(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111383309.X (22)申请日 2021.11.22 (71)申请人 刘瑞红 地址 450003 河南省郑州市金 水区三全路 与丰庆路交叉口西南角瀚宇国际4楼 (72)发明人 刘瑞红　赵二银　卢伟森　胡琼　 郭伟利　李东方　赵龙　曾勐　 罗瑞娟　王卫芳　陈英　彭凤霞　 全立平　马艳　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 代理人 王磊 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/10(2012.01)G06Q 30/02(2012.01) G06Q 10/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于极限学习机的建筑项目施工成本 预测方法 (57)摘要 本发明涉及一种基于极限学习机的建筑项 目施工成本预测方法， 包括， 构建影响建筑项目 施工成本的指标体系； 采用主成分分析法提取所 述指标体系中的主要影 响指标； 将建筑项目的施 工成本和与之对应的主要影响指标的量化值组 成一个样 本数据， 采集若干建筑项目的施工成本 和对应的主要影 响指标的量化值， 构建样本数据 集； 构建极限学习机， 并利用 样本数据集完成极 限学习机的网络训练； 对于待预测施工成本的建 筑项目， 将其主要影响指标的量化值输入训练完 成的极限学习机中获取施工成本的预测值。 相比 于现有技术， 本发明采用改进的人工鱼群算法优 化极限学习机进行建筑项目成本的预测， 提高了 成本预测精度， 有利于企业制定合理的施工计 划。 权利要求书2页 说明书10页 附图4页 CN 114358365 A 2022.04.15 CN 114358365 A 1.一种基于极限学习机的建筑项目施工成本预测方法， 其特 征在于， 包括以下步骤： 步骤1： 构建影响建筑项目施工成本的指标体系； 步骤2： 采用主成分 分析法提取 所述指标体系中的主 要影响指标； 步骤3： 将建筑项目的施工成本和与之对应的主要影响指标的量化值组成一个样本数 据， 采集若干建筑项目的施工成本和对应的主 要影响指标的量 化值， 构建样本数据集； 步骤4： 构建 极限学习机， 并利用样本数据集完成极限学习机的网络训练； 步骤5： 对于待预测施工成本的建筑项目， 将其主要影响指标的量化值输入训练完成的 极限学习机中获取施工成本的预测值。 2.如权利要求1所述的一种基于极限学习机的建筑项目施工成本预测方法， 其特征在 于， 步骤1中， 所述指标体系中的影响指标包括建筑特征、 项目管理水平、 安全水平、 组织情 况、 装饰装修、 项目控制程度； 所述建筑特 征包括建筑面积、 结构类型、 层高、 地上层数、 地下层面积； 所述项目管理水平包括资源调度、 合同、 人员组织与协调、 质量管理； 所述安全水平包括工人专业 化水平、 经济、 监管情况、 施工 机械化水平、 运输距离； 所述组织情况包括制度完善情况、 制度执行情况、 信息管理系统完善程度、 责权明确 度； 所述装饰装修包括楼地 面装修、 外墙装饰、 内墙装饰； 所述项目控制程度分工管理程度、 进度控制、 质量控制、 责任制落实程度。 3.如权利要求1所述的一种基于极限学习机的建筑项目施工成本预测方法， 其特征在 于， 所述步骤2包括以下步骤： S2.1、 获取相关领域多个专 家对指标体系中的各影响指标的评分； S2.2、 根据各影响指标的分值利用主成分 分析法提取主 要影响指标。 4.如权利要求3所述的一种基于极限学习机的建筑项目施工成本预测方法， 其特征在 于， S2.2具体为： S2.2.1、 构建影响指标的评分矩阵X， X为 N×n的矩阵， N 为专家个数， n 为影响指标个数； S2.2.2、 对评分矩阵X进行 标准化， 并构建相关系数矩阵R＝XTX； S2.2.3、 求取相关系数矩阵R的特征根λ1, λ2…, λn和对应的特征向量a1,a2…,an， 特征根 λ1≥λ2≥…≥λn且特征根与影响指标相对应； S2.2.4、 分别计算特征根对应的影响指标的贡献率， γi为影响 指标i的贡献率， λi为影响指标i对应的特 征根； S2.2.5、 设定贡献率 阈值β， 若前m个特征根对应的贡献率之和不小于β， 则将该m个特征 根对应的影响指标作为主 要影响指标。 5.如权利要求1所述的一种基于极限学习机的建筑项目施工成本预测方法， 其特征在 于， 步骤4具体包括以下步骤： S4.1、 构建单隐层极限学习机， 包括m个输入神经元、 L个隐层神经元和一个输出神经 元， 设置极限学习机隐层神经 元的激活函数G( ·)； S4.2、 利用改进人工鱼群算法初始化极限学习机的初始输入权值矩阵和隐层阈值矩 阵；权　利　要　求　书 1/2 页 2 CN 114358365 A 2S4.3、 将样本数据集X＝{(xi,ti)|xi∈Rm,ti∈R,i＝1,2, …n}作为极限学习机的输入， xi为第i个样本数据且xi＝{xi1,xi2,…xim}， xi1,xi2,…xim为第i个样本数据中m个主要影响指 标的量化值， ti为第i个样本数据中的施工成本； S4.4、 获取极限学习机的隐层输出矩阵H和输出权 重矩阵β 。 6.如权利要求5所述的一种基于极限学习机的建筑项目施工成本预测方法， 其特征在 于， S4.2中， 改进人工鱼群算法中的每条人工鱼包含极限学习机的输入权值矩阵和隐层阈 值矩阵的所有元 素值， 对每 个人工鱼个 体计算隐层输出矩阵H和输出权 重矩阵β， 其中， hL为第L个隐层神经元的输出， aL表示输入权值矩阵第L列的元素， bL表示隐层阈 值矩阵第L个元素， x＝{x1,x2,…xm}为某样本数据中m个主要影响指标的量化值矩阵且t为 与之对应的施工成本， 为H的广义逆矩阵； 计算极限学习机对样本数据集的预测值与标签值的均 方根误差， 将均方根误差作为改 进人工鱼群算法的适应度函数， 寻找使得均方根误差最小的输入权值矩阵和隐层阈值矩阵 作为极限学习机的初始输入权值矩阵和隐层阈值矩阵。 7.如权利要求6所述的一种基于极限学习机的建筑项目施工成本预测方法， 其特征在 于， 改进人工鱼群算法包括以下步骤： a、 初始化人工鱼参数， 包括人工鱼的个数fishNum、 视野visual、 步长step、 拥挤程度 δ、 体能衰减阈值 和尝试次数； b、 采用混沌变换法初始化人工鱼群的位置分布： Pi+1＝ μ*Pi*(1‑Pi),Pi∈(0,1)， Pi和Pi+1 分别表示第i条 人工鱼和第i+1条 人工鱼的位置， μ为控制参数； c、 每条人工鱼进行聚群和追尾行为， 若未达 到约束条件则执 行觅食行为； d、 判断人工鱼步长是否大于体能衰减阈值， 若 则衰减步长， step＝a*step， α ∈ (0,1)为体能衰减因子； 否则， 定义与最优解的距离因子φ＝m/ fishNum， m为第i条人工鱼t 时刻的编号， 若φ∈(0,0.5]则 若φ∈(0.5,1]则 其中， t时刻第i条人工鱼的位置记作Xi， Xi在视野内随机前进一步记作Xj， δ1＞1, δ2∈ (0,1)， Rand()为随机函数， 产生0 到1之间的随机数； e、 判断是否 达到终止条件， 若达 到则执行步骤d， 否则返回步骤c继续执 行； d、 输出最优解。权　利　要　求　书 2/2 页 3 CN 114358365 A 3