人工智能在工程估價(jià)中的應(yīng)用研究

陳力攀CHEN Li-pan

（百色學(xué)院，百色533000）

0 引言

工程建設(shè)項(xiàng)目的實(shí)施階段包括項(xiàng)目投資決策階段、工程設(shè)計(jì)階段、工程招投標(biāo)階段、工程施工階段、工程項(xiàng)目竣工驗(yàn)收階段，從工程項(xiàng)目造價(jià)控制的角度來看，越是前期階段對工程造價(jià)的影響越大，在建設(shè)項(xiàng)目的投資決策階段可以100%影響建設(shè)項(xiàng)目的工程造價(jià)，到了工程施工階段對工程造價(jià)的影響只有10%左右。因此在投資決策階段快速準(zhǔn)確地對工程項(xiàng)目進(jìn)行估價(jià)具有非常重要的意義。

1 傳統(tǒng)工程估價(jià)方法及其不足

傳統(tǒng)的工程估價(jià)方法主要有單位生產(chǎn)能力投資估算法、生產(chǎn)能力指數(shù)估算法、系數(shù)估算法。[1]

1.1 單位生產(chǎn)能力投資估算法

這種方法是根據(jù)同類型項(xiàng)目每單位生產(chǎn)能力需要的總投資數(shù)額來估算擬建項(xiàng)目投資數(shù)額的方法，將同類型項(xiàng)目的總投資數(shù)額與項(xiàng)目的生產(chǎn)能力的關(guān)系視為簡單的線性關(guān)系，估算結(jié)果與實(shí)際數(shù)額的差距比較大，誤差較大。運(yùn)用單位生產(chǎn)能力投資估算法時(shí)，必須注意擬建項(xiàng)目與同類型項(xiàng)目具有可比性，才能盡量減少估價(jià)誤差。

1.2 生產(chǎn)能力指數(shù)估算法[2]

這種方法又稱為指數(shù)估算法，是根據(jù)已經(jīng)建成的、相類似的建設(shè)項(xiàng)目的總投資數(shù)額和生產(chǎn)能力與擬建建設(shè)項(xiàng)目的生產(chǎn)能力來估計(jì)擬建項(xiàng)目的總投資數(shù)額的方法。該方法估價(jià)的精確度比單位生產(chǎn)能力估算法稍高一些，估價(jià)誤差大致可以控制在百分之二十以內(nèi)，估價(jià)誤差依然比較大，但這種方法也有一些好處：指數(shù)估算法不需要詳細(xì)的建設(shè)工程項(xiàng)目的設(shè)計(jì)圖紙，只需要了解工藝流程及規(guī)模，但要求類似工程與擬建工程的各方面資料條件大致相同，否則估價(jià)誤差將會變大。

1.3 系數(shù)估算法

該方法也稱為因子估算法，是以建設(shè)項(xiàng)目的主體工程費(fèi)或者主要設(shè)備購置費(fèi)作為基數(shù)，以其他工程費(fèi)與主體工程費(fèi)或者主要設(shè)備購置費(fèi)的百分比率為系數(shù)估算項(xiàng)目的投資數(shù)額的方法。該方法比較簡單，容易實(shí)行，但是對擬建工程工程估價(jià)的精確度比較低，一般情況下用于建設(shè)項(xiàng)目的建議書與可行性研究階段。這種估價(jià)方法的分類比較多，設(shè)備系數(shù)法和主體專業(yè)系數(shù)法是我國經(jīng)常使用的系數(shù)估算法，世界銀行項(xiàng)目的投資估算經(jīng)常用的方法是朗格系數(shù)法，該方法的估算誤差在百分之十五以內(nèi)。

2 人工智能在工程估價(jià)中的應(yīng)用

隨著人工智能算法的不斷深入研究，人工智能與工程估價(jià)結(jié)合產(chǎn)生了一些新的預(yù)測方法，例如神經(jīng)網(wǎng)絡(luò)方法、案例推理方法、遺傳算法等。

2.1 多元回歸方法

多元回歸方法包括BCIS 工程造價(jià)估算方法、Kouskoulas 工程造價(jià)回歸估算方法，該方法適用于求解各種線性組合問題，對于非線性問題的求解具有較多不足，而工程造價(jià)是非線性問題，求解函數(shù)非常復(fù)雜，該方法在工程估價(jià)中的應(yīng)用效果不理想。

2.2 神經(jīng)網(wǎng)絡(luò)方法[3]

該方法是一種仿生物神經(jīng)系統(tǒng)結(jié)構(gòu)的人工智能方法，可以自動(dòng)地從數(shù)據(jù)樣本中學(xué)習(xí)經(jīng)驗(yàn)，自動(dòng)逼近那些反映樣本數(shù)據(jù)規(guī)律的函數(shù)，揭示數(shù)據(jù)樣本的非線性關(guān)系，神經(jīng)網(wǎng)絡(luò)方法具有能逼近各種函數(shù)的非線性反映能力，在建立工程造價(jià)估價(jià)模型方面有非常好的應(yīng)用。部分研究人員正在從事利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行工程造價(jià)快速估算方面的研究，并取得了一些研究成果。神經(jīng)網(wǎng)絡(luò)方法利用已建工程項(xiàng)目的基本資料，通過建立項(xiàng)目工程特征和資源消耗數(shù)量之間的關(guān)系來完成工程估價(jià)的任務(wù)，但是實(shí)際工程項(xiàng)目往往很復(fù)雜，神經(jīng)網(wǎng)絡(luò)方法雖能較好的預(yù)測出工程的造價(jià)，但是該方法存在訓(xùn)練學(xué)習(xí)效果不穩(wěn)定、容易陷于局部極小值、容易振蕩以及結(jié)構(gòu)參數(shù)、隱含層的節(jié)點(diǎn)數(shù)量難以確定等缺點(diǎn)，一個(gè)設(shè)計(jì)得非常好的神經(jīng)網(wǎng)絡(luò)，如果事先沒有對影響估算結(jié)果的因素進(jìn)行認(rèn)真細(xì)致的分析，估算結(jié)果往往會和實(shí)際數(shù)額相差非常大。

2.3 案例推理方法[4]

該方法是人工智能研究領(lǐng)域中一種利用以往案例對新的目標(biāo)問題進(jìn)行求解的推理方法，該方法模擬人類專家解決實(shí)際問題的思路，將以往案例作為經(jīng)驗(yàn)，對新問題進(jìn)行推理求解，求解的主要過程包括案例檢索、案例重復(fù)使用、案例不斷修正和案例學(xué)習(xí)，目前該方法已經(jīng)在控制、決策領(lǐng)域取得較為成功的應(yīng)用。估算建設(shè)項(xiàng)目的工程造價(jià)主要發(fā)生在工程建設(shè)項(xiàng)目的投資與決策階段，這個(gè)階段所確定的建設(shè)工程的各方面資料還很不全面，很多建設(shè)工程項(xiàng)目的信息只是大概確定，傳統(tǒng)估價(jià)方法對擬建工程項(xiàng)目的估價(jià)的精確度比較低，很難滿足工程項(xiàng)目投資決策階段造價(jià)控制方面的要求。而基于案例推理的估價(jià)方法，主要是借助以往數(shù)據(jù)資料和經(jīng)驗(yàn)來估算當(dāng)前工程的造價(jià)，可以為保證數(shù)據(jù)的準(zhǔn)確性提供依據(jù)。案例推理方法的優(yōu)點(diǎn)是推理過程相對直觀、簡單、容易理解，模型建立后計(jì)算比較簡單，缺點(diǎn)是收集案例和建立推理模型比較麻煩，而且權(quán)系數(shù)等參數(shù)主要靠經(jīng)驗(yàn)確定，并且需要不斷調(diào)整模型，增大建模難度。

2.4 遺傳算法

這種人工智能算法是根據(jù)生物進(jìn)化規(guī)律而設(shè)計(jì)出來的，是模擬生物進(jìn)化過程的計(jì)算模型，通過模擬生物進(jìn)化過程來搜索最優(yōu)解的方法，利用計(jì)算機(jī)仿真模擬運(yùn)算，將求解某些問題的過程轉(zhuǎn)換為生物染色體基因的遺傳和變異過程。在求解比較復(fù)雜的優(yōu)化組合問題時(shí)，該算法通?？梢员容^快地獲得很好的優(yōu)化結(jié)果，具有非常好的整體搜索能力，可以快速搜索出解空間中的全體解，而且利用該算法的內(nèi)在并行性，能夠進(jìn)行分布式計(jì)算來提升求解速度。但是該算法的局部搜索能力比較差，如果單一使用遺傳算法會比較費(fèi)時(shí)，搜索效率將會比較低。因此在實(shí)際應(yīng)用中，一般將遺傳算法與其他方法結(jié)合形成組合預(yù)測方法，以克服單一使用遺傳算法的不足。

3 建立以神經(jīng)網(wǎng)絡(luò)技術(shù)為基礎(chǔ)的工程估價(jià)專家系統(tǒng)

神經(jīng)網(wǎng)絡(luò)、案例推理、遺傳算法等人工智能方法在工程快速估價(jià)方面比較有效，但是對于實(shí)際復(fù)雜工程項(xiàng)目，采取單一的方法都存在不足，為克服單一方法的不足，建立以神經(jīng)網(wǎng)絡(luò)技術(shù)為基礎(chǔ)的工程估價(jià)專家系統(tǒng)，該專家系統(tǒng)主要有兩個(gè)方面的內(nèi)容：一是采用基于神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法，根據(jù)工程項(xiàng)目的不同特點(diǎn)，該組合預(yù)測方法采用神經(jīng)網(wǎng)絡(luò)結(jié)合案例推理或者神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法；二是建立工程造價(jià)信息數(shù)據(jù)庫；在此基礎(chǔ)上工程造價(jià)專家針對具體工程項(xiàng)目特點(diǎn)對工程造價(jià)進(jìn)行估算。

3.1 基于神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法

神經(jīng)網(wǎng)絡(luò)方法是人工智能技術(shù)中應(yīng)用得最為廣泛的算法，該算法具有非常好的實(shí)用性和通用性，可以不斷學(xué)習(xí)新樣本，而且隨著訓(xùn)練學(xué)習(xí)數(shù)量的增加不斷提高其預(yù)測能力和學(xué)習(xí)能力，該方法非常適用于工程估價(jià)領(lǐng)域，因?yàn)楣こ坦纼r(jià)需要從大量以往工程造價(jià)數(shù)據(jù)中不斷提取各種有用信息，進(jìn)行工程估價(jià)預(yù)測，輔助項(xiàng)目投資決策。神經(jīng)網(wǎng)絡(luò)方法具有能逼近各種函數(shù)的非線性反映能力，在建立工程造價(jià)估價(jià)模型方面有非常好的應(yīng)用，但是該方法也存在訓(xùn)練學(xué)習(xí)效果不穩(wěn)定、容易陷于局部極小值、容易振蕩、以及結(jié)構(gòu)參數(shù)、隱含層的節(jié)點(diǎn)數(shù)量難以確定等缺點(diǎn)，為克服單一方法的不足，本文提出了基于神經(jīng)網(wǎng)絡(luò)，同時(shí)結(jié)合案例推理或遺傳算法的組合預(yù)測方法，根據(jù)工程項(xiàng)目的不同特點(diǎn)，該組合預(yù)測方法采用神經(jīng)網(wǎng)絡(luò)結(jié)合案例推理或者神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法。

3.2 建立全國性工程造價(jià)信息數(shù)據(jù)庫[5]

基于神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法需要從大量以往工程造價(jià)數(shù)據(jù)中提取各種相關(guān)信息，進(jìn)行工程估價(jià)預(yù)測，以往工程造價(jià)數(shù)據(jù)越真實(shí)越全面，工程造價(jià)的估算就越精確，建設(shè)全國性工程造價(jià)信息數(shù)據(jù)庫已經(jīng)成為非常迫切的需要。近30 年我國基礎(chǔ)建設(shè)迅速發(fā)展，基礎(chǔ)建設(shè)行業(yè)積累了大量的工程造價(jià)數(shù)據(jù)，工程造價(jià)信息的大數(shù)據(jù)時(shí)代很快就會到來，將各地區(qū)、各行業(yè)有關(guān)工程造價(jià)信息資源收集并統(tǒng)一整理，改造并升級原有的工程造價(jià)數(shù)據(jù)庫建設(shè)；建設(shè)以統(tǒng)一代碼系統(tǒng)和科學(xué)分類為基礎(chǔ)的工程造價(jià)信息數(shù)據(jù)庫，對真實(shí)的已有數(shù)據(jù)進(jìn)行錄入、重新整理和分析，形成各種工程造價(jià)單位指標(biāo)和比較基準(zhǔn)，充分發(fā)揮已有工程造價(jià)信息的最大價(jià)值。全面完善的工程造價(jià)信息數(shù)據(jù)庫可以為工程估價(jià)提供堅(jiān)實(shí)基礎(chǔ)，為投資者提供投資決策依據(jù)，提高工程造價(jià)概算等造價(jià)文件的準(zhǔn)確度，也可以為工程施工企業(yè)提供各種建筑耗材的消耗指標(biāo)。

4 結(jié)論

傳統(tǒng)的建筑工程估價(jià)方法主要有單位生產(chǎn)能力投資估算法、生產(chǎn)能力指數(shù)估算法、系數(shù)估算法，這些方法的估算誤差比較大，很難滿足工程項(xiàng)目投資決策階段造價(jià)控制方面的要求，人工智能技術(shù)可以在工程估價(jià)領(lǐng)域發(fā)揮非常重要的作用。

①神經(jīng)網(wǎng)絡(luò)、案例推理、遺傳算法等人工智能方法在工程快速估價(jià)方面比較有效，但是對于實(shí)際復(fù)雜工程項(xiàng)目，采取單一的方法都存在不足；

②基于神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法需要從大量以往工程造價(jià)數(shù)據(jù)中提取各種相關(guān)信息，進(jìn)行工程估價(jià)預(yù)測，以往工程造價(jià)數(shù)據(jù)越真實(shí)越全面，工程造價(jià)的估算就越精確，建設(shè)全國性工程造價(jià)信息數(shù)據(jù)庫已經(jīng)成為非常迫切的需要；

③本文提出了基于神經(jīng)網(wǎng)絡(luò)，同時(shí)結(jié)合案例推理或遺傳算法的組合預(yù)測方法，該組合預(yù)測方法能夠克服單一方法的不足，但是還需要將該方法和相關(guān)軟件結(jié)合起來，針對不同工程項(xiàng)目的特點(diǎn)對相關(guān)軟件進(jìn)行二次開發(fā)，才能夠在復(fù)雜的實(shí)際工程項(xiàng)目的工程估價(jià)中得到更好的應(yīng)用。