(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 202111584186.6 (22)申请日 2021.12.2 2 (71)申请人 湖北卓友毅工程造价咨询有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区关南科技园现代国际设计城三期 6幢8层 (72)发明人 童松　 (74)专利代理 机构 东莞市卓易专利代理事务所 (普通合伙) 44777 代理人 陈能春 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06F 16/29(2019.01) G06F 16/28(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/08(2012.01) (54)发明名称 一种基于MLP的公路桥梁工程造价预测方 法、 介质和设备 (57)摘要 本发明公开了一种基于MLP的公路桥梁工程 造价预测方法， 包括： 获取公路桥梁工程造价的 历史数据， 并从所述历史数据提取影 响公路桥梁 工程造价的多个影 响因子； 对多个所述影响因子 预处理后得到样本数据集； 将所述样本数据集分 为训练集样本、 测试集样本和验证集样本， 并将 所述训练集样本作为输入训练MLP神经网络模 型， 并利用所述测试集样本监视所述MLP神经网 络模型训练过程中的错误， 利用验证集样本评估 所述MLP神经网络模型的准确性； 利用所述MLP神 经网络模型对公路桥梁的工程造价进行预测。 本 发明对于提高公路桥梁工程造价的科学性、 有效 性和智能性具有重要意 义。 权利要求书2页 说明书6页 附图1页 CN 114298390 A 2022.04.08 CN 114298390 A 1.一种基于 MLP的公路桥梁工程造价预测方法， 其特 征在于， 包括： 获取公路桥梁工程造价的历史数据， 并从所述历史数据提取影响公路桥梁工程造价的 多个影响因子； 对多个所述影响因子预处理后得到样本数据集； 其中， 所述预处理包括剔除异常数据、 降低噪声和归一 化处理； 将所述样本数据集分为训练集样本、 测试集样本和验证集样本， 并将所述训练集样本 作为输入训练MLP神经网络模 型， 并利用所述测试集样 本监视所述MLP神经网络模型训练过 程中的错 误， 利用验证集样本 评估所述MLP神经网络模型的准确性； 利用所述MLP神经网络模型对公路桥梁的工程造价进行 预测。 2.根据权利要求1所述的基于MLP的公路桥梁工程造价预测方法， 其特征在于， 获取公 路桥梁工程造价的历史数据， 并从所述历史数据提取影响公路桥梁工程造价的多个影响因 子， 包括： 获取不同公路桥梁工程造价时对应的历史数据， 所述历史数据至少包括施工条件因 素、 地理环境因素和技 术指标因素； 其中， 每种因素中包括多种影响因子； 对所述施工条件因素、 所述地理环境因素和所述技术指标因素进行R型聚类分析， 并利 用SPSS分析软件对R型聚类结果进行相关性分析， 得到影响因子的相关系数矩阵； 根据所述相关系数矩阵， 最终确定影响公路桥梁造价的多个 影响因子 。 3.根据权利要求2所述的基于MLP的公路桥梁工程造价预测方法， 其特征在于， 所述施 工条件因素至少包括施工材 料、 交通运输状况以及施工现场水电使用情况； 所述地理环境因素至少包括 地质条件、 水位条件以及气候条件； 所述技术指标因素至少包括 桥宽、 桥跨、 最大纵坡、 洪水 频率、 荷载以及地震设防烈度。 4.根据权利要求1所述的基于MLP的公路桥梁工程造价预测方法， 其特征在于， 在对多 个所述影响因子进行归一 化处理时， 采用的归一 化公式如下： 其中， An表示归一化后的样本数据集， 且An的取值为[0,1]， n表示归一化后的样本数量， Ai表示归一化前的多个影响因子， max(A)表示某一影响因子对应的n个样本数 中的最大值， min(A)分别表示某一影响因子对应的n个样本数中的最大值。 5.根据权利 要求1所述的基于MLP的公路桥梁工程造价预测方法， 其特征在于， 所述MLP 神经网络模型的训练过程如下： 采用贪心算法选择MLP神经网络模型， 其中， MLP神经网络模型的前向传播计算公式如 下： zij＝f(WiZi+bi‑1)；     (2) 其中， zij代表第i层第j个神经元的值， Wi表示第i‑1层到第i层第j个神经元的权值向 量， Zi表示第i层所有神经 元的值向量， bi‑1表示第i‑1层的偏置， f表示激活函数； 调整所述MLP神经网络模型的参数， 以确定MLP神经网络模型的宽度和深度， 其 中， 所述 MLP神经网络模型的参数调整公式如下： 权　利　要　求　书 1/2 页 2 CN 114298390 A 2其中， W和b分别是MLP神经网络模型的权值和偏置， z表示预处理后的多个影响因子， J 表示MLP神经网络模型的损失函数， 表示J对于权值W的梯度， δWt表示每一次训练需要 对W作出的调整， δWt由前一次时次的值和当前的梯度值加权求和得到， α 表示前一次时次的 值的权重， β 表示当前的梯度值的权 重。 6.根据权利要求1所述的基于MLP的公路桥梁工程造价预测方法， 其特征在于， 在利用 所述MLP神经网络模型对公路桥梁的工程造价进行 预测之后， 所述方法还 包括： 计算所述MLP神经网络模型预测的工程造价值与历史实际造价值之间的平均绝对百分 比误差， 计算公式如下： 其中， Xi是历史实际造价值， Yi是所述MLP神经网络模型预测的工程造价值， m表示用于 评估误差的样本数量。 7.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有一个或者 多个程序， 所述一个或者多个程序可被一个或者多个处理器执行， 以实现如权利要求1～6 任意一项所述的基于 MLP的公路桥梁工程造价预测方法。 8.一种计算机设备， 其特征在于， 包括依次通信相连的存储器、 处理器和收发器， 其中， 所述存储器用于存储计算机程序， 所述收发器用于 收发消息， 所述处理器用于读取所述计 算机程序， 执 行如权利要求1 ‑6任意一项所述的基于 MLP的公路桥梁工程造价预测方法。权　利　要　求　书 2/2 页 3 CN 114298390 A 3