目前，人工智能技術已初步應用于建筑工程成本，采用科學方法計算和編制工程成本，代替人工勞動力，提高計算精度和精度。分析了人工智能和工程成本的影響因素，在人工神經網絡、遺傳算法和數據信息應用方面討論了人工智能在工程成本領域的發展，最后結合道路工程成本實例分析了RBF網絡模型的實際應用和優勢。

1概述

融合信息技術和工程成本計算的交叉研究，是將人工智能技術引入工程成本領域的開拓性探索研究。在項目的工程施工過程中工程造價是影響項目施工的關鍵因素，造價計算的準確性對于工程施工的進展至關重要，在具體計算過程中需要項目整體統一計劃，并且需要考慮到施工現場條件、施工方案、施工組織設計、施工質量要求等因素的影響。

工程造價領域引入人工智能不但可以提升造價計算的精確性和高效率，還可以解決人力計算容易出現的錯誤和誤差，并且可以全方位考慮到影響因素（例如人工、材料、施工機械的市場價格波動、利率、匯率等一些風險因素的影響），對包工頭而言，能夠得到最優秀的施工方案和最合理的投標報價，進而中標的可能性和期望更大，針對投資人而言，能夠更精確的掌握工程項目的建設總投資，為項目的投資融資方案和后續工程的順利開展支持。目前，人工智能主要應用于云計算、大數據、圖像識別、語音識別、LBS和人工智能技術等方面，以及智能財務的應用，但成本方向的研究很少。

2人工智能和工程造價概述

人工智能在計算機科學計算的基礎上，依靠計算程序的編制和設計，實現代替人力勞動，完成相關應用程序。人工智能一般具有感知能力、記憶能力、適應能力、反應能力等特點。工程成本是建筑工程中非常重要的一環，一般具有影響因素多、成本總額大、可變性強、動態性強、復雜性高等特點。在人工計算成本的過程中，需要綜合考慮與成本過程相關的工程量計算規則、價格水平、定額、匯率等問題，綜合考慮影響工程成本的各種因素，不能出現誤差，因此需要很多勞力和時間，人工計算時容易出現誤差和錯誤人工智能引入工程造價后，通過降低人為因素的干擾，依靠電腦的編程和設計，程序化材料設備等，進行準確高效的計算，在保證計算準確的同時，保證了造價文件的準確性，合理實現了業主和乙方的利益。

3人工智能在工程造價領域的發展現狀

人工智能技術的發展及應用，使得更多的企業和行業向人工智能靠攏，導致很多行業的勞動力被人工智能所替代，而其在工程造價領域目前研究和應用較少，主要在以下方面開展了研究。

3.1工程量計算引進人工智能。工程量計算主要是對施工過程中涉及的土石方工程、鋼筋混凝土工程、建筑工程、模板工程等工程量進行綜合計價和計算，然后編制工程量清單。分部分項工程費用的形成是以清單工程量和綜合單價為基礎，工程量的正確計算需要建立在正確的讀圖、識圖的基礎上，這部分工作工程量很大，也需要高效準確的計算和精力，因此工程造價部門一般安排許多專業人員進行全面計算。目前，5D云機器人技術采用BIM+云+AI技術，通過bim技術和AI技術，快速實現清單列項和工程量計算工作的計算機化，在1小時內完成前幾天完成的清單列項工作，同步瞬間完成前幾天完成的工程量計算工作

3.2人工神經網絡用于工程成本估算模型。人工神經網絡是由大量節點(或輸入層/輸出層)之間相互連接的運算模型。利用人工神經網絡建立的建筑工程造價快速估算模型主要有:BP模型、ＲBF模型和模糊神經網絡模型。基于BP模型，可以迅速估算工程成本，但徑向基函數神經網絡作為分析方法的突破，明確了推測預測、決策問題。如圖1所示，徑向基函數由格林函數組成隱藏層，在輸入層和輸出層的設定后，計算運行結果，完成輸入空間到輸出空間的映射。

X1X2XNY1YN輸入層隱性輸出層3.3相關算法與數據信息的融合。隨著社會的發展，我們各種信息和數據都在數字化，大數據時代已經到來，現在一些行業和企業已經逐漸建立了自己的數據庫，大數據驅動人工智能不斷發展，建立驅動數據和知識引導的智能計算平臺和方法，可以更智能地計算相關數據。數據信息和人工智能相關算法的融合也將成為未來工程造價行業發展的趨勢，通過大數據的融入，可以更快捷、準確的判斷造價過程中各種影響因素的權重，然后通過計算機的消除與避免，提高工程造價的運行效率和準確性。同時，數據信息平臺的建立可以全面提高工程成本信息化水平，對企業來說，不僅滿足了企業運營、生產管理、高效管理的需要，還降低了企業運營成本，進一步提高了企業市場競爭力。

4人工神經網絡在工程造價行業的應用探索

以某公路工程造價估算為例，采用神經網絡方法，建立徑向基函數，在輸入層選擇8具有代表性的工程特征作為輸入變量，如表1所示，用X1～X8表示，同時，將千米造價作為輸出變量，用C1表示，另外設置隱層數目、樣本數目。通過輸入節點進行初始化和數字化處理，計算機識別和神經網絡容易接受，計算結果如表1所示，計算的輸出結果與實際值相對誤差符合要求，同時比較模擬結果，相對誤差僅為4.95%，計算結果如表2所示。使用Matlab語言程序編程計算，BP網絡計算時間為624.7s，徑向基函數計算時間為3.1s，采用徑向基函數的RBF模型的普及能力更強，泛化能力更好，在訓練時間和預測誤差方面優于BP網絡計算方法。

5結語

在建筑工程造價中引入人工智能已成為未來工程造價行業智能化、數據化發展的方向，其對造價項目的影響因素、工作重點、規劃管理等方面都產生了一定的影響和變革，也對傳統工程造價人員的綜合能力要求更高。本文對人工智能和工程造價的影響因素進行了分析，并在人工神經網絡、遺傳算法以及數據信息應用方面對人工智能在工程造價領域的發展進行了探討，最后結合公路工程造價實例分析了ＲBF網絡模型的實際應用和優勢，是智能化技術在工程造價中得到更好運用體現。