摘要:目前人工智能技术已在建筑工程造价中有初步运用，其采用科学方法来对工程造价进行计算和编制，从而代替人工劳动力，提高计算精度和准确率。对人工智能和工程造价的影响因素进行了分析，并在人工神经网络、遗传算法以及数据信息应用方面对人工智能在工程造价领域的发展进行了探讨，最后结合公路工程造价实例分析了ＲBF网络模型的实际应用和优势。
关键词:人工智能，工程造价，神经网络
1概述
将信息技术与工程造价计算进行相融合的交叉性研究，属于将人工智能技术引入工程造价领域的一种开创性探索研究。在项目的工程施工过程中工程造价是影响项目施工的关键因素，造价计算的准确性对于工程施工的进展至关重要，在具体计算过程中需要项目整体统一计划，并且需要考虑到施工现场条件、施工方案、施工组织设计、施工质量要求等因素的影响。工程造价领域引入人工智能不仅能够提高造价计算的准确性和高效性，还能解决人力计算易出现的错误和误差，并能将全部影响因素(如人工、材料、施工机械的市场价格变动，利率、汇率等一些风险因素的影响)进行综合考虑，对于承包商来说，能够得到一个最优的施工方案和最合理的投标报价，进而中标的可能性和期望更大，对于投资方来说，能够更加准确地把握工程项目的建设总投资，为项目的投资融资方案以及后面工程的顺利开展提供支持。目前人工智能主要应用于云计算、大数据、图像识别、语音识别、LBS及AI技术等方面，以及在智能财务方面的应用，但是其在造价方向的研究较少。
2人工智能与工程造价概述
人工智能是在计算机科学计算的基础上，依靠计算程序的编制和设计，实现代替人力劳动，完成相关应用的过程。人工智能一般具有感知能力、记忆能力、适应能力以及反应能力等特点。工程造价是建筑工程中非常重要的一个环节，其一般具有影响因素众多、造价总额较大、可变性强、动态性强以及复杂程度高等特点。在人工从事造价计算的过程中，需要对整个造价过程中涉及到的工程量计算规则、价格水平、定额、费率等问题清晰明了，需要对影响工程造价的各种因素综合考虑，不能出现任何误差，因此耗费的精力和时间必须很多，人力计算时也难免容易出现一些误差或者错误，甚至给某些企业采取不正当手段达到恶意中标的目的。在人工智能引入工程造价后，通过降低人为因素的干扰，依靠计算机的编程和设计，将材料设备等进行程序化，可以进行准确和高效的计算，保证计算准确的同时也保证了造价文件的准确性，以合理实现业主和乙方双方的利益。
3人工智能在工程造价领域的发展现状
人工智能技术的发展及应用，使得更多的企业和行业向人工智能靠拢，导致很多行业的劳动力被人工智能所替代，而其在工程造价领域目前研究和应用较少，主要在以下方面开展了研究。3．1工程量计算引入人工智能。工程量计算主要是对施工过程中涉及到的土石方工程、钢筋混凝土工程、砌筑工程、模板工程等工程量进行综合计价和计算，然后编制工程量清单。分部分项工程费用的形成是以清单工程量和综合单价为基础，工程量的正确计算需要建立在正确的读图、识图的基础上，这部分工作工程量很大，也需要高效准确的计算和精力，因此工程造价部门一般安排许多专业人员进行全面计算。目前5D云机器人技术运用BIM+云+AI技术，通过BIM技术和AI技术，快速实现了清单列项和工程量计算工作的计算机化，可在1h内完成以前需要数天才能完成的清单列项工作，并同步瞬时完成以前需要数天才能完成的工程量计算工作，从而大大缩短了以前需要数周才能完成的工程量清单编制工作。3．2人工神经网络用于工程造价估算模型。人工神经网络是一种运算模型，由大量的节点(或称输入层/输出层)之间相互联接构成。利用人工神经网络建立的建筑工程造价快速估算模型主要有:BP模型、ＲBF模型和模糊神经网络模型。基于BP模型可以快速对工程造价进行估算，而径向基函数神经网络作为分析方法的一个突破，使推断预测、决策问题变得十分明了。如图1所示，径向基函数由格林函数构成隐层，然后在输入层和输出层的设置后，计算出运行结果，从而完成输入空间到输出空间的映射。X1X2XnY1Yn输入层隐层输出层3．3相关算法和数据信息的融合。随着社会发展，我们各种各样的信息和数据都在数字化，大数据时代已经来临，目前有部分行业和企业已逐步建立有自己的数据库，大数据驱动人工智能不断发展，建立驱动数据和知识引导的智能计算平台和方法，能够更加智能化的计算相关数据。数据信息和人工智能相关算法的融合也将成为未来工程造价行业发展的趋势，通过大数据的融入，可以更快捷、准确的判断造价过程中各种影响因素的权重，然后通过计算机的消除与避免，提高工程造价的运行效率和准确性。同时数据信息平台的建立可全面并更具针对性地提升了工程造价信息化水平，对于企业而言，不仅满足了企业运营、生产管控以及高效管理的需要，也降低了企业运营成本，进一步提升了企业市场竞争力。
4人工神经网络在工程造价行业的应用探索
以某公路工程造价估算为例，采用神经网络方法，建立径向基函数，在输入层选择8具有代表性的工程特征作为输入变量，如表1所示，用X1～X8表示，同时，将千米造价作为输出变量，用C1表示，另外设置隐层数目、样本数目。通过输入节点进行初始化和数字化处理，这样便于计算机识别和神经网络的接受，计算结果如表1所示，计算的输出结果与实际值相对误差符合要求，同时将模拟结果进行比较，相对误差仅4．95%，计算结果如表2所示。运用Matlab语言程序编程计算，BP网络计算时间花费624．7s，径向基函数计算时间花费3．1s，说明采用径向基函数的ＲBF模型的推广能力更强，泛化能力更好，其不论在训练时间还是预测误差方面都优于BP网络计算方法。
5结语
在建筑工程造价中引入人工智能已成为未来工程造价行业智能化、数据化发展的方向，其对造价项目的影响因素、工作重点、规划管理等方面都产生了一定的影响和变革，也对传统工程造价人员的综合能力要求更高。本文对人工智能和工程造价的影响因素进行了分析，并在人工神经网络、遗传算法以及数据信息应用方面对人工智能在工程造价领域的发展进行了探讨，最后结合公路工程造价实例分析了ＲBF网络模型的实际应用和优势，是智能化技术在工程造价中得到更好运用体现。