【技术实现步骤摘要】
一种房屋建筑工程费用智能预测方法
[0001]本专利技术涉及建筑工程费用领域，具体涉及一种房屋建筑工程费用智能预测方法。
技术介绍
[0002]建设投资构成中，工程费用占比大、影响因素众多，是估算难度最大的部分。为确保资金配合理、最大限度的利用有限资源，工程费的预测估算必不可少。在当前竞争日益激烈的建筑行业市场，时间即成本，如何在尚未具备算量条件情况下快速、准确地预测房屋建筑工程费用对决策者来说至关重要。
[0003]目前，已有方法是根据经验估算单位面积的工程费用，乘以总面积得到工程总费用，估算过程繁琐，且准确度低。因此，亟需一种易实现和精度高的房屋建筑工程费用智能预测方法。
技术实现思路
[0004]本专利技术的目的是提供一种房屋建筑工程费用智能预测方法，以解决现有技术中存在的问题。
[0005]为实现本专利技术目的而采用的技术方案是这样的，一种房屋建筑工程费用智能预测方法，包括以下步骤：
[0006]1)结合房屋建筑的实际工程特征，确定工程费用预测指标选取；
[0007]2...
【技术保护点】
【技术特征摘要】
1.一种房屋建筑工程费用智能预测方法，其特征在于：包括以下步骤：1)结合房屋建筑的实际工程特征，确定工程费用预测指标选取；2)读取原始预测指标数据，得到原始数据矩阵，划分训练集、测试集；3)降维处理训练集的原始数据矩阵得系数矩阵，计算各主成分贡献率确定主成分数据；4)建立房屋建筑工程费用智能预测模型，将训练集中降维后的主成分数据作为输入，相应的工程费用数据作为输出；5)设定房屋建筑工程费用智能预测模型的输入层、隐含层、输出层的神经元数目；6)设定模型输入层和隐含层的连接权值、隐含层和输出层的连接权值、隐含层的偏置值以及其变化趋势的取值范围，在取值范围内随机初始化权值、偏置值以及其变化趋势的取值，得到多个权值和偏置值的取值方案；7)将每个取值方案的权值与偏置值带入模型，计算每个取值方案的最小化损失函数，作为其适应度值；8)评价所有取值方案，根据帕累托支配原则，选择最小适应度值的取值方案作为个体极值方案和群体极值方案；9)根据个体极值方案和群体极值方案更新其他取值方案的权值、偏置值及其变化趋势；10)判断最小适应度值是否满足模型精度要求，判断迭代次数是否满足最大迭代次数，若均不满足返回步骤7)，否则输出群体极值方案的权值与偏置值；11)将优化后的权值与偏置值模型代入模型，使用训练集中的主成分数据进行训练；12)训练后的模型读取测试集数据，计算得到工程费用预测值，将其与实际值进行对比，评价模型的预测精度；13)输入任意房屋建筑工程的原始预测指标，训练后的模型可输出该房屋建筑工程的工程费用预测值，模型精度为该预测值的准确度。2.根据权利要求1所述的一种房屋建筑工程费用智能预测方法，其特征在于：步骤1)中工程费用预测指标为：3个反映背景条件的全局预测特征值，即物价水平、地区指数、地震烈度；8个反映实际工程特征的基本预测特征值，即施工面积、房屋建筑面积、建筑层数、建筑层高、基础类型、墙体材料、柱材料、梁板材料。3.根据权利要求1或2所述的一种房屋建筑工程费用智能预测方法，其特征在于：步骤2)中所述原始预测指标数据为已建成房屋建筑工程的预测特征值数据和其对应的实际工程费用数据；步骤2)中所述训练集，测试集为原始预测指标数据按4:1的比例划分，用于房屋建筑工程费用智能预测模型的训练和测试。4.根据权利要求3所述的一种房屋建筑工程费用智能预测方法，其特征在于：步骤3)中所述降维处理训练集的原始数据矩阵得系数矩阵，计算各主成分贡献率确定主成分数据，包括以下步骤：3
‑
1)标准化训练集的数据x
nm
，构成原始数据矩阵X
n*m
，其中n为样本数，m为指标数：
3
‑
2)计算其中μ为均值，σ为标准差，对原始数据进行标准化处理形成矩阵X'
n*m
，计算协方差矩阵3
‑
3)对斜方差矩阵C做特征值分解，得到按大小排序的特征值λ1、λ2…
λ
k
…
λ
n
和对应的特征向量；3
‑
4)计算主成分贡献率R
i
和累计贡献率R
∑(i)
，，当累计贡献率达到95％，确定主成分数量k；3
‑
5)取前k个特征值对应的特征向量u1,u2…
u
k
,组成系数矩阵U＝(u1,u2…
u
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。