基于BP神经网络的工程项目投标报价风险加价预测研论文
作者:佚名; 更新时间:2019-01-08

  [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Baldwin A.N.,McCaffer R.和Oteifa S.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。

  2.1 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。

  2.2 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。

  3案例分析

  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模型。

  3.1 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

  3.2 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。

  3.3 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。预测模型如图3所示。

  3.4 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。

  4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。

    核心期刊快速发表
    Copyright@2000-2030 论文期刊网 Corporation All Rights Reserved.
    《中华人民共和国信息产业部》备案号:ICP备07016076号;《公安部》备案号:33010402003207
    本网站专业、正规提供职称论文发表和写作指导服务,并收录了海量免费论文和数百个经国家新闻出版总署审批过的具有国内统一CN刊号与国际标准ISSN刊号的合作期刊,供诸位正确选择和阅读参考,免费论文版权归原作者所有,谨防侵权。联系邮箱:256081@163.com