预测高速公路建设项目最终的预算和时间摘要目的——本文的目的是开发模型来预测公路建设项目施工阶段最后的预算和持续的时间。

设计——测算收集告诉公路建设项目，在发展预测模型之前找出影响项目最终的预算和时间，研究内容是基于人工神经网络(ANN)的原理。

与预测结果提出的方法进行比较,其精度从当前方法基于挣值。

结果——根据影响因素最后提出了预算和时间，基于人工神经网络的应用原理方法获得的预测结果比当前基于挣值法得到的结果更准确和稳定。

研究局限性/意义——因素影响最终的预算和时间可能不同,如果应用于其他国家,由于该项目数据收集的都是泰国的预测模型,因此,必须重新考虑更好的结果。

实际意义——这项研究为用于高速公路建设项目经理来预测项目最终的预算和时间提供了一个有用的工具，可为结果提供早期预算和进度延误的警告。

创意/价值——用ANN模型来预测最后的预算和时间的高速公路建设项目,开发利用项目数据反映出持续的和季节性周期数据, 在施工阶段可以提供更好的预测结果。

关键词：神经网、建筑业、预测、道路、泰国文章类型：案例研究前言一个建设工程项普遍的目的是为了在时间和在预算内满足既定的质量要求和其他规格。

为了实现这个目标,大量的工作在施工过程的管理必须提供且不能没有计划地做成本控制系统。

一个控制系统定期收集实际成本和进度数据,然后对比与计划的时间表来衡量工作进展是否提前或落后时间表和强调潜在的问题(泰克兹,1993)。

成本和时间是两个关键参数，在建设项目管理和相关参数的研究中扮演着重要的角色，不断提供适当的方法和工具，使施工经理有效处理一个项目，以实现其在前期建设和在施工阶段的目标。

在施工阶段,一个常见的问题要求各方参与一个项目，尤其是一个所有者,最终项目的预算到底是多少?或什么时候该项目能被完成？在跟踪和控制一个建设项目时，预测项目的性能是非常必要的。

目前已经提出了几种方法,如基于挣值技术、模糊逻辑、社会判断理论和神经网络。

将挣值法视为一个确定的方法，其一般假设，无论是性能效率可达至报告日期保持不变，或整个项目其余部分将计划超出申报日期（克里斯坦森，1992；弗莱明和坎普曼，2000 ；阿萨班尼，1999；维卡尔等人，2000）。

然而，挣值法的基本概念在研究确定潜在的进度延误、成本和进度的差异成本超支的地区。

吉布利（1985）利用平均每个成本帐户执行工作的实际成本，也称作单位收入的成本，其标准差来预测项目完工成本。

各成本帐户每月的进度是一个平均平稳过程标准偏差，显示预测模型的可靠性，然而，接受的单位成本收益在每个报告期在变化。

埃尔丁和休斯（1992）和阿萨班尼（1999）利用分解组成成本的结构来提高预测精度。

迪克曼和Al-Tabtabai（1992）基于社会判断理论提出了一个方法，该方法在预测未来的基础上的一组线索，源于人的判断而不是从纯粹的数学算法。

有经验的项目经理要求基于社会判断理论方法的使用得到满意的结果。

Moselhi等人（2006）应用“模糊逻辑”来预测潜在的成本超支和对建设工程项目的进度延迟。

该方法的结果在评估特定时间状态的项目和评价该项目的利润效率有作用。

这有助于工程人员所完成的项目时间限制和监控项目预算。

Kaastra和博伊德（1996）开发的“人工神经网络”,此网络作为一种有效的预测工具，可以利用过去“模式识别”工作和显示各种影响因素的关系，然后预测未来的发展趋势。

罗威等人（2006）开发的成本回归模型能在项目的早期阶段估计建筑成本。

总共有41个潜在的独立变量被确定，但只有四个变量：总建筑面积，持续时间，机械设备，和打桩，是线性成本的关键驱动因素，因为它们出现在所有的模型中。

模型提出了进一步的洞察了施工成本和预测变量的各种关系。

从模型得到的估计结果可以提供早期阶段的造价咨询（威廉姆斯（2003））——最终竞标利用回归模型预测的建设项目成本。

人工神经网络已被广泛用在不同的施工功能中，如估价、计划和产能预测。

神经网络建设是Moselhi等人（1991）指出，由Hegazy（1998）开发了一个模型，该模型考虑了项目的外在特征，估计加拿大的公路建设成本：·项目类型·项目范围·建筑年限·季节·建筑地点·项目时长·项目距离·线路数量·穿过公路分叉口的数量·建筑工地土壤环境18个项目的测试平均误差值是1.04。

Bhanupong（2004）开发了一个模型来预测公路建设项目累计成本，考虑因素包括关于项目特征的两大类因素，所得到的累积成本数据可以用于精确的财务计划和管理快速报价。

威尔莫特和梅（2005）应用人工神经网络预测道路未来的建设成本，使用的是玛塔波开发的一个模型估计未来的建设成本，从商业指数计算成本变量与建筑人工、机械和建筑材料成本。

该模型的结果可以应用于工程造价估算，而且准确率在百分之九十五以上。

过去大多数的研究主要集中在替换上述观点预测项目状况给成本超支和进度预警延迟，同时，在公路建设方面，研究重点在估计建议由政府资助降低项目成本预算。

虽然，它是由政府的共同利益确定，取得该项目的合同被签订时，以确保给定的预算是足够的，有一种可能性，即给定的预算将不足以因为工作的数量不完全确定，直到项目完成。

例如，基本材料和土方工程量取决于不同位置的土壤条件。

因此，单价合同被广泛应用于公路建设。

如果超过预算出现，需要额外的资金来完成这个项目。

作为该项目的政府代表，企业必须不断监测项目预算现状，预测需要完成的项目最终的预算和时间，并定期向更高的管理提交项目状态报告。

因此，最终完成公路建设项目在施工阶段所需的预算和时间的预测方法作为本文的研究目的。

当前在泰国使用的方法在泰国，公路部门需要负责有大约60000公里的交通运输网络。

在过去的几年，该部门已经拟定了一项公路网络计划，这项预算超过4500亿泰铢，大约占2007年国家预算的百分之三。

总预算分为三类，即建设、维护和管理，约百分之八十五的预算分配给建设和维护。

如公路建设项目在一般情况下，主要目标是在给定的工期和预算内成功地完成建设。

为了实现这一目标，需要一个良好的时间网络计划和控制系统。

由于公路建设项目有很多因素不确定，直到项目结束之前，实际的工程数量和成本不会知道。

按月提交给主管办公室的项目绩效报告包括最终的预算和预测的时间，如图1。

在实践中，预测项目的最终预算和持续时间将在启动后4个月内发生变化，这个计划在当前财务年度的下半年完成项目，预测必须为需要的预算和期限在本财政年度结束前提前六个月完成这项工程。

这个程序的要求由国家预算办公室提供所需的资金，然后可以用额外的预算让预料之外的项目按原计划完成。

在施工过程中，一个给定的项目数据能帮助管理人员了解该项目的实际状态。

更进一步的数据是对管理成本构成很重要的公路建设时间。

目前使用挣值法作为一种工具来评估项目状况与计划值的对比，而进度和成本差异，通常是根据一个确定性的方法，如CPM（常，2001）。

此外，挣值法一般假设其余项目的性能效率可达至报告日期维持不变，或性能将超出计划申报日期（李等人，2006）。

此外，如交通条件、物理和天气条件不能被挣值法允许作为输入数据，以取得挣值技术的因素。

因此，不能单独使用预测最终成本的持续时间作为公路建设项目的。

然而，挣值技术对确定计划进度和实际表现之间的差异是非常有用的。

本研究的目的是开发模型来预测最终的预算和在施工阶段的公路建设项目的持续时间。

人工神经网络作为开发工具的模型以预测最后在施工阶段的公路建设项目的预算和时间。

在处理泰国或一般地方性的公路项目中，开发的模型可以提高预测过程以及提供更好的结果监测和控制的公路建设项目的过程。

此外，更好的国家预算分配将由于预测的改进提高结果。

在目前的实践中，如果从预测得到最终的预算比原来的预算更大，追加的预算将从本财政年度结束前约六个月直接从国家预算下拨。

在时间的角度来看，如果基于预测的项目持续时间往往被推迟，这就要有严格的监督程序，然后应用到项目中。

人工神经网络模型人工神经网络（ANN）是人工智能的一部分（AI）,是类似脑细胞与人类神经系统的建筑结构和功能，可以从中学习经验和提供复杂问题的答案。

不同的人工神经网络的存在，能够找到最有效的解决方案。

不同的网络体系结构中，反向传播（BP）网络已经得到广泛的应用，一个典型的BP神经网络，如图2所示，有一个输入层，输出层和隐藏层。

输入变量和输出变量之间的映射关系，将探讨在训练过程中。

设计BP网络体系结构包括：确定输入和输出变量的数目（在输入和输出，即神经元层）和每个隐藏层选择隐藏层神经元的数目。

训练效率和预测精度可由数的影响隐藏层和BP网络在每个隐藏层神经元的数目。

从过去的文献的研究，发现没有一定的标准建立适当的隐藏层。

通过不同数量的隐藏层和数字网络在每个隐层神经元进行测试，可以提供最准确的预测将被选中。

输入分析实验收集了2002和2007之间泰国51个公路建设项目的项目进度报告数据。

分析所收集的数据以找出可能影响项目最终的预算和时间因素。

分别建立了两个人工神经网络模型，第一个预测工程决算，第二个预测项目工期。

在发展的预测模型中选择输入变量的方法是最重要的一步。

节点的数目输入数据依赖于滞后数据，应用时间序列推断。

一般情况下，本模型还没有接受节点输入选择预测时间序列标准。

因此，必须以输入一组数据试验，通过调整输入节点在实验中的数据组织模型找到最好的形式参数。

找到合适的实验输入变量可以以多种方式进行。

本研究的假设成立的概念由李（1998）提出建立的划分为两部分的输入，一个反映连续数据和一个反映的季节周期。

在几种神经网络模型的实验后，发现八个因素严重影响最终的预算：交通量，地形，气象条件，评估日期，合同工期（天），施工预算（泰铢），计划完成率，实际完成百分比，而五个因素：工作开始评估日期，日期，合同期限（天），按计划完成百分比，和实际完成率，极大地影响项目工期。

因此，最好的模型，由神经元的输入，输出神经元和隐藏神经元，如图3所示预测工程决算和图4来预测项目工期。

人工神经网络模型的训练和测试训练和测试的人工神经网络模型，总共收集到泰国从2002年到2007年之间总共51个公路建设项目的1022个有效数据。

其中，49个项目中的998个数据被用于在施工预算范围内试验，预算在3.99至10.3亿泰铢，而工期范围从210到1306天。

预算和时间预测显示，具一个隐藏层和300个隐层神经元网络比两个隐藏层和300个隐层神经元有优势。

得到的网络，然后应用到两个项目的数据测试表一的第一个项目，由列出的24个数据中的15个数据模式组成的第302号项目路线预算为4.75亿泰铢，预测工期为584天；第二个由9个数据组成的22号路线工程，其最终的预算为2.53亿泰铢和工期为382天。