[发明专利]一种城市轨道交通工程投资计算方法及系统

说明书

本发明涉及城市交通总成本投资计算领域，公开了一种城市轨道交通工程投资计算方法及系统，以快速且准确的实现城市轨道交通工程投资计算，本发明的方法包括筛选出影响城市轨道交通的关键因素，获取城市轨道的待分析线路的关键因素的历史数据作为训练集P，并获取每条线路对应的成本作为训练集T，根据所述训练集P与所述训练集T构建训练矩阵数据集；构建初始神经网络模型，将所述训练矩阵数据集输入所述初始神经网络模型按设定的训练次数进行训练，得到符合设定收敛性的神经网络模型；获取待分析线路的关键因素的实时数据构建测试数据集，将所述测试数据集输入所述神经网络模型，计算得到城市轨道交通工程投资的计算结果。

技术领域

本发明涉及城市交通总成本投资计算领域，尤其涉及一种城市轨道交通工程投资计算方法及系统。

背景技术

随着我国工业化进程加快，城市规模的急剧扩张以及人口数量的膨胀，交通堵塞、大气污染、石油资源大量消耗等问题越来越严峻。地铁、轻轨等轨道交通方式以快速、安全、运量大、污染小等优点，成为现代城市公共交通的优先选择，提升了城市轨道交通在城市交通中的地位。城市轨道交通能提升城市公共交通供给质量和效率、缓解城市交通拥堵、引导优化城市空间结构布局、改善城市环境，对城市的未来发展意义重大。

由于城市轨道交通一次性投资大，且回收周期长，因此，有必要进一步加强对其成本快速估算模型的研究,提高投资决策的科学性，以保证科学合理的投资比例和投资结构。投资估算的准确与否不仅影响到可行性研究工作的质量和经济评价结果，更是直接关系到下一阶段设计概算和施工图预算的编制，以及建设项目的资金筹措方案，科学全面准确地估算建设项目的工程造价，是整个决策阶段造价管理的重要任务。目前在城市轨道交通领域内的快速估算方法有回归方程法、时间序列法、时间序列预测法，随着对算法的要求变得复杂多样，模糊聚类数学法和灰色预测法以及人工机械学习都被广泛运用。其中，模糊聚类数学法在计算城市轨道交通运营成本时，通过建立相似关系矩阵R，将它转换成模糊等价矩阵来进行城市轨道交通运营成本的模糊聚类快速估算。但模糊聚类法在样本量较大时，要获得聚类结论有一定困难。因为相似系数是根据被调试的反映来建立反映被调试间内在联系的指标，而实践中有时尽管从被试反映所得出的数据中发现他们之间有紧密的关系，但事物之间却无任何内在联系，此时，如果根据距离或相似系数得出聚类分析的结果，显然是不适当的，但是，聚类分析模型本身却无法识别这类错误。

在基于神经网络的计算方法中，建立了车站、区间隧道的土建工程造价BP神经网络估算模型，采用BP神经网络算法，通过三层前馈神经网络实现了由地铁土建工程特征与造价之间的非线性映射,但仍然有一定的误差率。这是由于BP的浅层机器学习预测算法性能参差不齐，已经逐渐不能满足提取土建工程内复杂数据特征和表达函数的预测要求。目前浅层算法在数据满足小样本低维度的情况下，可以取得良好的预测效果，但是在城市轨道交通领域的高维非线性等复杂数据中，用它们进行快速预测显得力不从心。究其原因，主要是由于浅层BP模型本身缺乏自动特征提取能力以及强大函数表征能力，从而致使算法不能在当今时代继续使用。

因此，迫切需要一种更科学、精准的数学方法，实现城市轨道交通工程投资的快速计算。

发明内容

本发明目的在于提供一种城市轨道交通工程投资计算方法及系统，以快速且准确的实现城市轨道交通工程投资计算。

为实现上述目的，本发明提供了一种城市轨道交通工程投资计算方法，包括以下步骤：

S1：筛选出影响城市轨道交通的关键因素，获取城市轨道的待分析线路的关键因素的历史数据作为训练集P，并获取每条线路对应的成本作为训练集T，根据所述训练集P与所述训练集T构建训练矩阵数据集；

S2：构建初始神经网络模型，将所述训练矩阵数据集输入所述初始神经网络模型按设定的训练次数进行训练，得到符合设定收敛性的神经网络模型；