基于BP神经网络的工程项目投标报价风险加价预测研究.doc

《基于BP神经网络的工程项目投标报价风险加价预测研究.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络的工程项目投标报价风险加价预测研究　　[摘要]工程报价确定时,其加价部分须考虑风险费用。本文分析了BP神经网络在风险加价预测中的运用,并引入实际工程,运用MATLAB软件,对其风险加价费率进行预测。　　[关键词]BP神经网络;投标报价;风险加价　　1引言　　工程投标承包是一项风险型事业,具有淘汰、激励和调节三个基本功能,其风险和利润并存。中国际劳工组织专家BaldwinA.N.,McCafferR.和OteifaS.A.指出,工程报价确定时,其加价部分须考虑风险费用,合理确定风险加价费用,而决策的正确程度会直接影响中标率和利润回报。风险加价费用是

2、指承包商对自留风险损失的补偿,确定时应综合考虑投标承包该项目全过程的期望风险损失值。　　2BP神经网络职称论文　　本文将采用BP网络对风险加价费用进行预测。　　3.1输入元素选择与量化　　输入元素选择时要注意的是,当不能提供较多训练样本时,必须设法减少样本维数。故本文将引入AHP对风险因素进行权重计算,通过排序,选取权值较大的作为输入元素。并建立相应的风险因素清单,合理估计风险事件发生概率及损失,确定哪些风险事件自留。　　确定输入值的方法:样本工程与基本工程(样本中选择一个)对比的重要程度用标度来表示,标度取值范围为[0,9],通过标度确定输入值,如表1所示,表

3、中分别为基本工程和样本工程的风险因素,输入值为人工神经元网络的输入值。　　3.2网络设计和训练　　网络设计主要解决的问题是隐层数设计和隐层节点设计。隐层数设计一般先考虑设一个隐层,当一个隐层节点数很多仍不能改善网络性能时,才考虑再增加一个隐层。隐层节点设计主要依据是训练误差最小时的隐节点数。　　网络训练主要要解决的问题是寻找最佳训练次数,以获得好的泛化能力。当测试误差最小时,停止训练。　　4案例分析2　　以国内一家总承包公司采用EPC模式实行总承包为例。共收集到24样本,1个作为基本工程,20个作为训练样本,3个作为检测样本,运用MATLAB建立风险加价费率预测

4、模型。　　4.1确定输入元素　　结合本案例中项目的特点,列出了具体的风险因素(如图2所示),并运用AHP计算出各因素的相对权重。最后根据权重排序,从17个因素中选取12个权重较大的输入变量。　　图2风险因素　　4.2确定输入输出数据　　输入元素量化,先建立风险清单,见表2。作为样本工程识别风险事件的参考依据。通过样本风险的识别、分析与评价,确定所选样本的自留风险事件,并对风险事件进行评价分析。　　4.3网络设计和训练　　运用MATLAB,建立单隐层模型,经过训练,网络性能良好,并确定隐层节点数为10时,训练误差最小。并经过7000多次训练后得到最小误差。预测模型

5、如图3所示。　　4.4检验样本预测　　最后引用样本数据进行模型的检测并发现,绝对误差达到令人满意的效果,预测值与实际值非常接近。见表4。　　5结论　　通过以上分析发现,BP神经网络对风险加价费率预测具有一定的精准性,可以为承包商在投标报价时提供决策支持。2