第 1 章 绪论
1.1 研究背景及意义
1.1.1 国家经济环境及政策导向
近年来，我国经济增长动能由投资转向创新，房地产资金投入增速趋于放缓，建筑业面临的风险增大，相应的给工程造价咨询行业带来了新的机遇与挑战。一方面，企业数量、营业收入、从业人员素质不断提升，工程造价工作相关的标准体系不断更新，工程造价事业创新潜力巨大。另一方面，工程造价相关标准还没有实现统一，服务水平还不能满足当前市场对统一规划、时效性强、覆盖面广的要求。建筑企业应该把握国内国际经济发展趋势，提高计价依据的科学性与实效性，建立造价信息共享机制，实现动态化管理。
住房和城乡建设部颁发的《工程造价事业发展“十三五”规划》中为了推进当前建筑业的造价信息化程度，具体提出了以下三点内容：
（1）夯实信息化发展基础。整合我国不同地区的造价信息资源，建立并完善工程造价数据库。建立统一的造价数据交换标准，鼓励造价信息化技术研究，实现各部门的信息协作与互联互通。（2）提升信息化服务能力。
大力推进工程造价实时计算，强化建设项目各个阶段的造价信息数据的收集与挖掘工作,通过发布相关的指数来指导建筑市场合理预估工程造价，真正实现造价数据动态化管理。
（3）构建多元化信息服务体系。不断鼓励 BIM 技术与造价工作深度融合，进一步的促进“互联网+”工作有序推进，抓住当前工程造价模式变革的机遇，最终实现工程造价工作时效性、准确性、合理性大幅提升。
.......................
1.2 建筑工程投资估算国内外研究现状
国外已经对工程造价进行了 70 多年的研究，相对于国内而言理论与管理水平已经很成熟。英美国家非常注重造价信息的收集与整理，其估价特点是建筑特征提取较综合，有统一的计算规则和套用价格，形成的估价具有快速、准确的特点，是完全意义上的动态估价。在英国，皇家测量师协会的所有成员都必须按照标准格式将工程数据上传数据库，其他成员则可以学习借鉴数据库中的数据资源。在美国，每周四发布的 ENR 造价指数可以为造价工作人员提供重要的数据信息。
在我国，造价估算研究还处于初期探索阶段，最常用的方法还是经验估算法，很少通过构建数学模型的方法来估算造价，也没有一个公开的已完工工程造价数据库。近年来各地开始建立造价管理团队进行数据管理，但各地造价网站互相独立，没有一个统一的模式，推广性不高。收集到的典型案例数据也不够全面，估算对人工的依赖程度依然较高，这也导致了项目立项时估算不准确，影响项目决策。
上世纪八十年代以来，人工神经网络（Artificial Neural Network,ANN）成为了新兴的热门领域。1986 年，Rumelhar 和 Hinton 等人设计了反向传播（Backpropagation,BP）算法并给出详细介绍[5, 6]。BP 神经网络不以数据的具体表达式为基础，它可以直接寻找存储在数据中的复杂映射关系[7]。其主要思路是根据数据的前向传递及误差的反向传递，不断调整网络权值和阈值以达到最小误差。此后于 1989 年，Cybenko、Funahashi、Hornik等人相继证明了单隐层的 BP 神经网络，传递函数为 sigmoid 时可以以任意精度逼近任意连续函数[8-10]。
人工智能领域还存在另一个被用于工程造价估算的热门分支——案例推理。其中心思想是建立一个容纳海量数据的工程造价数据库，通过检索关键特征在数据库中寻找与拟建项目相似的已完工程，并根据已有案例中积累的经验和知识来解决新建工程遇到的问题。这一方法相当于基于大数据理论对神经网络技术案例选取优化之后的方法。GHKim、SH An 和 KI Kang 搜集了 530 个历史工程的造价数据并基于案例推理建立了数学模型，指出 CBR 估算模型在长期使用、可用信息提取等方面优于神经网络和多元回归估算模型。Enric Plaza 着重分析了案例推理法中案例的结构化是如何展现的[15]。
.........................
第 2 章 工程投资估算相关理论基础
2.1 建筑工程造价的概念及构成
在进行工程投资估算之前有必要先分析工程造价的概念及构成。根据对工程造价理解角度的不同，工程造价分为广义工程造价和狭义工程造价，这两种含义既相互统一又相互区别，产生区别的主要原因是市场中需求方与供给方追求的利益不同，投资者在制定项目决策时首先要保证投资的正确性，承包商则更多的关注成本和利润。
广义的工程造价是从投资者进行一系列投资活动并支付费用的角度理解的，投资活动包括了从可行性研究、勘察设计、招标直至竣工验收的全部阶段，这个含义下的工程造价是完成工程项目所需全部费用的总和。
狭义的工程造价是将工程视作特定的商品放在商品经济和市场经济的大背景下理解的。工程造价是指为了完成一个工程项目，需要在土地市场、设备市场、技术劳务市场以及承包市场等交易市场支付的费用。由于工程承包价格占项目固定资产投资的比重高达 50%-60%，所以人们通常将工程承包价格认定为工程造价的第二种含义，这一认定有其重要的现实意义，但从工程造价的构成上也不难看出其片面性[32]。
.................................
2.2 建筑工程造价估算
2.2.1 建筑工程造价估算的概念
建筑工程造价估算是指工程估价人员在工程进行过程中对工程的合理价格进行估计、推测并形成经济文件的活动。工程估价具有以下几个特点：
（1）单件估价。没有完全相同的工程，不同产品之间总会存在一些不同之处，这就导致了每项工程都需要单独估算造价。
（2）多次估价。工程项目的建设耗时长、工程量大、成本高，在进行计价前对计价工作进行阶段性的划分可以更好的保证准确性和时效性。各阶段计价文件的对比如表2-1。
土木工程论文怎么写
第 3 章 智能算法相关理论基础.............................17
3.1 BP 神经网络.....................................................17
3.1.1 人工神经网络概述..............................................17
3.1.2 BP 神经网络简介.....................................20
第 4 章 数据收集与预处理.....................................35
4.1 工程项目数据收集...................................................35
4.2 定性指标的量化..........................................36
第 5 章 智能算法估算模型构建与实证分析..........................................59
5.1 模型实现计算环境简介....................................59
5.2 模型构建前的准备工作...................................59
第 5 章 智能算法估算模型构建与实证分析
5.1 模型实现计算环境简介
本文研究的智能算法投资估算模型都是在 MATLAB 平台上进行仿真分析的。MATLAB 由美国学者 Cleve Moler 教授开发，具有开放性好、交互性强、操作方便等优点，被公认为世界上表现最优异的数值计算与仿真分析软件之一。经过几十年的发展，MATLAB 在矩阵运算的基础上已经发展成为一种集数据可视化、矩阵运算、程序仿真设计于一体的集成软件。
MATLAB 的另外一个优势就是，他有针对不同行业不同领域工作特点的工具箱，大大简化了编程时间，实现了交互式程序设计。迄今为止，MATLAB 已发布了数十种应用于不同领域的工具箱，神经网络工具箱是其中重要的一种，主要为研究智能算法（如神经网络研究）而开发。最新的神经网络工具箱几乎涵盖了所有神经网络的最新研究成果，并集成了多种学习算法，工具箱中的神经网络模型包括：感知器、线性网络、BP网络、径向基函数网络、竞争型神经网络、自组织网络和学习向量量化网络、反馈网络[56]。
土木工程论文参考
第 6 章 结论与展望
6.1 结论
建筑工程投资估算是一个工程项目在编制项目建议书和可行性研究报告时的主要工作，也是评估项目经济效益和制定决策的重要依据。现有的投资估算工作主要还是依靠经验法，通过估价人员结合建筑市场行情和企业自身所获取的小范围数据进行估算。但在数据共享时代，建筑业也应该抓住“大数据”、“云平台”的机遇，实现投资估算的快速化、精确化管理。根据这一理念，本文构建智能算法估算模型进行快速投资估算，现得出以下结论：
（1）分析土建工程的预测结果，三个智能估算模型的最大相对误差都没有超过10%，最大为 6.23%，满足投资估算时的精度要求。
（2）分析装饰装修工程与安装工程的预测结果，三个智能估算模型的最大相对误差都没有超过 15%，最大为 14.33%。总结其预测效果不如土建工程理想的原因在于：一方面土建工程的技术性指标较多，混凝土等材料价格相对统一，而装饰装修工程与安装工程不同品牌的产品在采购价上的差异往往很大。另一方面，本文研究所选取的工程来源于山西省各个不同的地区，范围较广，因此误差不容易控制，有待进一步改进。
（3）本文将土建工程、装饰装修工程、安装工程的指标分开选取、造价单独估算，是对投资估算向精细化发展的尝试。另一方面，随着未来发展和劳动力的紧张，人工费有上涨的趋势，而土建、装饰装修、安装工程的人工价格并不相同，这一做法有一定的实际应用价值。
（4）本文选取指标尽量全面贴合实际，考虑了工程的通用特征和实体特征，还考虑了一部分造价特征。根据相关性分析筛选出输入变量，避免了人为因素对模型的影响。另一方面，通过因子分析法对输入变量进行数据提取，去除向量间的强相关性，避免冗余数据对智能估算模型的计算精度造成不良影响。
参考文献(略)