基于BP神經網絡的工程項目投標報價風險加價預測研論文

基于BP神經網絡的工程項目投標報價風險加價預測研論文

　　[摘要]工程報價確定時,其加價部分須考慮風險費用。本文分析了BP神經網絡在風險加價預測中的運用,并引入實際工程,運用MATLAB軟件,對其風險加價費率進行預測。

　　[關鍵詞]BP神經網絡;投標報價;風險加價

　　1引 言

　　工程投標承包是一項風險型事業,具有淘汰、激勵和調節三個基本功能,其風險和利潤并存。中國際勞工組織專家Baldwin A.N.,McCaffer R.和Oteifa S.A.指出,工程報價確定時,其加價部分須考慮風險費用,合理確定風險加價費用,而決策的正確程度會直接影響中標率和利潤回報。風險加價費用是指承包商對自留風險損失的補償,確定時應綜合考慮投標承包該項目全過程的期望風險損失值。

　　2BP神經網絡職稱論文

　　本文將采用BP網絡對風險加價費用進行預測。

　　2.1 輸入元素選擇與量化

　　輸入元素選擇時要注意的是,當不能提供較多訓練樣本時,必須設法減少樣本維數。故本文將引入AHP對風險因素進行權重計算,通過排序,選取權值較大的作為輸入元素。并建立相應的風險因素清單,合理估計風險事件發生概率及損失,確定哪些風險事件自留。

　　確定輸入值的方法:樣本工程與基本工程(樣本中選擇一個)對比的重要程度用標度來表示,標度取值范圍為[0,9],通過標度確定輸入值,如表1所示,表中分別為基本工程和樣本工程的風險因素,輸入值為人工神經元網絡的輸入值。

　　2.2 網絡設計和訓練

　　網絡設計主要解決的問題是隱層數設計和隱層節點設計。隱層數設計一般先考慮設一個隱層,當一個隱層節點數很多仍不能改善網絡性能時,才考慮再增加一個隱層。隱層節點設計主要依據是訓練誤差最小時的隱節點數。

　　網絡訓練主要要解決的問題是尋找最佳訓練次數,以獲得好的泛化能力。當測試誤差最小時,停止訓練。

　　3案例分析

　　以國內一家總承包公司采用EPC模式實行總承包為例。共收集到24樣本,1個作為基本工程,20個作為訓練樣本,3個作為檢測樣本,運用MATLAB建立風險加價費率預測模型。

　　3.1 確定輸入元素

　　結合本案例中項目的特點,列出了具體的風險因素(如圖2所示),并運用AHP計算出各因素的相對權重。最后根據權重排序,從17個因素中選取12個權重較大的輸入變量。

　　圖2 風險因素

　　3.2 確定輸入輸出數據

　　輸入元素量化,先建立風險清單,見表2。作為樣本工程識別風險事件的參考依據。通過樣本風險的識別、分析與評價,確定所選樣本的自留風險事件,并對風險事件進行評價分析。

　　3.3 網絡設計和訓練

　　運用MATLAB,建立單隱層模型,經過訓練,網絡性能良好,并確定隱層節點數為10時,訓練誤差最小。并經過7000多次訓練后得到最小誤差。預測模型如圖3所示。

　　3.4 檢驗樣本預測

　　最后引用樣本數據進行模型的檢測并發現,絕對誤差達到令人滿意的效果,預測值與實際值非常接近。見表4。

　　4結論

　　通過以上分析發現,BP神經網絡對風險加價費率預測具有一定的精準性,可以為承包商在投標報價時提供決策支持。

【基于BP神經網絡的工程項目投標報價風險加價預測研論文】相關文章：

基于BP神經網絡的遙感影像分類方法研究09-11

基于改進BP的神經網絡模型參考自適應控制05-23

基于RBF神經網絡的水體富營養化預測07-24

基于廣義回歸神經網絡的經濟預測模型研究07-10

基于粗集的神經網絡的項目風險的評估10-03

基于粗集的神經網絡的項目風險評估09-17

基于粗集神經網絡的項目風險評估08-04

基于BP神經網絡的點狀地圖符號模式識別08-19

基于廣義回歸神經網絡的黃金價格預測研究07-17

基于神經網絡的無線市話話務量的預測與分析08-16