基于灰关联的PSO-BP神经网络的高层住宅造价估算

针对高层住宅工程造价管理的难点及传统造价估算方法存在的不足,采用灰关联分析与粒子群优化的 BP 神经网络相结合的方法,以高层住宅工程特征指标为网络的输入向量,达到快速、准确地估算高层住宅工程造价的目标。借助文献回顾法与灰关联分析法系统地确定工程特征指标体系并作为神经网络的输入向量;引入 PSO 算法优化 BP 网络的权值及阈值,解决网络收敛速度慢、易陷入局部极小值等缺点。并通过实例验证构建的模型,提高了前期决策阶段造价估算的精确度,实现了快速估算     

基于BP神经网络的住宅项目工程造价估算模型研究

给出了用BP神经网络技术建立住宅项目工程造价估算模型的基本思想和具体实现方法,采用MATLAB软件编程实现了住宅项目工程造价估算模型的算法,用实例工程样本数据对建立的BP神经网络模型进行了训练和结果检验,证实了模型可以满足实际工程要求,能够较为准确地估算出住宅项目工程造价。     

用BP神经网络估算工程造价的研究

本文根据神经网络和工程造价估算的特点 ,提出了采用BP神经网络进行工程造价估算 ,并以住宅建筑模型为例进行了验证 ,证明了该方法能够准确、快速估算工程造价。     

谈谈建筑工程造价管理

随着建筑市场的不断发展,合理地控制建筑工程造价,使有限的资金更加合理地运用到建筑工程当中,就要以工程规划设计为源头,并在工程施工的各阶段对建筑工程造价进行控制。众所周知,工程造价受多方面因素影响,其构成比较复杂,然而一个有丰富经验的造价师,根据工程类型、特征及其相关情况,参照以往经验和工程数据资料,就能大致估算出其造价,而无需进行大量繁杂计算,而且经验越丰富,资料积累越多,估算的造价就越准确模仿这种大脑思维模式,正是人工神经网络所擅长的。本文作结合实例从预（决）算编制方而入手,叙述信息技术对工程造价管理产生的巨大影响,建立了建筑工程造价资料快速估算的BP神经网络模型用已建典型工程资料对BP神经网络进行训练．实现工程造价责料的快速估算。     

BP神经网络在工程造价估算中的应用

建设项目工程造价估算对发包人和承包人进行决策具有至关重要的作用,运用BP神经网络理论,结合实例给出了用于建设项目工程造价估算的BP神经网络模型,仿真实验表明,采用该模型的估算结果是令人满意的。     

基于BP神经网络的市政排水工程造价估算

在综合分析市政排水工程特征的基础上,构建了基于BP神经网络市政排水工程造价估算指标体系和工程造价估算模型,并设计了基于Matlab神经网络工具箱函数的算法程序,用该模型对样本集进行了学习训练和仿真测试,结果表明该网络模型具有较好的泛化能力,能够较准确地估算工程造价.     

人工神经网络在工程造价估算中的应用

本文利用BP神经网络建立工程造价的估算模型,并根据实测数据对工程造价进行估算,对工程造价的估算模型进行验证。     

神经网络在工程造价和主要工程量快速估算中的应用研究

采用动量法和学习自适应调整策略改正的BP神经网络建立了工程造价和主要工程量估算数学模型。针对以往估算模型精度不高的原因,模型中增加了工程造价指数和工程硬、软件环境对工程造价的影响。采用m atlab6.1计算软件,以深圳市已完典型工程资料为例,验证了该模型的正确性及实用性。     

基于 BAS-SCA-BP 模型的高校建筑工程项目投资估算研究

针对标准BP 神经网络建筑工程项目投资估算模型收敛速度慢、预测精度低的问题,提出融合改进天牛须和正余弦双重优化算法（BAS-SCA）优化BP 神经网络的建筑工程项目投资估算模型。以某市高校建筑工程项目为研究对象,分析相关文献并结合显著性理论初步选择工程造价影响因子,利用粗糙集属性约简算法筛选出关键因素;基于此,通过构建基于BAS-SCA-BP 的神经网络估算模型实现快速、准确的建筑工程投资估算。研究结果表明:基于BAS-SCA-BP 的估算模型较标准BP 神经网络估算模型的估算精度有了大幅提高,与其他智能算法改进的BP 神经网络估算模型的性能相比较,该模型在稳定性和预测精度方面表现更佳。     

基于BP神经网络的民用建筑工程造价估算方法研究

分析影响民用建筑工程造价的主要因素并提取相应的工程特征指标;采用系统聚类的方法,选择待估算工程的有效样本类,确定最佳样本数量。将上述提取的工程特征值作为输入值,以工程造价作为输出值,建立建筑工程造价的BP神经网络估算模型。最后通过实例验证,预测精度符合决策阶段的要求,证明该模型确实可行。     

基于遗传神经网络的公路工程造价估算分析

从影响公路造价的影响因素中提取特征因子为参数,用历史数据为依据,用遗传神经网络建立了公路造价快速估测模型,最后用实例验证了遗传神经网络模型在公路工程造价估测中的优良效果。     

基于 SVR 的工程建设项目快速投资估算方法研究

在建设项目前期,如何快速而准确地估算工程项目的造价,对项目的投资决策具有很大的意义。针对传统造价估算 方法的不足之处,采用 SPSS 统计分析软件进行工程造价指标的相关性分析及指标体系选取,将之作为输入变量,使用真实 案例训练集样本训练 SVR 模型并进行仿真模拟预测。为了验证提出的 SVR 模型的有效性,引入 BP 人工神经网络来进行预 测结果的对比验证。结果表明,SVR 模型得到的预测值平均绝对百分比误差约为 5%,拟合优度 R2高达 0.97,远小于 BPNN 模型的预测误差 14%,即提出的 SVR 估算模型要比 BP 人工神经网络预测模型具有更良好的泛化能力,预测精度更高,因 此其在工程项目前期投资估算实践中具有一定的现实意义。     

造价估测方法的研究和BP神经网络模型的应用

比较分析了现行的造价估测模型的特点及其存在的问题,突出BP神经网络模型进行造价估测的理论优势,引入工程分类思想,以学校类建筑为例,建立了BP神经网络估测模型并进行了造价估测.     

Construction equipment productivity estimation using artificial neural network model

Estimating equipment production rates is both an art and a science. An accurate prediction of the productivity of earthmoving equipment is critical for accurate construction planning and project control. Owing to the unique work requirements and changeable environment of each construction project, the influences of job and management factors on operation productivity are often very complex. Hence, construction productivity estimation, even for an operation with well‐known equipment and work methods, can be challenging. This study develops and compares two methods for estimating construction productivity of dozer operations (the transformed regression analysis, and a non‐linear analysis using neural network model). It is the hypothesis of this study that the proposed neural networks model may improve productivity estimation models because of the neural network's inherent ability to capture non‐linearity and the complexity of the changeable environment of each construction project. The comparison of results suggests that the non‐linear artificial neural network (ANN) has the potential to improve the equipment productivity estimation model.     

铁路桥梁混凝土工程造价大数据计算模型优化设计

基于大数据分析,对铁路桥梁混凝土工程造价计算模型的优化进行了研究。通过分析BP神经网络模型原理,发现该模型多输入多输出因素的非线性网络关系处理能力与本工程造价计算的非线性映射关系相吻合。利用计算机软件MATLAB中的BP神经网络工具箱进行搜索和查询,对于所采集得到的混凝土工程样本数据进行学习训练,把各项模型模拟数据结果和实际得到的样品数据结果进行比较分析,本研究构建的BP神经网络工程造价计算模型的误差率为3.29%,可满足铁路桥梁混凝土工程造价计算的精度要求。     

Predicting completed project cost using bidding data

Neural network and regression models have been developed to predict the completed cost of competitively bid highway projects constructed by the New Jersey Department of Transportation. Bid information was studied for inclusion as inputs to the models. Data studied included the low bid, median bid, standard devi9 ation of the bids, expected project duration and the number of bids. A natural log transformation of the data was found to improve the linear relationship between the low bid and completed cost. The stepwise regression procedure was applied, and yielded the best performing predictive model. This regression model used only the natural log of the low bid as independent variable to predict the natural log of the completed cost. Radial basis neural networks were also constructed to predict the final cost. The best performing regres4 sion model produced superior predictions to the best performing neural network model. Hybrid models that used a regression model prediction as an input to a neural network were also studied and were found to also produce reasonable predictions. The calculated models produced good predictions of the completed project cost, but were found to be deficient in predicting very large cost increases. Simple models using the natural log of the low bid as input produced the best results. From the analysis it may be concluded that additional information about the variability of the bids submitted does not provide useful information for predicting the final project outcome.     

人工神经网络在建筑工程项目管理中的应用

简要介绍人工神经网络的基本原理,综述了人工神经网络在建筑工程项目管理的造价预测、项目管理绩效评价、招投标等方面的应用及ANN在该领域应用中存在的不足之处,并对人工神经网络在建筑工程项目管理中的应用提出了建议。