[发明专利]一种应用于BIM的长短时注意力机制网络的造价预测方法

说明书

本发明公开了一种应用于BIM的长短时注意力机制网络的造价预测方法，属于建筑信息模型技术和工程造价预测技术领域，包括如下步骤：从BIM模型中提取工程量信息，从历史数据或现场数据中获取物价变化因子，将提取的工程量信息和物价变化因子作为输入序列，送入一个由多层LSTM单元组成的编码器网络，将隐藏状态向量作为输入，送入一个由多层LSTM单元组成的解码器网络，将上下文向量与解码器网络输出的隐藏状态向量相连接，将预测值与真实值进行比较，并计算出损失函数，得到最终的造价预测模型；本发明中，能够利用BIM模型中丰富而精确的工程量信息，结合物价变化因子，提高造价预测的准确性和可靠性。

技术领域

本发明属于建筑信息模型技术和工程造价预测技术领域，尤其涉及一种应用于BIM的长短时注意力机制网络的造价预测方法。

背景技术

建筑信息模型(BIM)是一种基于三维数字模型的建筑设计、施工和运维管理技术，能够实现建筑项目全生命周期的信息化协同。BIM技术能够提高建筑项目的质量、效率和安全性，降低成本和风险，促进建筑业的数字化转型。

工程造价预测是指在建筑项目设计或施工阶段，根据已有的信息和数据，采用数学模型或统计方法，对未来工程所需费用进行估算或预测。工程造价预测对于合理控制工程投资、优化资源配置、提高经济效益等具有重要意义。

目前，常用的工程造价预测方法主要有两类：基于规则的方法和基于数据的方法。基于规则的方法是指根据已有的定额或清单计算规则，结合人工经验或专家知识，对工程量进行分析和计算，并乘以相应的单价得到总费用。这种方法依赖于人工判断和操作，易受主观因素影响，并且难以适应复杂多变的市场环境。基于数据的方法是指利用历史数据或现场数据，构建数学模型或机器学习算法，通过训练和拟合得到预测结果。这种方法可以充分利用大量数据信息，并且能够自动调整参数适应变化。

近年来，随着深度学习技术在各个领域取得突破性进展，在工程造价预测方面也出现了一些新颖有效的算法。其中一种是长短时记忆网络，它是一种特殊的循环神经网络，能够处理时序数据，并且解决了传统RNN存在梯度消失或爆炸等问题。LSTM能够捕捉时间序列中长期依赖关系，并且具有记忆单元、输入门、输出门和遗忘门等结构。另一种是注意力机制，它是一种能够增强神经网络表达能力和泛化能力的技术，在自然语言处理、计算机视觉等领域都有广泛应用。注意力机制能够让神经网络在处理输入序列时，自动关注不同位置上不同重要性的信息，并且生成一个加权平均向量作为输出。尽管BIM技术和工程造价预测方法都有了一定的发展和应用，但是目前还存在一些问题和挑战，例如：BIM模型的质量、精度和完整性不够高，导致提取的工程量信息不准确或不全面；工程造价预测方法缺乏对时序数据和物价变化因子的充分利用，导致预测结果不稳定或不准确；工程造价预测方法缺乏对不同类型、规模、地点等特征的工程项目的适应性，导致预测模型难以泛化或迁移；工程造价预测方法缺乏对深度学习技术和注意力机制技术的有效结合，导致预测网络结构复杂或效率低下。

因此，如何利用BIM技术提供更高质量、更全面信息的工程量数据，并结合深度学习技术和注意力机制技术提出更准确、更有效、更灵活的工程造价预测方法是本领域亟待解决的问题。

发明内容

本发明的目的在于：为了解决上述的问题，而提出的一种应用于BIM的长短时注意力机制网络的造价预测方法。

为了实现上述目的，本发明采用了如下技术方案：一种应用于BIM的长短时注意力机制网络的造价预测方法，包括如下步骤：

S1、从BIM模型中提取工程量信息；

S2、从历史数据或现场数据中获取物价变化因子；

S3、将提取的工程量信息和物价变化因子作为输入序列，送入一个由多层LSTM单元组成的编码器网络；

S4、将隐藏状态向量作为输入，送入一个由多层LSTM单元组成的解码器网络；