集成到决策支持系统的建议。

在选择GRNN模型预测,其他两个预测模型进行了测试:多层感知器(MLP)和径向基函数(RBF)神经网络。

因为目标变量和预测之间的关系是无法提前知道,几个模型必须被测试为了选择最好的一个实际的数据提供最高的精度。

表4介绍了比较这三种预测模型的精度进行了测试,使用米洛“时间成本”模式,所有3预测模型的结果进行验证数据(GRNN、MLP神经网络和RBF神经网络)。

有必要指出,使用米洛“时间成本”模型大大提高了这三个模型的预测精度。

不使用米洛模型,利用数值变量的实际值,收缩时间,成本和实时,以及目标(实际成本),日军GRNN模型是超过100%,因为目标变量的值之间存在较大的差异。图6显示输入数据的一部分,用于GRNN的培训。

在实践中,混合模型演示了在很多情况下更好的结果比应用只是其中之一。李等人。48)提出了一个混合叫做GRNNFA ANN(人工神经网络),这是一个相结合的模糊自适应共振理论模型(FA)和广义回归神经网络(GRNN)模型,为噪声数据的分类。该模型消除了噪声嵌入到训练数据和保留最好的两种单一模型的特点,快速培训,良好的学习和网络增量增长结构。该混合模型的性能,相比其他发表的结果,提出了更好的结果。预测的精度是96.11%左右。

为了解决大规模数据的问题,王et al。49]提出了TSE-GRNNs(树状结构合奏一般回归神经网络)模型。首先,小规模样本子集构造使用回归树算法。建在这些之后,GRNN的子样本子集,紧随其后的是TSE-GRNNs方法建立预测模型的应用。实验表明良好的预测结果。

其他作者也用ANN预测建设成本。

作者在50公寓项目]使用ANN预测工程造价在越南和获得模型的准确性与日军约10%。他们比较了ANN模型多元线性回归(高)模型和遗传算法(GA)模型,获得了最好的精度与安。

作者Juszczyk [13)使用几种类型的延时模型的成本估算建筑工程(住宅)。平均平均百分误差(日军)验证数据5 MLP神经网络从约7%至13%。

是非常重要的,模型的精度主要取决于选择的选择适当的预测目标变量和选择适当的安或其他回归模型。

作者在14)提出了数据驱动的球形储罐项目的成本估算方法,基于人工神经网络的应用和杂化回归模型与遗传算法(GA),不使用人工神经网络。这些模型中使用的变量是厚度,油罐直径和焊缝的长度。他们用两种类型的NNs(多层感知器):Levenberg-Marquardt算法(LMNN)和贝叶斯监管(BRNN)。结果表明,人工神经网络的表现比杂化不使用人工神经网络回归模型。LMNN显示比BRNN更好的估计。实际数据之间的相关性和预测价值超过90%,均方误差是0.4左右。作者的未来的工作重点是这个模型之间的比较,另一个安杂化metaheuristic如GA,蜜蜂算法,蚁群算法,或人工蜂群算法。

作者Badawy [51)提出了混合模型估计成本的住宅在埃及。使用了真实的数据从174年真正的住宅项目。该模型由ANN模型和多元线性回归模型。日军的混合模型是10.64%不到其他混合模型开发的研究。分析表明,最重要的因素在成本预测的数量地板和地板的面积。

与DSS系统,GRNN模型的参数可以存储在CPS:最小和最大σ值,验证方法(10倍交叉验证),核函数的类型,然后GRNN的参数优化算法的迭代次数和绝对和相对收敛公差)。此外,另一个推荐之前开发模型的预测模型从CPS系统是验证数据如果输入数据的值有显著差异。如果是这种情况,那么标准化的数据可以在发展预测模型。同时,作者认为,在不久的将来可以开发软件可以选择,每一个从CPS系统预测模型,选择最适合的实际数据。

7所示。结论

由于复杂的建筑施工领域的成本估算问题,缺乏数据的不确定性,和风险,特别是在项目的初始阶段,成本预测的模型系统(CPS)作为全面建设管理信息系统的一部分。一方面,CPS使用历史数据实现项目和一个数据库上适当的参数,另一方面,一些成本预测模型是基于智能预测技术。这些技术已经在解决建筑行业的各种问题。提出了CPS本体表示基本组件。NNs指出,尤其合适。详细的原因解释。分析了成本估算与一个具体的数据库使用混合模型是基于流程的米洛的组合模型和数据驱动的GRNN网络使用产生为软件。准确性与日军得到0.73%,系数的决心R²99.5%,相关系数为0.998。结果与使用其他预后模型获得的结果与人工神经网络,通过应用相同的软件。提出了处理在该模型通过CPS系统组件和存储的数据将被使用。处理结果存储在系统和用于未来的处理。处理结果存储在决策支持系统和用于未来的成本估计和决策。部分使用软件的分析和比较与那些包含在成本预测系统显示显著节省时间和增加的质量评估在后者的情况下。

因此,作者发现该模型作为一个有用的工具为所有参与者在早期的建设项目成本预测,当众多因素,确定成本,是未知的。

最后,作者认为,研究成果,特别是基于流程和数据驱动的模型组合的经验,以及提出了CPS模型对决策的支持有助于身体的知识领域的成本预测建设项目。

提出了成本预测系统的开发应该是未来研究的主题。特别强调在未来的研究应该放在混合模型的开发。这个概念可以应用更广泛,也可以覆盖的问题,预测建设项目在早期阶段的持续时间。

数据可用性

作者声明数据支持结果报告摘要中可以找到作者的数据库。数据要求(联系人:西尔瓦娜Petruseva,电子邮件:silvana@gf.ukim.edu.mk)。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作在一定程度上支持大学的里耶卡项目下uniri - tehnic 18 - 125。

引用

1. d . Ahiaga-Dagbui和美国史密斯,”神经网络建模的最终目标成本水项目,”诉讼28日ARCOM年会,页307 - 316年,协会的研究人员在施工管理中,爱丁堡,英国,2012年9月。视图:谷歌学术搜索
2. 诉Žujo、d . Car-Pušić和a . Brkan-Vejzović”承包价格泛滥承包施工时间溢出功能,“Tehnički Vjesnik: Znanstveno-StručniČasopis Tehničkih Fakulteta Sveučilišta U Osijeku,17卷,不。1,23-29,2010页。视图:谷歌学术搜索
3. b . Flyvbjerg m . s .福尔摩斯,s . Buhl”低估了成本在公共工程项目:错误或撒谎?”美国规划协会杂志》上,卷68,不。3、279 - 295年,2002页。视图:出版商的网站|谷歌学术搜索
4. l . Le-Hoai y·d·李,j . y .李“延迟和成本超支在越南大型建筑项目:比较与其他选择的国家,”KSCE土木工程杂志》上,12卷,不。6,367 - 377年,2008页。视图:出版商的网站|谷歌学术搜索
5. o . s . Alshamrani”,为传统的和可持续的学院建筑工程造价预测模型在北美,”Taibah大学科学杂志》上,11卷,不。2、315 - 323年,2017页。视图:出版商的网站|谷歌学术搜索
6. c . Petroutsatou s Lambropoulos, j。Pantouvakis”,公路隧道早期使用多元回归分析成本估算,“运筹学》第六卷,没有。3、311 - 322年,2006页。视图:出版商的网站|谷歌学术搜索
7. 乔治欧普罗斯k . Petroutsatou大肠、美国Lambropoulos和j.p. Pantouvakis,“早期的公路隧道建设成本估算使用神经网络,”建筑工程与管理》杂志上,卷138,不。6、2012。视图:出版商的网站|谷歌学术搜索
8. 到达Zima m . Juszczyk a Leśniak, k .大门,“基于ANN方法估计运动领域的建设成本,”复杂性卷,2018篇文章ID 7952434, 11页,2018年。视图:出版商的网站|谷歌学术搜索
9. G.-H。金,工程学系。一个,K.-I。康”,比较基于回归分析的工程造价估算模型,神经网络,和案例推理,”建筑与环境,39卷,不。10日,1235 - 1242年,2004页。视图:出版商的网站|谷歌学术搜索
10. a . o . Elfaki s Alatawi, e . Abushandi”使用智能技术在施工项目成本估算:10年调查,“Hindawi出版公司土木工程的发展ID 107926条,卷。2014年,11页,2014年。视图:出版商的网站|谷歌学术搜索
11. t·p·威廉姆斯,“预测项目完工成本使用投标数据,”施工管理和经济学,20卷,不。3、225 - 235年,2002页。视图:出版商的网站|谷歌学术搜索
12. c·g·威尔莫特和梅,“神经网络建模的公路建设成本,”建筑工程与管理》杂志上,卷131,不。7,765 - 771年,2005页。视图:出版商的网站|谷歌学术搜索
13. m . Juszczyk”建设的非参数成本估算的挑战与人工智能工具的使用,“Procedia工程,Primosten,克罗地亚,196卷,第422 - 415页,2017年,http://www.sciencedirect.com。视图:谷歌学术搜索
14. 诉Arabzadeh, s t . a . Niaki诉Arabzadeh,“球形储罐的施工成本估算:人工神经网络和混合regression-GA算法,”工业工程国际杂志》上,14卷,不。4、747 - 756年,2018页。视图:出版商的网站|谷歌学术搜索
15. a . Lesniak“人工神经网络的应用在间接成本估算,“航会议论文集,美国物理研究所,卷1558,不。1,第1315 - 1312页,2013。视图:出版商的网站|谷歌学术搜索
16. m . Juszczyk和a . Leśniak”造型施工现场成本指数基于神经网络乐团,“对称,11卷,不。3,p。411年,2019年。视图:出版商的网站|谷歌学术搜索
17. l . Le-Hoai y·d·李,“在韩国建筑施工项目的时间成本的关系,”设施,27卷,不。13 - 14日,第559 - 549页,2009年。视图:谷歌学术搜索
18. d . Car-Pušić和m . Radujković”建设在克罗地亚,时间成本模型”国际期刊工程造型,22卷,不。1 - 4、63 - 70年,2009页。视图:谷歌学术搜索
19. d . Baloi d·f·安德鲁,“价格造型全球风险性能影响工程造价的因素,”国际项目管理杂志》上,21卷,不。4、261 - 267年,2002页。视图:谷歌学术搜索
20. p·莫里斯和g的脚腕,重大项目的解剖学美国新泽西州霍博肯市约翰·威利,1987年。
21. 世界银行可持续发展部门金融、经济学和城市部门。2010可以从互联网:http://elibrary.worldbank.org/doi/pdf/10.1596/1813 - 9450 - 5247。
22. c .太阳和j .徐”,时间估计在中国汶川地震重建,”建筑工程与管理》杂志上,卷137,不。3、179 - 187年,2011页。视图:出版商的网站|谷歌学术搜索
23. r . Nikić”、“Upravljanje rizicima kod građevinskih projekata zemlje u tranziciji”,(建设项目风险管理在一个过渡的国家),“Građevinski fakultet, Sveučilište u Zagrebu,土木工程学院,萨格勒布,克罗地亚萨格勒布大学1998年硕士论文。视图:谷歌学术搜索
24. r . m . Skitmor和s . t . Ng,”澳大利亚项目时间成本分析:统计分析的跨时期的趋势,”施工管理和经济学,9卷,不。5,455 - 458年,2001页。视图:谷歌学术搜索
25. m . Radujković”Upravljanje rizikom我resursima kod građevinskih projekata, znanstveno istraživački项目,“MZITRH (Ministarstvo Znanosti我Tehnologije Republike Hrvatske),Građevinski Fakultet Sveučilište U Zagrebu,土木工程学院,萨格勒布大学在克罗地亚的萨格勒布,克罗地亚,1999年。视图:谷歌学术搜索
26. 诉Žujo”、“Doprinos upravljanju građevinskim projektima kroz planiranje vremena”(施工时间计划施工项目管理的贡献),“Građevinski fakultet, Univerzitet”Džemal Bijedić”,莫斯塔尔,波斯尼亚,2019,博士论文。视图:谷歌学术搜索
27. d . Mačkova和r . Baškova适用性的米洛´s住宅项目在斯洛伐克,时间成本模型”选择科学Papers-Journal土木工程,9卷,不。2,5 - 12,2014页。视图:谷歌学术搜索
28. f·j·米洛,“合同时间性能的期望和现实,”建筑论坛,1卷,不。3、70 - 80年,1969页。视图:谷歌学术搜索
29. 诉Žujo, d . Car-Pušić诉Žileska Pancovska,和m .Ćećez”时间和成本相互依存在供水系统建设项目,“技术和经济发展的经济,21卷,页1 - 2015。视图:谷歌学术搜索
30. 他w .胡锦涛和x,“创新型time-cost-quality权衡建模基于资源配置的建筑项目,“科学世界日报文章ID 673248卷,2014年,10页,2014。视图:出版商的网站|谷歌学术搜索
31. ElSawy, h·Hosny, m·阿卜杜勒拉扎克谈话”的神经网络模型建设项目网站的开销成本估算在埃及,”IJCSI国际计算机科学杂志》上的问题,8卷,不。3,2011。视图:谷歌学术搜索
32. m·s·吉布斯n·m·摩根,h·r·迈尔et al .,“调查氯衰减和水分布参数之间的关系用数据驱动的方法,”数学和计算机模拟,44卷,不。5 - 6,485 - 498年,2006页。视图:出版商的网站|谷歌学术搜索
33. s . Petruševa诉Zileska-Pancovska、诉Žujo和a . Brkan-Vejzović”建设成本预测:比较线性回归和支持vectore机模型的准确性,“Tehnički Vjesnik,24卷,不。5,1431 - 1438年,2017页。视图:谷歌学术搜索
34. y . a . Olawale和m .太阳”建设项目的成本和时间控制:抑制因子和减轻影响的措施在实践中,“施工管理和经济学,28卷,不。5,509 - 526年,2010页。视图:出版商的网站|谷歌学术搜索
35. k . Ahsan和i谷纳温”,分析国际发展项目的成本和进度,“国际项目管理杂志》上,28卷,不。1,第78 - 68页,2010。视图:出版商的网站|谷歌学术搜索
36. z马、陆n和s .吴”为建筑企业信息资源的识别和表示,“先进的工程信息,25卷,不。4、612 - 624年,2011页。视图:出版商的网站|谷歌学术搜索
37. 答:华生,”数字buildings-challenges和机会。”先进的工程信息,25卷,不。4、573 - 581年,2011页。视图:出版商的网站|谷歌学术搜索
38. j·伊根,“重新思考建筑”,建设工作组的报告英国HMSO里士满,弗吉尼亚州1998。视图:谷歌学术搜索
39. r·j·谢勒和s e . Schapke分布式multi-model-based仿真和决策管理信息系统建设项目,“先进的工程信息,25卷,不。4、582 - 599年,2001页。视图:谷歌学术搜索
40. s . Petruseva“神经网络及其在土木工程中的应用。Isothreshold自适应网络(IAN)。”科学土木工程学报,(SJCE),卷2,不。I1, 2013年。视图:谷歌学术搜索
41. a . Alqahtani a·怀特:“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),“建筑经济学和建筑,13卷,不。3,51 - 64,2013页。视图:出版商的网站|谷歌学术搜索
42. 对下一代的洪水,”土木工程的人工神经网络,”先进的工程信息,22卷,不。1,学报》第4 - 14页,2008。视图:出版商的网站|谷歌学术搜索
43. d . f . Specht“一般回归神经网络,”IEEE神经网络,卷2,不。6,568 - 576年,1991页。视图:出版商的网站|谷歌学术搜索
44. e . Parzen”估计概率密度函数和模式,“数理统计年鉴中,33卷,不。3、1065 - 1076年,1962页。视图:出版商的网站|谷歌学术搜索
45. d . f . Specht“GRNN双聚类”国际神经网络联合会议学报》上温哥华,加拿大,2006年7月。视图:谷歌学术搜索
46. p .谢罗德(2013)。产生为预测建模软件,教程。从检索http://www.dtreg.com,2016年6月7日访问。
47. p .谢罗德(2013 b)。预测建模软件。从检索http://www.dtreg.com,2016年6月7日访问。
48. e·w·m·李,y y李,c·p·Lim和c . y .唐”应用程序的一个嘈杂的数据分类技术来确定舱火灾的发生闪络,“先进的工程信息,20卷,不。2、213 - 222年,2006页。视图:出版商的网站|谷歌学术搜索
49. 毛m x Wang, z, p .元,“树结构合奏一般回归神经网络应用于预测钢包炉的钢水温度,“先进的工程信息,30卷,不。3、368 - 375年,2016页。视图:出版商的网站|谷歌学术搜索
50. 诉t Luu郑胜耀金,“公寓项目的工程造价预测神经网络模型在越南,”韩国建设工程和管理杂志》上,10卷,不。10日,139 - 147年,2009页。视图:谷歌学术搜索
51. m . Badawy“混合方法的成本估计在埃及居住建筑在早期阶段,“亚洲土木工程杂志》上,21卷,不。5,763 - 774年,2020页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年戴安娜Car-Pusic 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。