摘要：本文闡述了以智能估算模型為背景條件下對于輸入向量—項(xiàng)目特征指標(biāo)的選取分析、選取方法，并根據(jù)所述特征指標(biāo)選定方法的討論，結(jié)合文獻(xiàn)調(diào)研和專家意見確定了17個(gè)特征指標(biāo)作為造價(jià)預(yù)測模型的主要輸入指標(biāo)。

　　引言

　　在估價(jià)方法方面，對于如何準(zhǔn)確快速地預(yù)測住宅工程造價(jià)國內(nèi)外學(xué)者做了很多研究。如今常見的工程造價(jià)估算方法可以分為三類：

　　1.第一類以傳統(tǒng)定額作為計(jì)價(jià)依據(jù)的估算方法。傳統(tǒng)的方法普遍存在著周期長、速度慢、誤差大等缺點(diǎn)。

　　2.第二類以回歸分析為主要特征，出現(xiàn)在 20 世紀(jì) 70 年代中期，但這種方法對異常值較敏感，面對維度較大、較復(fù)雜數(shù)據(jù)集時(shí) 模型性能差。

　　3.第三類是20 世紀(jì) 80 年代初期提出的，主要采用計(jì)算機(jī)模擬技術(shù)建立模型和人工智能技術(shù)建立工程造價(jià)估算系統(tǒng)兩種。人工神經(jīng)網(wǎng)絡(luò)(簡稱人工智能)由于具有良好的自學(xué)能力和容錯(cuò)能力，目前成為工程造價(jià)預(yù)測主要研究方法之一，也是本文對于住宅工程特征指標(biāo)選取的背景基礎(chǔ)。

　　1.特征指標(biāo)的重要性

　　智能估價(jià)模型的思路應(yīng)用原理是利用過去積累的大量典型工程的工程特征、造價(jià)及工料分析資料作為訓(xùn)練樣本，把已完成工程特征的量化數(shù)據(jù)作為造價(jià)預(yù)測模型的輸入指標(biāo)，對應(yīng)的造價(jià)資料作為輸出指標(biāo)，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使不同的輸入向量得到不同的輸出量值，從而實(shí)現(xiàn)由輸入工程特征的空間到輸出造價(jià)指標(biāo)的空間的映射，即為建筑工程造價(jià)的快速估算。因此，工程特征的選取對于基于神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算方法十分重要。所以，在選取工程特征指標(biāo)前需要認(rèn)真分析典型工程及代表規(guī)格品的選擇、樣本信息的采集及離散數(shù)據(jù)的甄別，并將指標(biāo)結(jié)果標(biāo)準(zhǔn)化度量處理，做到選取的工程特征能夠反映工程本質(zhì)，便于眾多樣本彼此區(qū)別開來，才可能為估算模型問題求解提供支持，確保估算模型的準(zhǔn)確度。

　　2.特征指標(biāo)選取分析

　　所謂工程特征是指既能體現(xiàn)工程項(xiàng)目特點(diǎn)，同時(shí)又能反映工程的主要成本構(gòu)成的重要因素。工程特征的選取應(yīng)首先參照歷史工程資料的統(tǒng)計(jì)和分析，列舉工程特征的不同類目，依據(jù)定額水平及工程特征以及對造價(jià)影響的相關(guān)性并結(jié)合工程具體情況和專家的經(jīng)驗(yàn)確定。或者也可以通過對歷史住宅工程項(xiàng)目的造價(jià)組成及建筑結(jié)構(gòu)參數(shù)變化對造價(jià)的影響進(jìn)行分析，選出所需要的典型特征的造價(jià)指標(biāo)， 作為智能估價(jià)模型的特征指標(biāo)。 并通過估價(jià)模型的分解與換算，再添加上人為的判斷與經(jīng)驗(yàn)，最后調(diào)整出較為可靠的工程投資估算值。

　　能夠體現(xiàn)工程特點(diǎn)、反映住宅工程造價(jià)的造價(jià)指標(biāo)有很多，但是在數(shù)據(jù)采集、分析的過程和實(shí)際應(yīng)用中，過多的指標(biāo)反而會造成的統(tǒng)計(jì)分析工作的困難和繁雜，并增加數(shù)據(jù)采集的工作量和數(shù)據(jù)處理的難度，但是卻對智能估價(jià)的結(jié)果影響不大。所以為了使住宅項(xiàng)目特征指標(biāo)的針對性更強(qiáng)，抓住關(guān)鍵點(diǎn)，需要分析住宅工程的主要構(gòu)成以及對工程造價(jià)的主要影響因素，針對主要部分從中選取工程特征指標(biāo)。在明晰擬建工程項(xiàng)目特征信息的條件下，可根據(jù)住宅項(xiàng)目建筑工程的特點(diǎn)，先將其劃分為三個(gè)層次即建筑特征、結(jié)構(gòu)特征和裝飾特征。一般情況下，影響住宅工程造價(jià)的因素包括建筑的用途、建筑的功能、建筑所在地、建筑的高度及建筑的結(jié)構(gòu)類型、基礎(chǔ)類型、設(shè)防烈度和層高等幾個(gè)方面。根據(jù)擬建住宅工程的工程特征，選取與之相似的已完典型工程的造價(jià)信息，作為樣本，并將樣本劃分為訓(xùn)練樣本和測試樣本。相似工程的選取，可以提高估算模型的精確度和可信度。這些信息對于住宅工程的造價(jià)影響較大，對于準(zhǔn)確確定住宅工程的造價(jià)和造價(jià)信息的處理具有特別重要的作用。

　　3.特征指標(biāo)確定相關(guān)方法

　　1.層次分析法

　　層次分析法是一種多因素決策方法。首先把問題進(jìn)行層次化，根據(jù)問題的性質(zhì)和總目標(biāo)將具體問題分解成一個(gè)多層次的分析結(jié)構(gòu)模型。該模型分為最低層，中間層，最高層(總目標(biāo))，通過對最低層因素-中間層與中間層因素-最高層中各因素的相對優(yōu)劣次序排序，給出最低層相對于最高層的重要性權(quán)值。

　　采用層次分析法確定特征指標(biāo)時(shí)，本文先結(jié)合工程造價(jià)的構(gòu)成，將住宅工程造價(jià)分為定量指標(biāo)與定性指標(biāo)。例如以徐州市 2009-2010 年《工程造價(jià)》 中的 20 組住宅類型數(shù)據(jù)為基礎(chǔ)，根據(jù)所掌握的材料，選擇 對工程造價(jià)影響較大的造價(jià)組成因素和建筑結(jié)構(gòu)參數(shù)作為主要特征指標(biāo)，如：基礎(chǔ)類型、層數(shù)、層高、內(nèi)裝飾、外裝 飾、建筑年份、門窗工程、單層面積、平面形狀、結(jié)構(gòu)類別、 地基承載力、埋深等。采用 AHP 法對此進(jìn)行系統(tǒng)分析，可得到如圖所示的工程估算的層次分析模型。

　　然后再運(yùn)用Santy 的1-9 標(biāo)度方法，給出各級比較判斷矩陣。層次分析模型各層的各個(gè)要素的權(quán)重指標(biāo)如表1、表2、表3所示[1]。

　　從而各指標(biāo)復(fù)合權(quán)重如表4所示。 根據(jù)層次分析法計(jì)算結(jié)果，確定主要工程項(xiàng)目特征指標(biāo)為：單層建筑面積、層數(shù)、層高、平面形狀、結(jié)構(gòu)類別、基礎(chǔ)類別、 地基承載力、埋深。

　　2.選用SPSS軟件的因子分析工具

　　本方法第一步先提取影響工程造價(jià)的主要項(xiàng)目特征因素，并在進(jìn)行因子的相關(guān)性分析之前對所選變量的分布情況進(jìn)行檢驗(yàn)，運(yùn)用數(shù)據(jù)篩選法篩選后，輸入已確定的工程造價(jià)指標(biāo)的數(shù)據(jù)資料進(jìn)行相關(guān)性分析，得出相關(guān)性矩陣。其中，與預(yù)測的因子的相關(guān)性越大則該特征因素越好，且其他因素之間的相關(guān)性不能太大。若相關(guān)性較大則進(jìn)行刪除、合并，直至剩余的工程特征因素的相關(guān)矩陣相關(guān)性都在合理的范圍，最后選取刪減、整合后的因素為項(xiàng)目特征指標(biāo)，作為估算模型的神經(jīng)網(wǎng)絡(luò)輸入向量。

　　3.主成分分析法

　　首先通過主成分分析得到綜合的造價(jià)指標(biāo)，再將這些指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量。主成分分析后得到的指標(biāo)綜合了占據(jù)工程造價(jià)的主要成分，減少了BP網(wǎng)絡(luò)的輸入向量的個(gè)數(shù)，這樣不僅提高了網(wǎng)絡(luò)的計(jì)算速度，而且也使網(wǎng)絡(luò)不至于因?yàn)榻Y(jié)構(gòu)過大而癱瘓。通過主成分分析，將眾多輸入向量擬合成幾個(gè)綜合的指標(biāo)向量，作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量，來減少網(wǎng)絡(luò)的結(jié)構(gòu)，提高網(wǎng)絡(luò)的效率。

　　結(jié)論

　　基于人工智能的工程造價(jià)估測模型是以以工程特征為參數(shù)，用歷史數(shù)據(jù)，建立模型。因此合理的選取特征指標(biāo)是建立智能估價(jià)模型的基礎(chǔ)。本文通過對工程特征的定義、指標(biāo)選取分析以及3種特征指標(biāo)選定方法的討論，結(jié)合文獻(xiàn)調(diào)研和上述案例數(shù)據(jù)本研究確定了17個(gè)特征指標(biāo)作為造價(jià)預(yù)測模型的輸入指標(biāo)，如下表5所示：輸入指標(biāo)又分為定性指標(biāo)和定量指標(biāo)。

　　其中，數(shù)值型的特征指標(biāo)在數(shù)據(jù)預(yù)處理后可以直接作為輸入指標(biāo)，而字符型的特征指標(biāo)需要轉(zhuǎn)變?yōu)閿?shù)值型特征指標(biāo)作為輸入指標(biāo)。

　　參考文獻(xiàn)

　　[1]陳文盛. 工程造價(jià)估算模型研究與基于層次分析法的BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用[J]. 價(jià)值工程. 2015，34(29)

　　[2]葉青. 人工智能方法在估價(jià)領(lǐng)域的研究與應(yīng)用[D]. 華僑大學(xué)福建省泉州市. 2011

　　[3]劉雅楠. 基于人工智能的建筑工程估價(jià)研究[D]. 沈陽建筑大學(xué).2015

　　[4]吳學(xué)偉. 住宅工程造價(jià)指標(biāo)及指數(shù)研究[D]. 重慶大學(xué). 2009

　　[5]唐也茜. 基于BP神經(jīng)網(wǎng)絡(luò)的裝配式混凝土建筑估價(jià)研究[D]. 江西理工大. 2020

　　[6]黃月. 基于數(shù)理模型的建筑工程造價(jià)估算方法的研究[D]. 沈陽建筑大學(xué). 2014

　　[7]邵雅楠. 基于主成分分析和BP網(wǎng)絡(luò)的高層住宅工程造價(jià)估算方法[D]. 燕山大學(xué). 2015

　　[8]王德美，陳慧，肖之鴻，等. 基于數(shù)據(jù)挖掘的住宅工程造價(jià)預(yù)測[J]. 土木工程與管理學(xué)報(bào)第1期 2021，38(1)

　　[9]龐佳佳. 基于人工智能的裝配式建筑工程快速估價(jià)模型研究[B]. 2018

　　[10]李曉娟. 基于BP神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算模型研究[A]. 甘肅聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版). .2011，25(4)

　　[11]石江波. 普通住宅工程造價(jià)指標(biāo)及指數(shù)編制研究[D]. 四川省成都市. 2015