Ứng dụng trí tuệ nhân tạo trong kiểm soát dự án xây dựng theo phương pháp quản lý giá trị đạt được (evm) thạc sĩ

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC DUY TÂN

LÊ TUẤN KHANH

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG KIỂM
SỐT DỰ ÁN XÂY DỰNG THEO PHƯƠNG PHÁP

QUẢN LÝ GIÁ TRỊ ĐẠT ĐƯỢC (EVM)

LUẬN VĂN THẠC SĨ
KỸ THUẬT XÂY DỰNG DÂN DỤNG VÀ CÔNG NGHIỆP

ĐÀ NẴNG, 2017

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC DUY TÂN

LÊ TUẤN KHANH

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO
TRONG KIỂM SỐT DỰ ÁN XÂY DỰNG THEO
PHƯƠNG PHÁP QUẢN LÝ GIÁ TRỊ ĐẠT ĐƯỢC

(EVM)

Chuyên ngành: Kỹ thuật Xây dựng

Dân dụng và Công nghiệp

Mã số : 60.58.02.08

LUẬN VĂN THẠC SĨ
KỸ THUẬT XÂY DỰNG DÂN DỤNG VÀ CÔNG NGHIỆP

Người hướng dẫn khoa học: TS. VŨ DUY THẮNG
ĐÀ NẴNG, 2017

LỜI CẢM ƠN

Tơi xin bày tỏ lịng biết ơn tới Lãnh đạo trường Đại học Duy Tân, khoa
Sau đại học, các Thầy, Cô giáo đã tạo mọi điều kiện thuận lợi giúp tơi hồn
thành q trình học tập và nghiên cứu.

Tôi xin cảm ơn TS. Vũ Duy Thắng đã tận tình hướng dẫn, chỉ bảo để
tơi hồn thành luận văn này.

Tôi cũng xin cảm ơn các cơ quan, bạn bè đồng nghiệp và những người
thân đã cùng chia sẻ, giúp đỡ, động viên, tạo mọi điều kiện thuận lợi để tơi
hồn thành nhiệm vụ học tập và cuốn luận văn này.

Tác giả luận văn

LÊ TUẤN KHANH

LỜI CAM ĐOAN

Tôi xin cam đoan đây là cơng trình nghiên cứu của riêng tôi, dưới sự
hướng dẫn của TS. Vũ Duy Thắng. Những nội dung nghiên cứu, kết quả trong
đề tài này là trung thực và chưa cơng bố dưới bất kỳ hình thức nào trước đây.
Nếu phát hiện có bất kỳ sự gian lận nào, tơi xin hồn tồn chịu trách nhiệm về

nội dung luận văn của mình.

Tác giả luận văn

LÊ TUẤN KHANH

MỤC LỤC

MỞ ĐẦU...........................................................................................................1
1. Tính cấp thiết của đề tài luận văn..................................................................1
2. Mục tiêu nghiên cứu của đề tài.....................................................................2
3. Phạm vi và đối tượng nghiên cứu.................................................................2
4. Phương pháp nghiên cứu...............................................................................2
5. Nội dung nghiên cứu, bố cục luận văn..........................................................2

CHƯƠNG 1. TỔNG QUAN VỀ THỰC TRẠNG QUẢN LÝ CHI PHÍ
XÂY DỰNG CƠNG TRÌNH VÀ VIỆC ÁP DỤNG CÁC MƠ HÌNH........4
1.1. ĐẶT VẤN ĐỀ....................................................................................................4
1.2. TÌNH HÌNH NGHIÊN CỨU ÁP DỤNG CÁC MÔ HÌNH DỰ BÁO................5

1.2.1. Mơ hình CART (Classification And Regression Trees)..........................6
1.2.2. Mơ hình MT (Model Tree)......................................................................7
1.2.3. Mơ hình ANN (Artificial Neural Networks)...........................................8
1.3. ƯỚC TÍNH CHI PHÍ XÂY DỰNG VỚI LS-SVM..........................................10
CHƯƠNG 2. CƠ SỞ LÝ THUYẾT DỰ ĐỐN CHI PHÍ HỒN THÀNH
THEO EVM VÀ PHÂN TÍCH MƠ HÌNH EAC-LSPIM..........................14
2.1. DỰ ĐỐN CHI PHÍ HỒN THÀNH.............................................................14
2.2. PHÂN TÍCH MƠ HÌNH EAC-LSPIM.............................................................16
2.3. DÙNG MÁY HỌC LS-SVM ĐỂ PHÂN TÍCH HỒI QUY..............................17
2.4. PHÂN TÍCH HỒI QUY VỚI KHOẢNG THỜI GIAN DỰ ĐOÁN.................19

2.4.1. Bối cảnh................................................................................................19
2.4.2. Đánh giá hiệu suất của khoảng dự báo..................................................21
2.4.3. Các cơng trình trước khi dự đốn khoảng cách dự đốn.......................22
2.5. THUẬT TỐN TỐI ƯU HOÁ SỰ ĐỘT BIẾN...............................................24
2.5.1. Khởi tạo................................................................................................25
2.5.2. Đột biến................................................................................................25

2.5.3.Chéo....................................................................................................... 25
2.5.4. Lựa chọn...............................................................................................26
2.5.5. Ngừng kiểm tra tiêu chí.........................................................................26
2.6. ĐÁNH GIÁ VÀ HIỆU CHỈNH MƠ HÌNH......................................................26
CHƯƠNG 3. ÁP DỤNG MƠ HÌNH EAC-LSPIM ĐỂ DỰ ĐỐN CHI
PHÍ HỒN THÀNH ĐỐI VỚI NHĨM NHÀ Ở XÃ HỘI THÀNH PHỐ
ĐÀ NẴNG.......................................................................................................30
3.1. NHẬP DỮ LIỆU..............................................................................................31
3.2. LS-SVM ĐỂ ƯỚC LƯỢNG ĐIỂM ƯỚC TÍNH ĐẾN KHI HỒN THÀNH. 36
3.3. CƠNG ŚT DỰ ĐỐN ETC........................................................................36
3.4. LS-SVM ĐỂ SUY LUẬN VỀ CÁC GIỚI HẠN DỰ ĐOÁN ETC..................39
3.5. TỔNG HỢP DỰ TỐN CHI PHÍ DỰ ÁN ĐẾN HỒN THÀNH..................39
3.6. KẾT QUẢ TÍNH TỐN VÀ KẾT LUẬN.......................................................39
KẾT LUẬN VÀ KIẾN NGHỊ.......................................................................46
TÀI LIỆU THAM KHẢO
QUYẾT ĐỊNH GIAO ĐỀ TÀI (BẢN SAO)

DANH MỤC TỪ VIẾT TẮT

CART : Các cây phân loại và hồi quy
MT : Mơ hình cây
ANN : Mạng thần kinh nhân tạo
LS-SVM : Mơ hình áp dụng trí tuệ nhân tạo trong phân tích

DE : Tối ưu hóa đột biến
MLIE : Ước lượng khoảng cách dựa trên máy
EVM : Quản lý giá trị đạt được
PV : Giá trị kế hoạch
BCWS : Chi phí dự tốn ngân sách
EV : Giá trị kiếm được
BCWP : Chi phí đã thực hiện
AC : Chi phí thực tế
ACWP : Chi phí đã thực hiện
EAC : Ước tính khi hồn thành
AI : Trí tuệ nhân tạo
PI : Khoảng dự đoán
PICP : Xác xuất khoảng dự đoán
MPI : Độ rộng trung bình của khoảng dự đốn
ML : Máy học
MLIE : Ước lượng khoảng cách theo máy học
PL : Giới hạn dự đoán
NFE : Số lượng các đánh giá chức năng
ETC : Ước tính đến hồn thành
RMSE : Sai số trung bình
R2 : hệ số tương quan giữa 2 biến

DANH SÁCH BẢNG

Số hiệu Tên bảng Trang

bảng Dự báo ETC với 10 yếu tố ảnh hưởng đến dự án 31
3.1. Thông tin dự án 32
3.2. Thông tin dự án 3 với 11 lần cập nhận thông tin 36
3.3. Kết quả mơ hình huấn luyện dự án 1-11 39

3.4. Kết quả mơ hình kiểm tra dự án 12, 13 43
3.5.

DANH SÁCH HÌNH VẼ

Số hiệu hình Tên hình dự đoán Trang
1.1. Mơ hình mạng nơron thần kinh (Training 9
2.1. Mơ hình EAC-LSPIM 17
2.2. Giới hạn dự đoán và khoảng thời gian 20
2.3. Ước tính khoảng cách máy học (ML) 23
2.4. Thuật tốn tối ưu hóa sự biến đổi 24
2.5. Tiến trình kiểm tra chéo 27
2.6. Phép xác nhận chéo 28
3.1. Sơ đồ tính ETC 30
3.2. Tính tốn PI cho một cụm 38
Kết quả mô hình huấn luyện
3.3. 44
Predicted)
3.4. Kết quả mô hình kiểm chứng 44
3.5. Kết quả dự báo cho mơ hình kiểm tra (dự án 12) 45

1 3111

MỞ ĐẦU

1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI LUẬN VĂN
Thực hiện “Chiến lược phát triển nhà ở quốc gia đến năm 2020 và tầm
nhìn đến năm 2030” của Chính phủ, thời gian gần đây Đà Nẵng đã đẩy mạnh
triển khai chương trình phát triển nhà ở cho người có thu nhập thấp sử dụng
nguồn vốn đầu tư từ ngân sách nhà nước hay còn được gọi là nhà ở xã hội.

Theo đó, đến năm 2020 Đà Nẵng sẽ xây dựng 187 khối nhà với khoảng
10.400 căn hộ từ nguồn vốn ngân sách, đến hết năm 2016 thành phố đã đưa
trên 8.300 căn hộ vào sử dụng theo hình thức cho thuê và bán trả góp cho
những đối tượng là cán bộ công chức, viên chức, lực lượng vũ trang và những
người có thu nhập thấp sinh sống, làm việc lâu dài trên địa bàn thành phố.
Trong q trình phát triển đơ thị, gắn với cơng tác giải tỏa và chỉnh trang
đô thị, thành phố Đà Nẵng đã đầu tư nhiều dự án cơng trình nhà ở. Theo đó,
việc phát triển nhà ở chung cư gắn liền với chương trình “Thành phố 3 có” và
sau này là chương trình “Nhà ở xã hội”. Hiện nay, Cơng ty Quản lý nhà chung
cư đang quản lý 10.636 căn hộ chung cư, nhà liền kề đã được đưa vào sử
dụng, bố trí cho thuê.
Để thực hiện chủ trương nêu trên, thành phố Đà Nẵng đang ra sức huy
động nguồn lực xã hội để đầu tư Nhà ở xã hội. Vấn đề hiệu quả của việc đầu
tư nhằm tránh việc lãng phí ngân sách, hoặc xây dựng đình trệ do thiếu vốn,
hoặc giảm chất lượng các cơng trình đang là vấn đề được đưa ra. Việc dự
đốn chi phí xây dựng hiện nay chưa rõ ràng và thiếu tính thực tế. Hầu hết,
việc dự đốn chi phí chỉ dựa trên quy mơ và quy định về “Suất đầu tư” của Bộ
Xây dựng ban hành mà không đặt một cách cụ thể vào điều kiện kỹ thuật, thị
trường, địa phương. Cũng thấy rằng, chưa có công cụ hữu hiệu nào được đưa
ra để dự báo chi phí xây dựng có độ tin cậy cao.

2 3111

Do triển khai trong thời gian dài và sự thiếu ổn định của các yếu tố đầu
vào như pháp lý, thời tiết, thị trường đầu vào, thị trường đầu ra, các sự cố kỹ
thuật luôn đặt các dự án xây dựng chịu các mức độ rủi ro cao. Do đó, chi phí
vượt ngân sách ban đầu thường xuyên xảy ra đối với các dự án xây dựng. Để
đảm bảo an toàn về mặt tài chính khi thực hiện dự án, chủ đầu tư phải thường
xuyên đánh giá chi phí của dự án trong quá trình thực hiện và đến khi hồn
thành để phát hiện các sai lệch, đồng thời có phản ứng thích hợp. Tuy nhiên,

các chủ đầu tư thường tập trung trong việc lập kế hoạch ngân sách trong giai
đoạn bắt đầu, đã bỏ qua tác động của của thay đổi chi phí và thơng tin cập
nhật trong q trình thực hiện xây dựng.

Luận văn của tác giả hướng đến việc nghiên cứu áp dụng một mô hình
dự đốn tin cậy, nhằm thực hiện dự đốn chi phí xây dựng có độ chính xác
tương đối cao, phục vụ cho các nhà quản lý dự án ấn định ngân sách phù hợp
để đầu tư xây dựng cơng trình hiệu quả.

2. MỤC TIÊU NGHIÊN CỨU CỦA ĐỀ TÀI
Mục tiêu chính của đề tài là nghiên cứu áp dụng mơ hình EAC-LSPIM
(dự trên mơ hình LS-SVM, là mơ hình áp dụng trí tuệ nhân tạo trong phân
tích), để dự báo chi phí đến hồn thành (ETC) đối với các cơng trình nhà ở xã
hội của thành phố Đà Nẵng.
3. PHẠM VI VÀ ĐỐI TƯỢNG NGHIÊN CỨU
Nghiên cứu áp dụng trí tuệ nhân tạo, mà cụ thể là mơ hình EAC-LSPIM
để dự báo chi phí đến hồn thành (ETC) đối với nhóm nhà ở xã hội của thành
phố Đà Nẵng.
Nghiên cứu áp dụng thực nghiệm trên cơ sở dữ liệu đã hồn thành của
các cơng trình nhà ở xã hội thành phố Đà Nẵng, trong giai đoạn từ năm 2003
đến 2010.

3 3111

4. PHƯƠNG PHÁP NGHIÊN CỨU
Nghiên cứu thực nghiệm.
5. NỘI DUNG NGHIÊN CỨU, BỐ CỤC LUẬN VĂN
Đề tài được viết triên cơ sở mục tiêu nghiên cứu đã trình bày ở trên, cấu
trúc gồm các chương tương ứng với nội dung như sau:
- Phần Mở đầu, trình bày một cách khái quát tổng quan vấn đề cần

nghiên cứu, mục tiêu, đối tượng, phạm vi nghiên cứu.
- Chương 1, trình bày tổng quan về vấn đề thực trạng quản lý chi phí xây
dựng cơng trình và việc áp dụng các mơ hình.
- Chương 2, trình bày về cơ sở lý thuyết dự đốn chi phí hồn thành theo
EVM và phân tích mơ hình EAC-LSPIM
- Chương 3, áp dụng mơ hình EAC-LSPIM để dự đốn chi phí hồn
thành đối với nhóm nhà ở xã hội thành phố Đà Nẵng.
- Phần kết luận và kiến nghị, tác giả trình bày các kết luận của đề tài và
kết quả đạt được của đề tài.

4 3111

CHƯƠNG 1
TỔNG QUAN VỀ THỰC TRẠNG QUẢN LÝ CHI PHÍ XÂY
DỰNG CƠNG TRÌNH VÀ VIỆC ÁP DỤNG CÁC MƠ HÌNH

1. ĐẶT VẤN ĐỀ
Trong ngành xây dựng, các yếu tố không chắc chắn luôn tác động đến sự

thành bại của một dự án. Do triển khai trong thời gian dài và sự thiếu ổn định
của các yếu tố đầu vào như pháp lý, thời tiết, thị trường đầu vào, thị trường
đầu ra, các sự cố kỹ thuật luôn đặt các dự án xây dựng chịu các mức độ rủi ro
cao. Do các yếu tố bất định đó nên chi phí vượt ngân sách ban đầu thường
xuyên xảy ra đối với các dự án xây dựng (Nassar và cộng sự, 2005). Để đảm
bảo an tồn về mặt tài chính và đảm bảo có lợi nhuận khi thực hiện dự án, chủ
đầu tư phải thường xuyên đánh giá chi phí của dự án trong q trình thực hiện
và đến khi hồn thành để phát hiện các sai lệch, đồng thời có phản ứng thích
hợp. Tuy nhiên, các chủ đầu tư thường tập trung trong việc lập kế hoạch ngân
sách trong giai đoạn bắt đầu, đã bỏ qua tác động của của thay đổi chi phí và
thơng tin cập nhật trong q trình thực hiện xây dựng (Cheng và cộng sự,

2010).

Đối với thành phố Đà Nẵng, trong quá trình phát triển đơ thị, gắn với
cơng tác giải tỏa và chỉnh trang đô thị, thành phố Đà Nẵng đã đầu tư nhiều dự
án cơng trình nhà ở. Theo đó, việc phát triển nhà ở chung cư gắn liền với
chương trình “Thành phố 3 có” và sau này là chương trình “Nhà ở xã hội”.
Hiện nay, thành phố đang quản lý 190 khối nhà với 10.636 căn hộ chung cư
đã được đưa vào sử dụng, bố trí cho thuê.

Để thực hiện chủ trương nêu trên, thành phố Đà Nẵng đang ra sức huy
động nguồn lực xã hội để đầu tư Nhà ở xã hội. Vấn đề hiệu quả của việc đầu

5 3111

tư nhằm tránh việc lãng phí ngân sách, hoặc xây dựng đình trệ do thiếu vốn,
hoặc giảm chất lượng các cơng trình đang là vấn đề được đưa ra. Việc dự
đốn chi phí xây dựng hiện nay chưa rõ ràng và thiếu tính thực tế. Hầu hết,
việc dự đốn chi phí chỉ dựa trên quy mô và quy định về “Suất đầu tư” của Bộ
Xây dựng ban hành mà không đặt một cách cụ thể vào điều kiện kỹ thuật, thị
trường, địa phương. Cũng thấy rằng, chưa có cơng cụ hữu hiệu nào được đưa
ra để dự báo chi phí xây dựng có độ tin cậy cao

Do đó, dự tốn chi phí là một nhiệm vụ quan trọng và cần được thực
hiện ở các giai đoạn khác nhau của dự án (Liu và Zhu, 2007). Hơn nữa, độ
chính xác của việc ước lượng chi phí xây dựng là một yếu tố quan trọng trong
sự thành cơng của dự án (Kim và cộng sự, 2004).
TÌNH HÌNH NGHIÊN CỨU ÁP DỤNG CÁC MƠ HÌNH DỰ BÁO

Hiện nay, việc thực hiện một dự án đầu tư xây dựng cơng trình thường
khơng được kế thừa từ các dữ liệu cũ. Một số các nhà đầu tư thường dựa vào

kinh nghiệm thực hiện hiện có của họ để triển khai các dự án tiếp theo. Điều
này càng hạn chế đối với các dự án thực hiện ngân sách Nhà nước. Hầu như,
các dự án đầu tư thường được thực hiện trên cơ sở quy định “suất đầu tư” do
Bộ Xây dựng ban hành (cho năm trước đó) và một phần kinh phí dự phịng
theo quy định quản lý dự án đầu tư. Tuy nhiên, quy định “suất đầu tư” không
dựa trên các điều kiện địa phương và các yếu tố bất định, nên tính khả thi của
việc thực hiện dự án đầu tư xây dựng khó đáp ứng. Điều này dẫn đến việc
lãng phí ngân sách hoặc dự án ngưng trệ, vượt chi ngân sách luôn xảy ra.

Do tầm quan trọng của nó, trên thế giới hiện nay đã xây dựng các mơ hình
dự báo để dự đốn chi phí. Các phương pháp tiếp cận được áp dụng cho việc
ước lượng chi phí từ các phân tích hồi quy đa biến dựa trên thống kê, đến các
kỹ thuật máy học như: mơ hình cây phân loại và hồi quy (CART), mơ hình cây

6 3111

(MT), mơ hình mạng thần kinh nhân tạo (ANN), mơ hình áp dụng trí tuệ nhân
tạo trong phân tích (SVM và LS-SVM).

1.1.1. Mơ hình CART (Classification And Regression Trees)
CART (Breiman và cộng sự, 1984) là một phương pháp phân loại sử
dụng dữ liệu lịch sử để xây dựng các “cây” quyết định. Một mơ hình CART
dự báo giá trị của các biến liên tục từ một tập hợp các biến đầu vào được gọi
là mơ hình hồi quy (Razer and Athappilly, 2005).
Phân tích phân loại tối ưu trên tồn cầu (GO-CTA) (cịn được gọi là
phân tích phân biệt tối ưu theo phân cấp) là sự khái qt hóa phân tích phân
biệt tối ưu có thể được sử dụng để xác định mơ hình thống kê có độ chính xác
cao nhất để dự đốn giá trị của một biến phụ thuộc phân loại cho bộ dữ liệu
bao gồm các biến phân loại và liên tục. Kết quả của HODA là cây không trực
giao kết hợp các biến phân loại và các điểm cắt cho các biến liên tục mang lại

độ chính xác tiên đốn tối đa, đánh giá tỷ lệ lỗi chính xác của Loại I và đánh
giá khả năng mơ hình hố thống kê có khả năng tổng qt của mơ hình thống
kê. Phân tích phân biệt tối ưu phân cấp có thể được xem như là một sự khái
qt hóa phân tích tuyến tính của Fisher. Phân tích phân biệt tối ưu là một
thay thế cho ANOVA (phân tích biến thiên) và phân tích hồi quy, mà cố gắng
để thể hiện một biến phụ thuộc như là một sự kết hợp tuyến tính của các tính
năng hoặc phép đo khác. Tuy nhiên, phân tích ANOVA và hồi quy đưa ra một
biến phụ thuộc đó là một biến số, trong khi phân tích phân biệt tối ưu phân
cấp cung cấp cho một biến phụ thuộc đó là một biến lớp.
Các cây phân loại và hồi quy (CART) là một kỹ thuật học cây quyết định
phi tham số tạo ra các cây phân loại hoặc cây hồi quy, tuỳ thuộc vào việc biến
phụ thuộc là phân loại hay số.
Cây quyết định được hình thành bằng một tập hợp các quy tắc dựa trên
các biến trong bộ dữ liệu mơ hình hóa.

7 3111

Các quy tắc dựa trên các giá trị của biến được lựa chọn để phân chia tốt
nhất để phân biệt các quan sát dựa trên biến phụ thuộc.

Khi một quy tắc được chọn và chia tách một nút thành hai, quá trình
tương tự sẽ được áp dụng cho mỗi nút "con" (nghĩa là đó là thủ tục đệ quy).

Việc chia tách dừng lại khi CART phát hiện không thể đạt được thêm
nữa, hoặc một số quy tắc dừng trước đã được thiết lập. (Hoặc, dữ liệu được
phân chia càng nhiều càng tốt và sau đó cây được cắt tỉa sau đó).

Mỗi chi nhánh của cây kết thúc trong một nút đầu cuối. Mỗi quan sát rơi
vào một và chính xác một nút đầu cuối, và mỗi nút đầu cuối được xác định
duy nhất bởi một bộ quy tắc.

Một phương pháp rất phổ biến cho các phân tích tiên đốn là rừng ngẫu
nhiên của Leo Breiman.

Một ưu điểm chính của mơ hình dựa trên cây quyết định là khả năng xử
lý các bộ dữ liệu cỡ nhỏ. Hơn nữa, CART có thể làm giảm tác động tiêu cực
của các yếu tố ngoại lệ bởi vì mơ hình có khả năng cơ lập các ngoại lệ trong
một nút riêng biệt. Tuy nhiên, một bất lợi của CART là nó có thể tạo ra các
cây quyết định khơng ổn định (Timofeev, 2004). Lý do là việc sửa đổi khơng
đáng kể của mẫu thử có thể tạo ra sự thay đổi cơ bản trong cây quyết định.
Ngoài ra, các cơng trình trước đây (Razi và Athappilly, 2005, Brown và cộng
sự., 1993) đã chỉ ra rằng hiệu suất dự đoán của CART có thể thấp hơn ANN.

1.1.2. Mơ hình MT (Model Tree)
Một mơ hình cây (MT) tương tự như cây quyết định, nhưng bao gồm các
hàm hồi quy tuyến tính đa biến ở các lá và có thể dự đốn thuộc tính giá trị
liên tục (Shrestha và Solomatine, 2006, Witten và Frank, 2000, Kaluzny và
cộng sự, 2011). Thuật tốn tách khơng gian tham số thành các khơng gian con
và xây dựng một mơ hình hồi quy tuyến tính cục bộ ở mỗi trong số chúng.

8 3111

Vì vậy, ở một mức độ nào đó, MT tương tự như một hàm tuyến tính.
Trong MT, các nút của cây được chọn dựa trên thuộc tính tối đa hóa việc
giảm lỗi mong đợi như là một hàm của độ lệch tiêu chuẩn của tham số đầu ra
(Bonakdar và Etemad-Shahidi, 2011). MT được chứng minh là có hiệu quả và
nó có thể giải quyết các bài tốn hồi quy với các chiều kích cao. So với các kỹ
thuật học máy khác, quá trình huốn luyện tương đối nhanh và kết quả có thể
hiểu được (Shrestha và Solomatine, 2006).

1.1.3. Mơ hình ANN (Artificial Neural Networks)
Mạng thần kinh nhân tạo (ANN) hoặc các hệ thống kết nối là các hệ
thống máy tính lấy cảm hứng từ các mạng nơ-ron sinh học hình thành bộ não
động vật. Các hệ thống này học (nâng cao hiệu suất) để thực hiện các nhiệm
vụ bằng cách xem xét các ví dụ, nói chung khơng có chương trình cụ thể. Ví
dụ như trong nhận diện hình ảnh, nó có thể học cách xác định những hình ảnh
có chứa "cat" bằng cách phân tích các hình ảnh ví dụ đã được dán nhãn theo
cách thủ công là "cat" hoặc "no cat" và sử dụng các kết quả để xác định "cat"
trong các hình ảnh khác. Họ đã tìm thấy hầu hết sử dụng trong các ứng dụng
khó biểu hiện trong một thuật tốn máy tính truyền thống bằng cách sử dụng
chương trình dựa trên quy tắc.
ANN được dựa trên một tập hợp các đơn vị kết nối hoặc các nút gọi là
nơ-ron nhân tạo (tương tự như các nơ-ron sinh học trong một bộ não động
vật). Mỗi kết nối (xung thần kinh) giữa các nơ-ron có thể truyền tín hiệu từ
người này sang người khác. Thần kinh tiếp nhận (postsynaptic) có thể xử lý
tín hiệu và sau đó tín hiệu thần kinh dưới dịng kết nối với nó. Trong các ứng
dụng phổ biến của ANN, tín hiệu khớp thần kinh là một số thực, và đầu ra của
mỗi nơ-ron được tính bằng một hàm khơng tuyến tính của tổng đầu vào của
nó. Các tế bào thần kinh và khớp thần kinh cũng có thể có trọng lượng thay
đổi theo tiến trình học tập, có thể làm tăng hoặc giảm sức mạnh của tín hiệu

9 3111
mà nó gửi xuống hạ lưu. Hơn nữa, chúng có thể có ngưỡng như vậy chỉ khi
tín hiệu tổng hợp ở dưới (hoặc ở trên) mức đó là tín hiệu hạ lưu được gửi đi.

Thông thường, nơ-ron được tổ chức theo lớp. Các lớp khác nhau có thể
thực hiện các kiểu biến đổi khác nhau trên đầu vào của chúng. Các tín hiệu di
chuyển từ đầu vào, đến lớp cuối cùng (đầu ra), có thể sau khi đi qua các lớp
nhiều lần.

Hình 1.1. Mơ hình mạng nơron thần kinh
Mục tiêu ban đầu của phương pháp tiếp cận mạng thần kinh là giải quyết
các vấn đề giống như cách mà bộ não của con người có thể. Theo thời gian,
sự chú ý tập trung vào việc kết hợp các khả năng tinh thần cụ thể, dẫn đến sự
sai lệch từ sinh học như tăng tốc ngược lại hoặc truyền thông tin theo hướng
ngược lại và điều chỉnh mạng để phản ánh thơng tin đó.

10 3111

Mạng thần kinh đã được sử dụng trên nhiều cơng việc, bao gồm tầm
nhìn máy tính, nhận dạng giọng nói, dịch máy, lọc mạng xã hội, chơi trị chơi
và trị chơi điện tử và chẩn đốn y khoa.

ANN là một giải pháp khả thi để dự báo chi phí xây dựng và trong thực
tế, nó đã được sử dụng để xây dựng các mơ hình dự báo chi phí khác nhau
(Hegazy và Ayed, 1998, Zhu và cộng sự, 2010, Sonmez, 2011). Phương pháp
này loại bỏ sự cần thiết phải tìm ra một mối quan hệ lập bản đồ mà toán học
mơ tả chi phí xây dựng như là một hàm của các biến đầu vào. Khi các yếu tố
ảnh hưởng và cấu trúc của ANN đều được xác định, nhiệm vụ giảm xuống để
thu thập một số lượng hợp lý dữ liệu để đào tạo ANN. Tuy nhiên, quá trình
đào tạo các mơ hình dựa trên ANN thường mất thời gian, và ANN cũng gặp
nhiều khó khăn trong việc lựa chọn một số lượng lớn các thơng số kiểm sốt
như kích thước lớp ẩn, tỷ lệ học và thời điểm xung lượng (Bao và cộng sự,
2005).

Hơn nữa, một bất lợi lớn của ANN là q trình đào tạo của nó đạt được
thơng qua một thuật tốn trên khơng gian lỗi, có thể rất phức tạp và có thể
chứa nhiều yếu tố cục bộ (Kiranyaz và cộng sự, 2009). Do đó, việc đào tạo
AN có thể bị mắc kẹt và điều này chắc chắn cản trở khả năng dự báo. Để khắc
phục vấn đề như vậy, các thuật tốn tiến hóa, chẳng hạn như Thuật tốn di

truyền (GA) và tối ưu hóa Phần tử Hạt (PSO), có thể được sử dụng để đào tạo
ANN (Nasseri và cộng sự, 2008, Zhang và cộng sự, 2007). Đó là vì những kỹ
thuật tối ưu hóa tiên tiến này làm giảm cơ hội bị mắc kẹt để quá trình đào tạo
có thể giải quyết được giải pháp tối ưu. Tuy nhiên, điều này không thể được
đảm bảo (Kiranyaz và cộng sự, 2009).
ƯỚC TÍNH CHI PHÍ XÂY DỰNG VỚI LS-SVM

Trong lĩnh vực xây dựng, SVM đã được sử dụng trong dự tốn chi phí
(Kong và cộng sự, 2008, HongWei, 2009, An và cộng sự, 2007, Cheng và

11 3111

cộng sự, 2010). Nguyên tắc của SVM dựa trên cơ sở giảm thiểu rủi ro và lý
thuyết thống kê. Các mơ hình dựa trên mơ hình SVM cũng bao gồm xác định
các yếu tố tác động, thu thập mẫu dữ liệu, và quy trình đào tạo/kiểm tra. Sau
khi chức năng lập bản đồ đã được thiết lập, mơ hình có khả năng dự đốn giá
trị tương lai của chi phí dự án. Lợi ích của SVM được biết đến rộng rãi bao
gồm khả năng suy luận mạnh mẽ, tổng quát tuyệt vời, và khả năng tiên đốn
chính xác (Lam và cộng sự, 2009, Huang và cộng sự, 2004). Tuy nhiên, quá
trình đào tạo SVM đòi hỏi phải giải quyết một vấn đề về lập trình bậc hai phải
chịu sự ràng buộc bất bình đẳng. Điều này có nghĩa là q trình đào tạo của
SVM đối với bộ dữ liệu lớn đòi hỏi chi phí tính tốn cao (Guo và Bai, 2009).
Ngồi ra, đòi hỏi phải tập hợp dữ liệu lớn và cập nhật thường xuyên.

Để khắc phục nhược điểm của SVM, LS-SVM được đề xuất gần đây bởi
Suykens và cộng sự (Suykens và cộng sự, 2010, Suykens, 1999, Suykens và
cộng sự, 2002) và Gestel và cộng sự (Gestel và cộng sự, 2004). LS-SVM là
một phiên bản được sửa đổi của SVM để giảm bớt gánh nặng tính tốn. Trong
q trình đào tạo của LS-SVM, một chức năng chi phí bình phương nhỏ nhất
được đề nghị để có được một tập tuyến tính các phương trình trong khơng

gian kép. Do đó, để có được giải pháp trên, cần thiết để giải quyết một tập
hợp các phương trình tuyến tính thay vì lập trình bậc hai như trong tiêu chuẩn
SVM. Và hệ thống tuyến tính này có thể được giải quyết hiệu quả bằng các
phương pháp lặp đi lặp lại như độ dốc liên hợp (Wang và Hu, 2005). Các
nghiên cứu đã được thực hiện để chứng minh sự tổng qt, độ chính xác dự
đốn, và tính tốn nhanh LS-SVM (Lean và cộng sự, 2009, Samui và Kothari,
2011, Chen và cộng sự, 2005). Mặc dù tính ưu việt của nó, việc áp dụng LS-
SVM trong dự tốn xây dựng vẫn còn rất hạn chế.

Ngồi ra, khi áp dụng LS-SVM, có thể nhận ra rằng các thông số điều
chỉnh, cụ thể là sự ổn định hóa và các tham số chức năng của hạt nhân, đóng