前言：本站為你精心整理了環境空氣污染監測中工程造價探究范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要:由于未進行有效地指標選取，導致環境空氣污染監測中工程造價預測結果與實際存在較大誤差。提出環境空氣污染監測中工程造價智能化預測方法。利用層次分析法計算所有擬定影響指標的權重，利用粒子群算法(PSO)優化神經網絡模型初始權值和閾值，構建改進神經網絡(PSO－ANN)的預測模型，實現空氣污染監測站工程造價智能化預測。結果表明:所構建預測模型應用預測結果與實際結果更為接近，二者僅相差1.46萬元，證明所研究預測方法的準確性更高，為環境工程建設投資提供了可靠依據。

關鍵詞:環境空氣污染監測;工程造價;指標選取;神經網絡;預測模型

前言

近年來，全球環境一直不斷惡化，空氣污染較為嚴重，因此空氣污染治理一直備受各界關注。在污染治理當中，環境監測是前提和基礎，各國非常重視空氣污染的監測與治理［1］。基于上述背景，關于空氣污染監測站成本預測的方法很多，但普遍存在預測不準確的問題。一旦所需要預測的工程量巨大，涉及到的指標因素眾多，這些方法由于缺乏對指標因素的合理選擇，導致構建的模型不是因為指標選擇過多，增大數據量，就是指標因素選擇過少，導致預測精度不足［2］。針對上述問題，提出基于層次分析法和改進神經網絡(AHP－PSO－ANN)的空氣污染監測站工程造價智能化預測方法，以期方便工程造價工作，提高工程造價預測質量，促進環保工程建設順利。

1基于AHP－PSO－ANN監測站工程造價智能化預測方法

為更好地監測空氣污染，為污染治理提供可靠的依據，污染監測站的建造是十分必要的。為更好地節約建造成本，控制成本支出，進行工程造價預測至關重要［3］。在這里結合層次分析法、粒子群算法和人工神經網絡算法進行預測。

1.1預測模型指標篩選

構建模型的第一步是篩選指標，選擇影響空氣污染監測站工程造價的影響因子。影響監測站工程造價的指標有很多，有的指標概念重疊，需要合并，有的指標可直接對造價產生影響，而有的則是產生間接影響，因此指標選擇的合理性至關重要［4］。選擇的指標不能過多，也不能過少。指標過多，會增加計算量，干擾預測的準確性;而指標過少，則會導致預測精度下降［5］。為此，可通過層次分析法來進行指標篩選。層次分析法是一種通過對比各個指標對工程造價的影響程度來計算指標權重［6］。通過對比權重大小來篩選指標。層次分析法篩選指標流程步驟如下:步驟1:羅列所有對空氣污染監測站工程造價產生影響的指標;步驟2:對指標進行整理，由此建立指標層次結構模型;步驟3:圖1中同一層次指標兩兩比較，比較其相對重要程度，并進行評分。如極端重要則為9分;強烈重要為7分;明顯重要為5分;稍重要為3分;同等重要為1分;稍不重要為1/3分;明顯不重要為1/5分;強烈不重要為1/7分;極端不重要為1/9分。步驟4:根據比較得到的相對重要程度評分，建立判斷矩陣A，其描述如式(1):其中，aij代表第i個指標相對于第j個指標的比較結果。步驟5:計算權重Wi，計算公式如(2):Wi=Wi∑nj=1Wi(2)其中，W=kMi(i=1，2，…，n)(3)Mi=πaij(i=1，2，…，n)(4)式中，Wi代表第i指標的權重;Mi代表判斷矩陣每一行元素的乘積;W代表各行Mi的幾何平均數;n代表指標數量;k代表方根值。步驟6:計算最大特征根。λmax=∑mi=1(AW)iW()in(5)步驟7:一致性檢驗。(1)計算一致性指標CI，計算公式如(6):CI=λmax－nn－1(6)(2)計算一致性比例CR，計算公式如(7):CR=CIRI(7)其中，RI為隨機一致性指標，其取值見表1。(3)一致性判斷。當CR＜0．10，通過檢驗。步驟8:層次總排序。選出累積權重＞0.7的指標作為預測模型的指標。將上述過程篩選出來的指標作為后續預測模型輸入變量［7］。

1.2預測模型構建

1.2.1神經網絡預測模型。選擇指標后通過人工神經網絡算法構建空氣污染監測站工程造價智能化預測模型。。人類處理問題是通過大腦中神經元來完成的，因此人工神經網絡就是模擬神經元工作原理進行預測的。通過上述章節選出的指標作為神經網絡的輸入變量，通過運算輸出預測結果。人工神經網絡有三層，每一次輸入向量如下:輸入層，向量為X(x1，x2，…，xi，…，xm);隱含層，向量為Y=(y1，y2，…，yk，…，yi);輸出層，向量為Z=(z1，z2，…，zj，…，zn);三層之間的連接權值和閾值設置如下:輸入層與隱含層:權值—wik;閾值—ξk;隱含層和輸出層:權值—wkj;閾值—ζj;人工神經網絡預測過程分為前向傳播和反向傳播兩個過程。1．2．1．1前向傳播隱含層運算:yk(=f∑mi=1(wikxi+ξk));k=1，2，…，u(8)輸出層運算:zj(=f∑uk=1(wkjyk+ξj));j=1，2，…，n(9)式中，f()為傳遞函數。1．2．1．2反向傳播(1)誤差計算:計算輸出層實際輸出zj與設定的期望輸出gj之間的誤差Ej。Ej=∑nj=1(gj－zj)22(10)當Ej大于設定輸出層閾值ζj，則進行反向傳播。通過Ej調整權值和閾值。隱含層與輸入層之間的誤差Sk計算公式如(11):Sk=yk(1－yk()∑nj=1wkjE)j(11)(2)權重與閾值調整:輸入層與隱含層，隱含層與輸入層的權值調整公式(12)～(13):w'kj=wkj+hykEj(12)w'ik=wik+hxiSk(13)式中，w'kj、w'ik均為調整后的權值;η代表學習速率。輸入層與隱含層，隱含層與輸入層的閾值調整公式(14)～(15):ξ'j=ξj+hEj(14)ξ'k=ξk+hSk(15)式中，ξ'j、ξ'k均為調整后的閾值。1.2.2粒子群算法優化神經網絡模型。神經網絡算法具有很好的自適應性和學習能力，因此依靠該算法構建預測模型具有很好的智能性，但是權值和閾值的初始值是隨機選擇的，這樣容易無法實現全局最優，預測結果不準確。針對上述問題，利用PSO優化模型的初始權值和閾值。粒子群算法是可通過不斷迭代運算，尋找最優值的，其尋找神經網絡預測模型權值和閾值過程見圖1。圖1中，粒子速度和位置下一次迭代更新計算公式如(16)～(17):速度更新:vk+1id=vkid+e1r1(Qkid－Ukid)+e2r2(Qkgd－Ukid)(16)位置更新:Uk+1id=Ukid+vk+1id(17)式中，k代表迭代次數;vk+1id代表k+1次迭代粒子i的速度;vkid代表k次迭代粒子i的速度;Ukid代表k次迭代粒子i的位置;e1、e2代表調節因子;r1、r2代表隨機數，r1、r2∈(0，1);Qkid代表k次迭代粒子i的局部最好位置;Qkgd代表k次迭代粒子i的全局最好位置。

2算例分析

2.1工程概況

某監測站位于中西部地區，但是該地區工業發達，因此歷年來工業污染逐漸加重，因此在該地區建立一個空氣污染監測，實時掌握當地空氣環境。該工程當時項目投資概算總計為652.30萬元。其中，建筑安裝工程費:土建、裝飾、給排水、水暖、配電、通信、管線、其它等預計450萬元左右(具體項目支出見章節3.4)。征地費用預計200萬元。然而，在建設結束后，發現預計費用預測出現偏差，導致工程花費的實際費用遠遠超出項目投資概算總計652.30萬元，達到了693.06萬元，因此在后期追加了投資。在上述背景下，以這個已建設完成的空氣污染監測站工程為例，根據已知信息預測該工程建設完成后所需要的成本，并與實際成本支出進行對比，驗證預測方法的應用準確性。

2.2監測站工程造價影響指標篩選

利用層次分析法對擬定的監測站工程造價預測影響指標進行篩選，篩選結果見表2。從表3中可看出，在20個影響指標中，有5個指標的累積權重小于0.7，未選入后續神經網絡預測模型的輸入量，其余指標入選。

2.3神經網絡預測模型訓練

利用MATLAB2009a，構建一個神經網絡模型，模型構建過程中所需要的參數如下:學習速率設置為0.1;迭代次數為100;初始權值為0.365和0.452;初始閾值為0.012和0.035;各層傳遞函數均為tansig。接著，利用粒子群算法構建的神經網絡模型參數進行，優化后的初始權值為0.256和0.352;初始閾值為0.022和0.030。MATLAB2009a平臺上構建優化后的神經網絡預測模型，并利用train函數進行訓練，訓練樣本為50個，訓練結果見圖2。圖2神經網絡預測模型訓練結果從圖2中可看出，測試樣本輸入后，得出的預測值與實際值誤差很小，二者幾乎達到重合，說明預測模型擬合效果好，可用于所研究監測站工程的造價預測當中。

2.4預測結果統計與分析

預測結果和實際結果對比如下:項目預測結果/實際結果(1)土建項目:256.36萬元/257.25萬元;(2)裝飾項目:25.60萬元/25.71萬元;(3)給排水項目:52.36萬元/52.85萬元;(4)水暖項目:17.54萬元/17.52萬元;(5)配電項目:87.41萬元/87.36萬元;(6)通信項目:32.69萬元/32.72萬元;(7)管線項目:15.64萬元/15.65萬元;(8)征地費用:204.00萬元/204.00萬元;共計:691.60萬元/693.06萬元。從上述結果可知，所構建預測模型應用下，預測結果遠超當時項目投資概算總計為652.30萬元，與實際結果更為接近，二者僅僅相差1.46萬元，證明所研究預測方法的準確性更高。

3結語

綜上所述，為降低空氣污染的影響范圍，并進行有效治理，進行污染監測是必要的。污染監測主要通過監測站來完成，因此在各個地區中建立了各種監測站。監測站的建立需要大量成本，為降低成本浪費或者預防成本不足，進行環境空氣污染監測中工程造價智能化預測方法研究。該研究經過算例分析，證明了預測方法的應用效果，但是本研究仍有需要改進的地方，即所構建的預測模型指標選取時未考慮氣候等自然環境造成的影響，因此最后得出的結果與實際結果仍存在誤差，這也是導致實際成本更高的原因，有待進一步優化和改進。

作者:方力煒 單位:溫州職業技術學院