基于Bp神经网络的现代有轨电车土建造价估算

基于Bp神经网络的现代有轨电车土建工程造价估算1基于Bp神经网络的现代有轨电车土建工程造价估算李峥（中国北车集团大连机车车辆有限公司）【摘要】本文详述了人工神经网络原理并结合现代有轨电车土建工程的特点，提出了基于Bp神经网络的有轨电车土建工程造价模型，利用其强大的非线性映射特点来解决复杂工程的估算问题。经过实例验证，该方法应用性强，运用Matlab软件编程后可以得到较为满意的结果，为日后有轨电车的造价工作提供了相关理论依据。【关键词】Bp神经网络；工程造价；现代有轨电车；轨道工程l.引言随着我国城市化进程的不断加速，城市轨道交通行业也迎来了快速发展的契机。地铁、轻轨、有轨电车、磁悬浮列车等多种轨道运输方式为人们出行提供了更加快捷、便利、多样性的选择，尤其是对经济总量、城市人口、地质环境等因素要求较低的现代有轨电车受到了很多城市的青睐。现代有轨电车每公里的造价仅为地铁的三分之一，无需在地下挖掘隧道，且车辆运行时不排放废气，是一种节能低碳环保的现代化交通工具。在有轨电车线路规划、设计、施工的过程中，估算工程的造价工作是一个十分重要的环节。工程造价是对整个工程所需的材料设备、人工安装、机械等耗资的核算，也是实施项目、控制投资、筹集资金等环节的主要决策依据。20世纪60年代至今，国内外众多机构与研究人员都在进行着对工程造价估算的研究工作，如英国早在1962年提出的BCIS模型，80年代初期提出的蒙特卡罗随机模拟估算模型，以及近些年来我国学者利用模糊数学，灰色系统及人工神经网络等方法对工程造价进行估算。[1]国内外的研究人员普遍认同，一个工程的耗资与其某些工程特征有着密切联系，却不能用既有的公式将其中的关系精确描述出来，而神经网络模型可以解释大型工程复杂的内部机理，其高度非线性的映射特点可以帮助我们求得造价。本文着重研究利用Bp神经网络模型对有轨电车土建工程造价估算的方法，以期为日后城市轨道交通行业的造价工作带来便利。2.神经网络原理生物的神经细胞由轴突、树突、髓鞘、突触等结构构成，当兴奋通过轴突传导到突触小体时，小体中的突触小泡释放出神经递质进入组织间隙，作用于突触后膜使另一神经元的膜电位发生改变，进而产生兴奋或抑制，这样就完成了神经元之间的信息传递。神经网络模型就是对人类大脑神经细胞功能的提炼、简化，基于Bp神经网络的现代有轨电车土建工程造价估算2常表现为一个多输入，单输出，高度非线性的网络结构，其模型图如1所示。图1人工神经网络模型图如图，x1,x2……xn表示输入神经元的向量，本文中即有轨电车土建工程的工程特征量；ω1，ω2……ωn表示这些输入信息的连接权值，数值大小表示输入与神经元之间连接强度的强弱。经过神经网络模型的建立，学习，训练的过程之后才能得出准确的权值，通过网络内部权值的动态调节，我们才能获得与目标输出误差很小的实际输出值，这也是人工神经网络模型应用的最重要步骤；θ代表了神经元的内部阈值，只有外界刺激达到了阈值，神经元才会被激活；f（g）是一种传递函数，它决定了神经网络模型的输出（即y值）范围。人工神经网络从研究起至今已经有百余种模型，联系到模型具体的拓扑结构，神经元特征，学习规律以及模型本身的应用范围等因素，本文决定采用Bp神经网络模型对有轨电车的土建工程造价进行估算。2.1Bp网络模型及参数选取Bp网络（backpropagation）是误差反向传播网络，主要采用最小均方误差的学习方式，运用等梯度下降局部搜索、优化的方法来解决复杂的非线性问题。Bp神经网络多采用三层结构，即由输入层，一个或多个隐含层，输出层构成，各层之间全互连，同一层的神经元之间不互连，图2给出了一种典型的三层Bp网络结构。图2典型Bp三层网络结构图本文输入层，隐含层和输出层的参数选取如下，输入层神经元的个数有nω2∑f(g)ω1ωn............χ1χ2χnθyjy1mqn....................i..........yjχi..............................χ1VZ1WZKZqymmmmmmχn基于Bp神经网络的现代有轨电车土建工程造价估算3个，代表了有轨电车土建工程的特征量，即I=(I1，I2，I3……In)；隐含层中神经元的个数q由科尔莫罗格夫定理求得，即q=2n+1（n为输入层神经元的个数）；输出层神经元的个数为m，代表了工程造价的输出。V代表输入层与隐含层的连接权值，ω表示隐含层与输出层的连接权值。2.2Bp神经网络算法Bp神经网络采用最小均方误差的方式进行学习训练，均方误差是一种衡量平均误差的常用方法。首先对网络初始权值v，ω进行值域在（—1，1）内的随机赋值；然后将输入值通过隐含层向前进行传递，经过各层处理之后得到一个输出值，同时获得一个实际输出与目标输出之间的误差矢量；再将误差矢量向后传播，即从输出层到输入层，对各层的权值、阈值进行调节。按传播路线来看，Bp网络的训练可以看成是正反向两个方向互相交替，不断的进行收敛的过程，直至模型达到满意的逼近程度为止。由于Bp神经网络算法本身有不可避免的缺陷，运用局部梯度下降的学习方式会使模型陷入局部极小值的状态，而且也会存在收敛速度较慢的情况。故本文采用在等梯度下降的算法基础上附加动量法来优化Bp网络模型。3.实例分析模型样本应选取已通过审批的有轨电车土建工程造价文件，本文收集到了某市现代有轨电车一号线工程的概算资料，通过对资料中的数据筛选处理，作为样本的输入和目标输出来训练Bp神经网络。经过实例验证并实现了基于Bp神经网络的现代有轨电车土建造价的估算方法。3.1工程特征量的选取在选择工程特征时，要把握好三个要素：“广”，“精”和“独立性”。工程造价的估算与其工程特征量密不可分，所以要做到选取的特征量全面，能代表这一类工程的普遍性与特殊性；但如果一味追求面面俱到而忽视了模型的泛化迁移能力，就失去了建模的意义，所以要精选工程特征量；另外，选取的几种特征量相关联性要小，保证一定的独立性，满足以上三要素的特征量会使估算工程造价的工作更精确可靠。现代有轨电车的土建工程主要包括三个方面，即车站工程，正线区间工程和轨道工程，令土建工程的总造价为C，车站工程，正线区间工程和轨道工程的造价分别为C1，C2，C3，则土建总造价的估算值为C=C1+C2+C3。本文选用轨道工程作为验证对象，通过对轨道工程的特征量选取，建立模型最后得出结果来实现Bp网络在有轨电车土建工程方面估算的应用。为了简化复杂的工程问题，提高模型的精度，结合有轨电车正线轨道工程的施工特性和计价特点，本文选取了交叉口轨道工程，砖铺装段数，绿化工程，桥基于Bp神经网络的现代有轨电车土建工程造价估算4梁工程，道岔工程，减震措施和备品量等7个工程特征量作为模型输入，样本数据见表1。表1工程特征量样本3.2程序设计与实现对于上文确定的Bp网络参数，模型用Mtalab2012b软件进行编程训练，误差设定为0.0005，最大训练次数为1000，初始学习率为0.02，样本的输入层有7个神经元，隐含层根据公式定为15个神经元，输出层有一个神经元，即轨道工程的造价。网络训练部分代码如下：net.trainParam.epochs=1000；net.trainParam.goal=0.005；[net，tr]=train(net,P,T)；模型经过140次训练后达到了理想的收敛范围，实际输出值为1.3687×104，误差率经过计算为1.6%，完全满足了估算的精准度。训练误差图见图3。图3.模型训练误差图4.总结人工神经网络利用其高度概括的“特征提取”功能，通过调节网络权值可以逼近复杂的非线性系统的目标输出。上述实例仿真的实现验证了Bp神经网络在现代有轨电车土建工程造价这一新领域内应用的可行性，其中经过学习、训练后得出的输入权值可以借鉴到日后其他城市现代有轨电车工程的造价工作中。要取工程名称交叉口轨道工程砖铺装段数绿化工程桥梁工程道岔工程减震措施正线有关工程备品工程数量（千米）1.8531.04214.7570.1216组17.75417.754概算造价（万元）1944.83486.466512.0040.601914.331775.401236.87基于Bp神经网络的现代有轨电车土建工程造价估算5得准确可靠的工程造价，除了构造出合理的神经网络模型之外，与其工程特征量的选取和样本的训练也有极大的关系。综上所述，合理利用Bp神经网络模型将会给现代有轨电车土建工程的造价工作带来便捷、高效的推动作用。参考文献[1]赵欣.基于BP神经网络的地铁土建工程造价估算方法研究[J].北京：北京交通大学，2007.12[2]吴开微等.建造工程造价的模糊神经网络计算方法[J].东华大学自然学报,2000.05[3]任宏，周其明.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[J]土木工程学报，2003.12[4]许东，吴铮.基于MATALB6.x的系统分析与设计—神经网络[M].西安：西安电子科技大学出版社，2003.10[5]张德丰等.MATLAB神经网络应用设计[M].北京：机械工业出版社，2012.2