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—項目特征指標的選取分析、選取方法，并根據所述特征指標選定方法的討論，結合文獻調研和專家意見確定了17個特征指標作為造價預測模型的主要輸入指標。

　　引言

　　在估價方法方面，對于如何準確快速地預測住宅工程造價國內外學者做了很多研究。如今常見的工程造價估算方法可以分為三類：

　　1.第一類以傳統定額作為計價依據的估算方法。傳統的方法普遍存在著周期長、速度慢、誤差大等缺點。

　　2.第二類以回歸分析為主要特征，出現在 20 世紀 70 年代中期，但這種方法對異常值較敏感，面對維度較大、較復雜數據集時 模型性能差。

　　3.第三類是20 世紀 80 年代初期提出的，主要采用計算機模擬技術建立模型和人工智能技術建立工程造價估算系統兩種。人工神經網絡(簡稱人工智能)由于具有良好的自學能力和容錯能力，目前成為工程造價預測主要研究方法之一，也是本文對于住宅工程特征指標選取的背景基礎。

　　1.特征指標的重要性

　　智能估價模型的思路應用原理是利用過去積累的大量典型工程的工程特征、造價及工料分析資料作為訓練樣本，把已完成工程特征的量化數據作為造價預測模型的輸入指標，對應的造價資料作為輸出指標，對神經網絡進行訓練，使不同的輸入向量得到不同的輸出量值，從而實現由輸入工程特征的空間到輸出造價指標的空間的映射，即為建筑工程造價的快速估算。因此，工程特征的選取對于基于神經網絡的工程造價估算方法十分重要。所以，在選取工程特征指標前需要認真分析典型工程及代表規格品的選擇、樣本信息的采集及離散數據的甄別，并將指標結果標準化度量處理，做到選取的工程特征能夠反映工程本質，便于眾多樣本彼此區別開來，才可能為估算模型問題求解提供支持，確保估算模型的準確度。

　　2.特征指標選取分析

　　所謂工程特征是指既能體現工程項目特點，同時又能反映工程的主要成本構成的重要因素。工程特征的選取應首先參照歷史工程資料的統計和分析，列舉工程特征的不同類目，依據定額水平及工程特征以及對造價影響的相關性并結合工程具體情況和專家的經驗確定。或者也可以通過對歷史住宅工程項目的造價組成及建筑結構參數變化對造價的影響進行分析，選出所需要的典型特征的造價指標， 作為智能估價模型的特征指標。 并通過估價模型的分解與換算，再添加上人為的判斷與經驗，最后調整出較為可靠的工程投資估算值。

　　能夠體現工程特點、反映住宅工程造價的造價指標有很多，但是在數據采集、分析的過程和實際應用中，過多的指標反而會造成的統計分析工作的困難和繁雜，并增加數據采集的工作量和數據處理的難度，但是卻對智能估價的結果影響不大。所以為了使住宅項目特征指標的針對性更強，抓住關鍵點，需要分析住宅工程的主要構成以及對工程造價的主要影響因素，針對主要部分從中選取工程特征指標。在明晰擬建工程項目特征信息的條件下，可根據住宅項目建筑工程的特點，先將其劃分為三個層次即建筑特征、結構特征和裝飾特征。一般情況下，影響住宅工程造價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構類型、基礎類型、設防烈度和層高等幾個方面。根據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信息，作為樣本，并將樣本劃分為訓練樣本和測試樣本。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影響較大，對于準確確定住宅工程的造價和造價信息的處理具有特別重要的作用。

　　3.特征指標確定相關方法

　　1.層次分析法

　　層次分析法是一種多因素決策方法。首先把問題進行層次化，根據問題的性質和總目標將具體問題分解成一個多層次的分析結構模型。該模型分為最低層，中間層，最高層(總目標)，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劣次序排序，給出最低層相對于最高層的重要性權值。

　　采用層次分析法確定特征指標時，本文先結合工程造價的構成，將住宅工程造價分為定量指標與定性指標。例如以徐州市 2009-2010 年《工程造價》 中的 20 組住宅類型數據為基礎，根據所掌握的材料，選擇 對工程造價影響較大的造價組成因素和建筑結構參數作為主要特征指標，如：基礎類型、層數、層高、內裝飾、外裝 飾、建筑年份、門窗工程、單層面積、平面形狀、結構類別、 地基承載力、埋深等。采用 AHP 法對此進行系統分析，可得到如圖所示的工程估算的層次分析模型。

　　然后再運用Santy 的1-9 標度方法，給出各級比較判斷矩陣。層次分析模型各層的各個要素的權重指標如表1、表2、表3所示[1]。

　　從而各指標復合權重如表4所示。 根據層次分析法計算結果，確定主要工程項目特征指標為：單層建筑面積、層數、層高、平面形狀、結構類別、基礎類別、 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的主要項目特征因素，并在進行因子的相關性分析之前對所選變量的分布情況進行檢驗，運用數據篩選法篩選后，輸入已確定的工程造價指標的數據資料進行相關性分析，得出相關性矩陣。其中，與預測的因子的相關性越大則該特征因素越好，且其他因素之間的相關性不能太大。若相關性較大則進行刪除、合并，直至剩余的工程特征因素的相關矩陣相關性都在合理的范圍，最后選取刪減、整合后的因素為項目特征指標，作為估算模型的神經網絡輸入向量。

　　3.主成分分析法

　　首先通過主成分分析得到綜合的造價指標，再將這些指標作為BP神經網絡的輸入向量。主成分分析后得到的指標綜合了占據工程造價的主要成分，減少了BP網絡的輸入向量的個數，這樣不僅提高了網絡的計算速度，而且也使網絡不至于因為結構過大而癱瘓。通過主成分分析，將眾多輸入向量擬合成幾個綜合的指標向量，作為BP神經網絡的輸入向量，來減少網絡的結構，提高網絡的效率。

　　結論

　　基于人工智能的工程造價估測模型是以以工程特征為參數，用歷史數據，建立模型。因此合理的選取特征指標是建立智能估價模型的基礎。本文通過對工程特征的定義、指標選取分析以及3種特征指標選定方法的討論，結合文獻調研和上述案例數據本研究確定了17個特征指標作為造價預測模型的輸入指標，如下表5所示：輸入指標又分為定性指標和定量指標。

　　其中，數值型的特征指標在數據預處理后可以直接作為輸入指標，而字符型的特征指標需要轉變為數值型特征指標作為輸入指標。

　　參考文獻

　　[1]陳文盛. 工程造價估算模型研究與基于層次分析法的BP神經網絡模型應用[J]. 價值工程. 2015，34(29)

　　[2]葉青. 人工智能方法在估價領域的研究與應用[D]. 華僑大學福建省泉州市. 2011

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

　　[4]吳學偉. 住宅工程造價指標及指數研究[D]. 重慶大學. 2009

　　[5]唐也茜. 基于BP神經網絡的裝配式混凝土建筑估價研究[D]. 江西理工大. 2020

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

　　[7]邵雅楠. 基于主成分分析和BP網絡的高層住宅工程造價估算方法[D]. 燕山大學. 2015

　　[8]王德美，陳慧，肖之鴻，等. 基于數據挖掘的住宅工程造價預測[J]. 土木工程與管理學報第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模型研究[B]. 2018

　　[10]李曉娟. 基于BP神經網絡的工程造價估算模型研究[A]. 甘肅聯合大學學報(自然科學版). .2011，25(4)

　　[11]石江波. 普通住宅工程造價指標及指數編制研究[D]. 四川省成都市. 2015