摘要：对建材价格的预测及波动趋势的准确判断是控制施工成本的关键步骤。以数据库中积累的建筑工程主要材料（预应力钢筋）的历史价格信息为样本，建立灰色GM（1，1）和BP神经网络组合模型，即灰色神经网络PGNN模型。用MATLABR2018a进行计算求解，对未来6个月的预应力钢筋价格做出预测，统计分析其变化趋势，根据预测结果为后期施工采购建筑材料提供参考。研究结果表明，灰色神经网络PGNN模型对钢筋价格的预测结果精度较高，收敛性能较好。
关键词：建筑材料价格；灰色神经网络；预测模型
Abstract：The prediction of the price of building materials and the accurate judgment of the fluctuation trend are the key steps to control the construction cost. Taking the historical price information of the main materials（prestressed steel bars）accumulated in the database as samples，this paper establishes the combination model of grey GM（1，1）and BP neural network，that is，grey neural network PGNN model，which is calculated and solved by MATLABR2018a，predicts the price of prestressed steel bars in the next 6 months，and statistically analyzes its changing trend，so as to provide references for the procurement of building materials in later construction according to the predicted results. The research results show that the grey neural network PGNN model has high accuracy and good convergence performance in predicting the price of steel bar.
Keywords：price of building materials；grey neural network；prediction model
参考文献
[1] 王佳，王朝凤.建筑材料价格分析及预测[J].节能，2015（11）：7-10.
[2] Huy Vuong Nguyen，M. Asif Naeem，Nuttanan Wichitaksorn，Russel Pears.A smart system for short-term price prediction using time series models[J].Computers and Electrical Engineering，2019，76：339-352.
[3] 王彦霞.投标报价基于GM（1，1）灰色动态模型的主材价格预测[J].铁路工程造价管理，2013（5）：39-43.
[4] 欧阳红祥，李欣，张信娟.人工神经网络在建筑材料价格预测中的应用[J].武汉理工大学学报（信息与管理工程版），2013（1）：115-118.
[5] 卢懿.灰色预测模型的研究及其应用[D].杭州：浙江理工大学，2014.
[6] Song Ding，Keith W. Hipel，Yao-guo Dang.Forecasting China’s electricity consumption using a new grey prediction model[J]. Energy，2018，149：314-328.
[7] Alberto Prieto，Beatriz Prieto，Eva Martinez Ortigosa，Eduardo Ros，Ignacio Rojas.Neural networks：An overview of early research，current frameworks and new challenges[J]. Neurocomputing，2016（19）：242-268.
[8] Mulusew Aderaw Getahun，Stanley Muse Shitote，Zachary C. Abiero Gariy.Artificial neural network based modelling approach for strength prediction of concrete incorporating agricultural and construction wastes[J]. Construction and Building Materials，2018（30）：517-525.
[9] Odeyinka，HenryA；Lowe，John；Kaka，AmmarP.Artificial neural network cost flow risk assessment model[J]. Construction Management and Economic，2013（5）：423-439.
[10] Ezeldin，A.S. and Sharara，L.M.Neural networks for estimating the productivity of concrete activities[J]. Journal of Construction Engineering and Management，2006，132：650-6.
[11] 王明涛.确定组合预测权系数最优近似解的方法研究[J].系统工程理论与实践，2000（3）：104-109.
[12] 查天宇，成枢，吕磊.基于灰色BP神经网络组合模型的深基坑沉降预测[J].测绘与空间地理信息，2019（9）：212-215.
[13] 潘恺，田林亚，李成成.动态灰色时序神经网络组合模型在地铁运营期沉降预测效果分析[J].勘察科学技术，2019（2）：49-52.
建筑经济，2020（10）：115-120