邓廷林
摘要：随着我国社会经济的不断发展，建筑行业作为我国国民经济中重要的组成部分，在建筑规模不断扩大的背景下，提升了我国经济的综合实力。近年来，科学技术不断发展，人们对建筑工程整体质量与性能的要求越来越高，给建筑行业带来了新的挑战。面对日渐激烈的市场竞争力，建筑企业若想在市场中占有一席之地，就必须严格控制建筑工程的成本，对工程造价进行科学高效的管理，从而在保证建筑工程施工质量的同时，提升企业自身的竞争力。在建筑工程建设过程中，实际造价的动态预知是其中一项非常重要的工作，对建筑工程施工质量、施工进度以及建筑企业实现最大化经济效益有着不可或缺的作用。本文就对建筑工程实际造价预知模型及其模型结构进行了分析，并研究了建筑工程实际造价动态预知的实际应用，从而提高建筑工程的整体质量，促进企业实现经济效益和社会效益最大化。
关键词：建筑工程 实际造价动态预知 BP神经网络
0 引言
近年来，在社会经济发展的推动和我国人口数量剧增的背景下，我国建筑事业发展速度明显加快，一座座不同类型的建筑拔地而起，在促进我国综合实力的同时，也提高了人们的工作生活环境。随着科学技术的不断发展，我国建筑事业自身技术能力也得到了较大的提高，但是在建筑工程建设全过程中，影响建筑工程整体结构与质量的因素较多，工程造价就是其中一个重要的方面。在我国建筑行业工程造价中，静态预知与动态预知又组成了工程造价控制的主要内容。动态预知往往是基于静态预知上的，主要是按照国家相关政策内容，结合当前市场经济的具体发展方向，对与建筑工程建设全过程涉及到的价格进行合理的调整及预知。对建筑工程造价进行动态预知，能帮助企业向社会定期或者不定期发布建筑工程经济指标及其造价指数，不仅利用相关部门对其进行监督，还能为其他建筑施工提供可靠的依据。
1 建筑工程实际造价预知模型建立
在目前我国建筑工程中，工程造价对减少成本投入，提高建筑施工企业市场竞争力具有重要的作用。实际造价预知作为工程造价重要的一个内容，能提高建筑施工企业对工程造价的控制力度，实现企业经济效益和社会效益最大化。若想对建筑工程造价进行实际预知，动态预知是关键。动态预知必须在相关的平台上收集具体建筑工程项目的进度信息以及工程的造价信息，采用科学的评估法，对施工环境和施工材料的市场价格变化情况进行研究，分析出两者对实际造价预知的影响。另一方面，必须注意建筑工程施工设备、技术的投入情况以及施工人员对工程造价的影响。然后结合建筑工程施工企业历史造价的相关信息，建立以BP神经网络为基础的预知模型，并保证其科学性、合理性和可行性。在预知未来工程造价时，需要在预知结果的基础上，对可能遇到的、潜在的造价控制问题进行分析预知，找到问题及时进行预防和处理，避免因小细节给工程带来质量问题，影响企业的健康发展。
建筑工程施工过程中，相关管理部门需要在合同的起草、商议以及签订、实行上对工程造价进行有效的预知。通过统筹论证分析工程造价控制，保证建筑工程的实际造价始终处于可控状态。同时，根据上交的工程造价控制表和报告表，科学合理的分析工程造价控制的结果以及决策。以建筑工程施工企业历史的造价数据信息为基础，运用BP神经网络模型对实际造价的资金发展以及变化情况进行分析预知。然后比较造价预知的数据与造价计划，确定建筑工程施工的计划值，并对施工中可能会出现的问题进行分析，有针对性的采取改进措施，确保建筑工程实际造价预知结果更加真实、可靠以及准确。
2 建筑工程实际造价动态预知模型的结构
2.1 设计建筑工程BP神经网络的结构 建筑工程BP神经网络结构设计就是对神经结构层数以及每层神经元的具体个数进行确定。一般情况下，BP神经网络只存在于一个输入层和与之相对应的输出层。那幺决定建筑工程BP神经网络结构输入层神经元个数的重要因素就是建筑工程实际造价的因素。比如在对建筑工程的管线施工时，可以将气候条件、地质地形、单位造价以及管理水平等作为BP神经网络中输入层中4个神经元，并将管线施工的总费用作为网络输出层中唯一的神经元。在20世纪80年代，相关学者对闭区间内任何连续函数进行了研究，研究结果表明可以用BP神经网络来表示闭区间内任何连续函数，往往隐含层的个数为1。隐含层的节点可以用公式计算：Nh=■+a
其中Nh为节点数目，N1为BP神经网络中输入层的节点数，N0为BP神经网络中输出层的节点数，a是调节常数，其值往往在1-10范围内。通过上述公式可计算出管线施工的BP网络结构为“4-12-1”，意思就是在BP神经网络中有4个输入节点、12个隐含层节点以及1个输出节点。
2.2 创建建筑工程实际造价动态预知BP神经网络 在建筑工程BP神经网络结构设计完成的基础上，通过Matlab网络工具对建筑工程实际造价动态预知的BP神经网络进行构建，并利用函数（Newff）形成相应的BP神经网络。通常情况下，在对BP神经网络进行训练时，为了确保性能函数能达到最小，可以通过计算机梯度方式，对阀值和梯度权值进行科学合理的调整。在Matlab网络工具中，为构建BP神经网络结构提供了较多的可训练函数，但是这些函数的模式往往大多数都属于批处理模式，需要由Train对其进行触发才能使用。因此在建筑工程实际造价动态预知BP神经网络中，一般会选择Traindm函数对其进行训练，可以及时更新阀值和梯度权值，但是要注意现在和前段时间的梯度方向。这样才能有效的降低参照函数对网络性能调整造成的影响，防止局部出现小问题。
对建筑工程实际造价动态预知BP神经网络创建完成后，需要对其的设计值进行训练。在数据前向传播中，其输入到输出的一个从前到后的过程，应该连接前后节点，将设计值按照各个连接权重的大小加权输入活动函数，从而得出新的设计值，随后再传播到下一个节点。另外，在回馈环节，如果输出值与预知值存在较大的差距，就需要对神经网络进行“惩罚性学习”。其过程主要包括：首先需要对发生错误的输入节点进行寻找，如果这个节点权重高，那幺就降低对其信任值。同时再升高传输正确节点的信任值，增加其权重。被惩罚的节点会继续向前寻找错误发生源，并对其进行惩罚，直到惩罚传播到最初输入点为止。
3 实例应用
3.1 建立模型 根据上述建筑工程管线施工为例，对建筑工程实际造价动态预知BP神经网络的应用进行分析。在对BP神经网络预知模型进行构建时，需要对影响管线施工实际总费用的因素进行考虑。通常情况下，主要是针对气候条件、地质地形、单位造价以及管理水平等4个方面进行分析，并将其作为BP神经网络输入层中的4个节点。随后将管线施工实际造价的预知值作为输出层的唯一节点，中间的隐含层节点数以及层数。由上文建立的“4-12-1”BP网络结构，对管线建设全过程的费用进行预测，然后再建立建筑工程实际造价动态预知模型的训练样本，把预知值的偏差范围固定在[0，2]。
3.2 训练 向BP神经网络结构中输入相关的数据信息，通过学习算法对其进行反复运算，计算结果表明实际输出值与计划值非常接近，起均方差为D＜0.0002，说明实际造价动态预知是符合要求的。
3.3 测试 在上述训练结果可知其误差较小，可以运用BP神经网络对建筑实际造价进行动态预知。如果某一个月预期CPI指数为1.273，气候因素指数是1.232、地质因素为1.062、管理水平指数为1.135，那幺将这些数据输入到已经训练好的BP神经网络中，预知目标值可得预知费用为2517万元。
4 总结
近年来，我国建筑行业迅猛发展，大大改善了我国人民的居住环境，为人民群众的生活提供了所需的各种设施。在日渐激烈的市场竞争中，建筑企业若想在其中立足与发展，就必须科学高效的控制工程造价，提升自身的竞争力。基于此点，建筑企业必须建立建筑工程实际造价动态预知BP神经网络，保证实际造价动态预知的科学性、可靠性以及准确性，实现企业经济效益和社会效益最大化。
参考文献：
[1]常春光，尹凯.施工阶段工程造价动态控制研究[J].沈阳建筑大学学报(社会科学版)，2014，01:60-65.
[2]张蕾.论建筑工程造价的动态管理与控制[J].中国新技术新产品，2012，23:203.
[3]张佳丽.略论如何有效实现建筑工程造价的动态管理[J].中国建筑金属结构，2013，06:138.
[4]郁丽荣.谈建筑工程造价的动态管理[J].科技创新与应用，2013，16:250.
[5]孙晓东.建筑工程造价动态管理体系问题研究[J].科技创新导报，2011，21:38-39.
[6]阮明越.建筑项目施工阶段工程造价动态控制策略[J].中国高新技术企业，2012，13:150-152.
