- 1 -
RBF 神经网络在商品住宅投资估算中的应用
摘要：投资估算是建筑工程项目可行性研究中关键性的工作，其结果直接影响投资决策的判
断。针对现行人工神经网络估算方法，输入向量的选择依据科学性不足的缺陷，笔者拟应用
解释结构模型(Interpretatiue Sructral Modelling ，ISM) ，分析影响商品住宅造价的因素 ，
对造价影响程度不同的影响因素划分层级，以选出对造价影响较大的因素作为输入向量，使
人工神经网络在投资估算中的应用更有可靠性。
关键词： 工程管理；投资估算；神经网络；解释结构模型
中图分类号：F201 经济预测
The application of RBF neural network in the commodity
residential investment estimation
WANG Chunjuan, XIAO Yuejun
(China University of Mining and Technology ,Xuzhou 221116)
Abstract: The investment estimation of construction project is critical in the stage of feasibility
study,whose result directly impacts on investment decision-making judgment,Aiming at the present
situation of artificial neural network which is not enough scientific in selecting input vector
explanation,the author intends to application ISM,and the cost of commodity house,the cost of different
factors influencing degree of dividing level,to select the influence factors of cost as the input
vector,make artificial neural network in the application of investment estimate more reliability.
Key words: Project Management; Investment Estimation; neural network ; Interpretatiue
Sructral Modelling
0 引言
改革开放以来的中国，以商品住宅为主的房地产业的发展取得了令人瞩目的成就，发展
成为国民经济的支柱产业，从投资和消费两个方面拉东了国民经济的增长，住宅产业的发展
关乎国计民生。
面对国际国内形势，求发展是房地产开发企业面临的一个重要课题。在相同的开发环境
中，除了开发适应市场需求的产品外，尽可能地减少工程成本也就降低了企业的融资压力和
投资风险，最大限度地提高企业的投资收益。据统计，在国外建设工程费用占房地产总投资
的 70%左右，我国占 60%左右。在此背景下加强对商品住宅的造价控制研究有着重要的现
实意义。
1 商品住宅投资估算的发展趋势
投资估算是工程造价管理领域内重要且富有实际应用意义和价值的一项工作。没有科学
准确的估算，就谈不上工程造价的事前控制和管理，也就无法走出与造价管理相悖的“先干
后算帐”的现象[1]。
工程造价的应用和研究，必须走出原来“会计算帐”的狭隘观念和误区，才能适应工程
- 2 -
造价改革的发展。目前，我国的工程造价体系是基于估算指标和定额的估算体系。但随着工
程造价改革的不断发展深化，与国际接轨，实行“量”与“价”的分离，成为了必然的发展
趋势。即不依据定额，而是靠造价师的经验和技巧，参照当时当地的技术指标和造价信息来
估算工程造价。这种专家大脑的估算方式正与神经网络的方法相一致。
2 RBF 神经网络在住宅投资估算中的应用的可行性
随着适应市场经济规律的工程量清单计价制度的执行，使投资估算从僵化的定额制度中
解脱出来，使人工神经网络在投资估算中的应用成了可能，得到了广泛的应用。诸如回归分
析，模糊数学方法等技术分析方法也得到了很好的应用。但它们都存在一些不足，传统的回
归分析方法仅能以确定地函数形式如多项式函数对数据进行拟合，但在实际使用时，又大多
采用线性回归法，使造价与其影响因素之间的非线性关系变为线性关系，大大违背了客观规
律；模糊数学法相似工程的确定有一定的难度；基于神经网络的工程造价估算模型充分利用
了神经网络这个特征提取器的作用，从大量过去的相似工程参数资料中自动提取工程特征与
造价的规律关系；因其自身较强的适应性、精确性、鲁棒性及高度的概括能力和预测能力更
能满足建立造价信息系统的要求——动态地、自适应地从众多已完工程中提取有用信息，进
行预测，辅助决策[2]。
神经网络的基本模式主要有前馈型网络、反馈型网络、自组织型网络和随机型网络。这
4 种类型各具有不同的网络模型。在前馈网络中主要有 Adaiine，BP 网络及 RBF 网络； 反
馈网络主要有 Hopfield 网络；自组织网络主要有 ARI 网络；随机网络主要有 Boltzman 网络。
在以上这些神经网络中，最适合于住宅建设项目投资估算需要的只有 BP 网络与 RBF 网络，
即前馈型网络。BP 神经网络是神经网络模型中应用最广、最多的模型，但是 BP 网络极易
陷入局部极小值，学习过程收敛速度慢等等局限性使之在应用时带来很大的障碍；而径向基
函数模型不仅收敛速度快、学习精度高同时具有良好的预测精度和逼近速度，所以初步将径
向基函数神经网络模型确定为研究模型。
RBF 神经网络是一种典型的局部逼近神经网络，他对于每个输入输出数据对来讲，只
有少量的权值需要调整，从而使网络具有学习快的优点，在维数相同的情况下 RBF 神经网
络所需隐层结构数目较少，输入数据较多的情况的非常适用。他是一类特殊的三层神经网络，
即输入层，隐含层和输出层。具有以下几个特点[3]：
（1）RBF 神经网络以坚实的数学基础为依托，无需假设学习的近似函数形式，即可对
数据进行拟合；
（2）RBF神经网络可以以网络参数之间的高度非线性极高的精度预测非线性时间序列，
且速度极快；
（3）RBF 神经网络能从容应对网络参数之间的高度非线性关系，而不会陷入局部最优，
能用于高维空间的内插和外推；
（4）隐含层功能函数----径向基函数的特点决定了 RBF 神经网络较之其它多层前向网
络而言，更适合于解决高维问题，在维数相同的情况下，所需隐层结点数目较少；
（5）RBF 神经网络具有很强的鲁棒性和容错性，善于联想、概括、类比和推广，任何
局部的损伤不会影响整体结果。
（6）RBF 神经网络具有很强的自学习能力，系统可在学习过程中不断完善自己，具有
创新特点。
- 3 -
3 RBF 神经网络输入变量的确定
通过对人工神经网络的分析，径向基函数神经网络是对技术分析方法的一个突破，使推
断预测、决策问题变得十分明了，是最适应住宅投资估算的一种，它弥补了 BP 神经网络
收敛慢、易陷入局部最优等缺陷[4]，从而大大提高了其实用性，然而估算过程中 ，影响造
价的因素的选择多应用经验法或比例法 ，选择依据科学性不足 ，影响因素对造价的影响并
不能完全反映出来。 笔者拟应用解释结构模型(interpretatiue st ruct ral modelling ，ISM) ，
以商品住宅为例，分析影响造价的因素 ，对影响造价程度不同的影响因素划分层级 ，选择
对造价影响大的因素做为 RBF 神经网络的输入向量，从而提高估算精度，使人工神经网络
在投资估算中的应用更有可靠性。
解释结构模型
解释结构模型法（Interpretatiue Struct ral Modelling ，简称 ISM）是美国华费尔特教授
于年作为分析复杂的社会经济系统有关问题的一种方法而开发的。其特点是把复杂的系统分
解为若干子系统（要素），利用人们的实践经验和知识以及电子计算机的帮助，最终将系统
构造成一个多级递阶的结构模型[5]。
应用 ISM 对影响工程造价因素进行分析研究，可以使错综复杂的影响造价因素的关系
结构化，使对造价影响程度不同的因素处在其相应的层级上，从而找出影响程度较大的参数，
这样，在用 RBF 神经网络进行住宅造价估算时 ，便可选取处在层级较高的因素做为输入向
量，大大提高估算的速度与准确度。
解释结构模型的建立及运算
构建和运用 ISM 模型对各设计参数分析的步骤[6]如下:
(1)系统要素分析。梳理系统中各元素之间的关系。以商品住宅建筑为例，首先确立各
影响因素与最终造价为所要研究的系统，选取若干项影响因素为例来梳理各参数之间相互影
响、相互制约的关系。
(2) 绘制各元素之间的关系网络图。在此模型中，定义各元素之间的关系为：若 Ci 受 Cj
的制约或影响，则称 Ci 到 Cj 有 “关系” 存在，计为 “Ci →Cj”。例如：墙体( Ci ) 受
平面形状( Cj) 的直接影响，则计为 “Ci →Cj”。由此可以得到 Ci～Cj之间的关系图。元
素之间关系网络图中，逻辑关系的建立较为关键，所得的关系网络图也并不是唯一的。绘制
各元素之间关系网络图的基础是对设计参数之间影响关系的分析，而这种分析又需要综合运
用建筑学、结构工程学及建筑楼宇配套工程学等相关专业的理论与知识，需要较为丰富的工
程实践经验。
(3) 根据要素关系表建立系统要素的邻接矩阵。若元素 Ci 到 Cj有关系( Ci →Cj)则计为
1 ，没有关系计为 0 ，Ci 到 Cj 计为 0。
(4) 根据邻接矩阵计算求得可达矩阵。设 I 为单位阵，计算(A + I) i。 矩阵乘法运用布
尔代数运算法则，当(A + I) i= (A + I) i - 1 ( i ≤n )时，运算停止，求得(A + I ) i - 1为可达矩阵 M。
该部分的计算运用 Mat lab 软件编程完成。
(5) 对可达矩阵 M 进行分解。 M 中各元素列向量所含 1 的个数各不相同。 根据各
列元素含 1 的个数重新排列，含 1 最多的排在矩阵的最左边，依次排列，得到 M′
根据 ISM 的分析 ，越是处在高层级的影响因素，对造价的影响就越大。在用人工神
经网络进行估算时，根据需要，可以选择处在高层级的影响因素作为输入向量进行估算。
- 4 -
4 结论
本文从商品住宅投资估算角度出发，分析了 RBF 神经网络络在投资估算中的适用性和
存在问题，引入 ISM 对造价影响程度不同的影响因素划分层级，选择对造价影响因素大的
因素做为 RBF 神经网络的输入向量，以提高人工神经网络估算的精度和速度，以期起到抛
砖引玉的效果，为推动我国商品住宅投资估算研究和整个工程造价研究及应用工作的进程起
到绵薄之力。
