公路工程材料价格的影响因及预测分析

公路工程材料价格的影响因及预测分析

王慧

 620421199308162859

摘 要：公路工程建设造价成本中，建材材料的成本总是重要的影响因素之一，随着国家大力推动生态发展的同时，像水泥，沥青，钢筋等产量减少，导致了市场的供需出现了不平衡，使得材料的价格的上涨波动较为明显，所以对于材料价格的预测显得尤为重要，本文选取了BP神经网络对材料价格进行了预测分析，并通过实际案例实际结果得出其可信度较高误差能够在降低至1.3-4.2%的范围内。

关键词：BP神经网络；材料价格；预测分析；建材材料

前言

在“十四五”的政策大背景下，国家对于推动绿色发展，提升环境生态系统质量和稳定性有了更加严格的要求，这样会导致公路工程项目中水泥，砂石等原材料的开采量下降，从而导致产量下降，并且在一定程度上会提高生产成品，同时基础建设也正在如火如荼，市场很庞大，所以在这样一个供不应求的市场下，项目材料费占整体造价的比重会逐步提升，所以对于材料价格得预测进行分析十分重要，可以通过预测结果掌握材料的变化趋势，并且能够控制工程投资，施工单位可以将材料价格波动的影响降到最低，合理优化资源配置。

1 公路工程材料价格变化对工程造价的影响

在公路工程造价分析过程中，材料价格占总造价中地比例较大，根据相关数据来看，材料费可以占总造价费用的40%-60%，基本占了一半及以上的花销。为了可以更加直观地看出材料价格变化对于公路工程造价的影响，本文将以某建设项目作为分析对象，以不同年份的材料平均价格进行造价计算。

2公路材料价格影响因素

2.1 水泥混凝土价格影响因素

从最新的数据来看局部水泥价格正在大幅拉涨，可能的原因有以下几点，一是由于国家政策的指导，要大力保护环境生态，减少对于水泥原材料的开采，导致了水泥的产量正在减少，但是市场需求在稳步提升，从而出现了供不应求的现象；二是多地区熟料线错峰生产天数增加，导致熟料库存持续下降；三是用于制作水泥所需的动力来源价格上涨，从而导致成本上涨。

2.2 钢材价格影响因素

其原因可以包括以下三点：一是原材料上涨，在全球范围内的资源供给错配推动了原材料价格的上涨；二是由于受到疫情影响，某些国家超印货币，导致产生通货膨胀，使得钢材价格上涨；三是市场需求的增加，我国经济在疫情的大背景下持续稳定恢复，钢材需求显著增加，导致价格变化。

2.3 砂石材料价格影响因素

  在推动绿色生态的情况下，砂石厂的产量以及数量受到了不小的削减，但是我国正处于发展的过程，城市化需要大量的基建，但是产量的减少，必定会导致市场供需不平衡，从而导致砂石材料价格的上涨。

3 基于BP神经网络的材料价格预测方法

3.1 BP神经网络预测方法的优势

通过调查文献发现，BP神经网络可以应用于多种领域，像华南理工大学的何智贤利用BP神经网络对柴油价格进行预测[2]，南京农业大学对水产品价格进行预测[3]等等，其具有多种优势，可以自主学习，自适应学习等特点，并且具有较强的非线性映射和泛化能力，特别适合解决材料价格预测问题，

3.2 BP神经网络结构

BP神经网络是一种误差逆传播算法训练的多层前馈网络，类似于大脑神经突触的结构模型， BP神经网络模型脱坡结构包括三个单元：输入单元，输出单元和隐含单元。[4]BP反向传播方法是神经网络建模中使用广泛且成功的方法，能够自身学习和储存输入和输出模式的映射关系，其主要原理是：输入学习样本，通过输入端传播至输出端，并将误差反传给输入端，对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，误差尽可能地小，并且当误差达到置信区间时可以停止学习训练。

3.3 BP网络模型构建

（1）确定输入层和输出层。分别用向量X和Y表示样本价格和预测价格；

（2）确定隐含层及权值。分别利用矩阵V和W表示输入和隐含，隐含和输出之间得到权值；

（3）确定相关函数，包括传递函数、训练函数和网络函数；

（4）学习训练。通过数据进行自主学习，不断减少预测值和实际值的误差，并通过不断地迭代学习将误差减少至置信区间，并使得结果可以稳定。

3.4 预测步骤

3.4.1 数据采集

通过BIM、官方网站数据库获取材料费用以保证真实性，为BP神经网络模型提供学习值和实际值，用于分析误差。

3.4.1 数据归一化处理

将所得数据按照线性公式yi=进行归一化处理。

3.4.2 设定参数

首先确定输入单元个数为I，再确定输出单元个数为P，根据经验公式y=确定隐含单元个数。

3.4.3 选取确定函数

选取符合条件的传递函数，训练函数和网络函数构建。

3.4.4 预测误差修正

根据预测结果与期望值进行误差分析，若误差属于置信区间则停止学习训练，若超出置信区间，则继续进行学习，直至误差进入置信区间。[5]

4 基于BP神经网络的材料价格预测方法结果分析

4.1 应用案例

4.1.1 BP神经网络在混凝土价格预测中的应用

通过文献查阅，本文选取了BP神经网络在2019年上半年混凝土C10、C20价格预测的案例。此案例采用连续预测方式，利用4个月的历史数据来预测第5个月的价格，通过采用双极性Sigmoid函数作为隐含层的激活函数，并使用梯度下降函数traingd（）为训练函数，并进行了3000次的迭代学习,并最终获得如下表所示的学习训练结果。

5 结论

    在国家大力整改环境问题的大背景下，公路工程材料的价格也会受到诸多的影响因素，所以对于各施工企业都需要一套完整成熟的预测系统，能够把握住材料价的的变化趋势，减少材料费用占整体造价的比例，省出更多的资金来保质保量，本文通过分析公路工程材料价格所受影响因素，以及介绍了一种基于BP神经网络对材料价格预测的方法，并通过实际案例验证了此方法的可行性，以及可信度，能够为工程建设过程中提供参考价值。

参考文献

[1]丁夏淑.桥隧比对湖南高速公路工程造价的量化影响分析[J].湖南交通科技,2020,46(03):69-74.

[2]何智贤. 基于BP神经网络的柴油价格预测研究[D].华南理工大学,2020.DOI:10.27151/d.cnki.ghnlu.2020.005067.

[3]贺艳辉. 基于BP人工神经网络水产品价格预测的研究[D].南京农业大学,2009.

[4]蒋金湖,綦春明,卜波,李佩琪.基于BP神经网络的建筑材料价格预测研究[J].项目管理技术,2022,20(05):24-27.

[5]唐海燕,刘荣桂,韩豫,王进.基于BIM-5D的工程施工成本预测系统构建[J].工程管理学报,2015,29(04):107-112.DOI:10.13991/j.cnki.jem.2015.04.020.

[6]孙晋东.BP神经网络在混凝土价格预测中的应用研究[J].新型工业化,2022,12(01):157-158+161.DOI:10.19335/j.cnki.2095-6649.2022.1.058.