（南京松虎建筑装饰工程有限公司，江苏南京210000）
摘要：经济的快速发展促进了建筑行业的兴起，尤其是随着城市化建设的不断推进，对商业和民用建筑的需求量大幅提升。但是在实际的施工过程中，受到各种人为和环境以及市场环境变化等因素的影响，导致预算造价和最终的实际需要造价不符，建筑企业的经济收益也会相应发生改变。在这种情况下，需要相关人员对建筑工程实际造价的动态进行科学合理的预才能够提升成本控制能力，以保证企业经济效益不会出现太大的波动。本文分析了建筑工程实际造价动态预测的模型以及模型结构的具体构成要素，并通过在案例中的应用分析强化了其实际作用。
关键词：建筑工程；实际造价；动态预测
前言
实际造价的动态预测工作在建筑工程开发以及实施阶段都起到非常关键的作用，而随着建筑市场的竞争愈加激烈，很多建筑商都在考虑如何通过对工程的实际造价进行动态预测而提高对成本的控制能力，进而降低工程投入、减少资源浪费，在激烈的市场竞争中赢得优势。但是在实际的造价预测过程中，受到多种因素的影响，预测结果很难保证可靠性和准确性，下文分析了BP神经网络模型在建筑工程实际造价的动态预测中的应用，为后期的造价预测工作提供参考和借鉴。
1动态造价预测的概述
实际造价的动态预测是建筑工程中一项非常重要的工作，对保证工程施工质量、控制施工进度和提升企业经济效益都起到关键作用。动态造价预测也是建筑工程造价控制工作的一个重要环节，关系着其控制质量和有效性，动态预测是在静态预测的基础上建立的,在预测过程中，必须要依据国家的政策规定和市场环境以及各种自然和人为因素，比如施工期间的气候条件、企业的管理水平、施工人员的技术能力等，进而对与建筑工程相关的价格进行合理的调整以及预测。
2动态造价预测模型的建立方法及原则
动态造价预测模型的建立必须要基于相关平台上的数据信息，以及建筑工程项目具体的进度和相关的造价信息，并通过科学的分析评估，对施工环境和施工材料的市场价格变化情况进行研究，进而得出两者对实际造价预测的影响。同时，要注意实际施工过程中的施工技术、施工进度和施工设备等对于工程造价动态预测的影响，最后结合建筑工程施工企业的历史造价的相关信息，在遵循科学性、合理性和可行性的原则上，建立以BP神经网络为基础的预测模型。需要注意的是，在预测工程的实际造价时，要充分考虑到在工程施工过程中可能会遇到的问题，以及其对造价控制会产生的影响，并通过分析找出相应的解决对策，避免为后期的顺利施工带来影响。
为了提高对建筑工程实际造价的控制能力，需要相关管理部门在合同的起草、商议以及签订、实行阶段对工程造价进行有效的干预和管理，并通过统筹论证分析工程造价控制。同时，根据上交的工程造价控制表和报告表，科学合理的分析工程造价控制的结果以及决策。以建筑工程施工企业历史的造价数据信息为基础，运用BP神经网络模型对实际造价的资金发展以及变化情况进行分析预知。然后比较造价预知的数据与造价计划，确定建筑工程施工的计划值，并对施工中可能会出现的问题进行分析，有针对性的采取改进措施，确保建筑工程实际造价预知结果更加真实、可靠以及准确。
3建筑工程实际造价动态预测模型的结构
3.1BP神经结构网络在建筑工程实际造价动态预测中的应用
通过对神经结构层数和每层神经元的具体个数进行确定，能够有效构建建筑工程的BP神经网络。由于在通常情况下，BP神经网络只存在于一个输入层或与之相对的输出层，因此决定建筑工程BP神经网络结构输入层神经个数的重要因素就是建筑工程实际造价的因素。比如在对建筑工程的管线进行施工时，其施工进度和效率会受到天气状况、地形地势、以及各种施工材料和施工管理水平的影响，因此可以将这四个影响因素作为BP神经网络输入层的4个神经元，并将管线施工的预算费用作为网络输出层中唯一的神经元。1989年相关的专家学者就证明了对于任何在闭区间内的连续函数都可以用一个隐含层的BP网络来逼近，因此可以确定隐含层的个数为1，隐含层的节点可以通过经验公式确定为12个。其中隐含层的节点数为输入层的节点数，而输出层的节点数为调节常数。因此站外管线BP神经网络的结构为：4-12-1，即该BP网络有4个输入节点，12个隐含层节点，1个输出节点。
3.2建筑工程实际造价动态预测BP神经网络的创建和训练
一般情况下，在对BP神经网络进行算法的训练的过程中，可以通过计算机梯度方式，对阀值和梯度权值进行科学合理的调整，从而确保性能函数值达到最小。Matlab网络工具可以为构建BP神经网络结构提供较多的可训练函数，但是由于这些函数模式的适用性不强，需要通过Train对其，然后才能进行运用。正是考虑到这种影响因素，在建筑工程实际造价动态预测BP神经网络中，一般会选择Traindm函数对其进行训练，这样就可以对阙值和梯度值进行及时的更新，进而有效降低参照函数对网络性能调整带来的影响。
4实例应用
本文以某建筑工程的站外管线工程为例，建立BP神经网络预测模型，并对其进行实际应用分析，通过预测结果对施工计划进行相应调整。在模型建立的过程中，需要考虑到站外管线工程所需要的实际费用都受到哪些因素的影响，比如土壤条件、气候环境、管理能力以及最重要的每公里管线的价格。这四个因素就可以作为BP神经网络预测模型输入层的4个节点，而站外管线实际费用的预测值则是输出层的1个节点，通过上的分析可以用1层12个节点表示中间的隐含层层数和节点数，根据这些数据就可以建立一个三层网络，应用到实际的建筑工程造价的动态预测分析工作中。
首先利用该模型预测2015年某个建筑工程的计划费用为2785万元，然后建立工程造价模型的训练样本，规定其预测偏差为[0，1]。将训练样本中的数据输入网络，并按照学习算法规定的步骤进行反复的训练，通过最终的检测结果发现实际输出和期望输出的差值十分接近，这样一来就可以对所建立的BP网络模型进行实际应用。
最终通过BP网络预测模型得到的预测数据表示2015年该工程项目的预期CPI指数为1.124，地质状况指数为2.3651，管理水平指数为3.1453，气候状况指数为2.326，代入已经训练好的网络，进行目标值预测，得到实际费用是2973，可以发现，实际的资金需求要超出预算费用，最后相关人员通过调研分析发现造成费用超支的原因是天气变化带来的工程延误。
为了尽可能的降低天气变化所导致的造价上升，该工程团队决定调整施工进度，首先增加前期的施工进度，并加强对质量的监督管理工作，避免因为进度提升而忽略了工程质量。其次，在不利于进行施工的天气条件下对施工人员进行技术培训和心理辅导，以提高后期工程进度和质量并增强他们的责任意识。最后，预测人员再次利用BP神经网络模型对实际造价进行预测，发现经过工程进度调整之后实际造价和预算造价基本接近，说明进度调整工作有效，可以实行。
5结语
通过以上分析可以发现，通过建立BP神经网络模型，能够有效计算出预测造价与实际所需要造价的差值，进而通过分析研究找到导致造价增加的根本原因，并根据具体的原因进行工程进度或者施工方式的调整，这样可以有效的降低工程造价提高资源的利用率，最终帮助企业获得更多的经济收益。但是在实际的应用过程中，要注意提高数据的精准度，将误差控制在较小的范围内，这样才能够保证最终得出的结果具备可靠性。
参考文献：
[1]张艳青．建筑工程实际造价的动态预测探讨[J]．城市建筑，2014（02）
[2]邓廷林．建筑工程实际造价的动态预知思路构建[J]．中小企业管理与科技（下旬刊），2014（06）
[3]熊钢泉．研究分析建筑工程造价的动态[J]．江西建材，2014（06）
[4]许晶．建筑工程中造价动态管理与控制论述与分析[J]．科技创业家，2014（04）