工作空间，调用GRNN网络，并且中间经过交叉验证计算，运行20次。网络自动迭代出最佳的加速因子和此时最佳的输入输出值，并且记录下误差，将加速因子和误差反应到图标上，结果如下图1
所示：
图2 GRNN网络运行结果示意图
2.2 运行结果分析
最佳加速因子值在0.5处重合取值次数是最多的，因此针对本案例的样本值，实际预测应用中，加速因子值取0.5会更为合理。
运行结果中有一半非常理想，误差很小，接近于0，体现了GRNN网络良好的非线性回归能力。有8次误差为50～100工时，考虑到样本中多为数百工时，甚至几千工时，误差相对值较小，为正常结果。有两次误差在250工时以上，为较大误差，究其原因，事实上，在实际电气设计工作中，设计人员的工作经验和能力水平多少会影响到最后的设计工时，显然，更优秀的团队能够在更短时间完成相同的设计任务；但是由于设计团队往往不是固定的，随项目配置，而工作年限、项目的锻炼价值、自身精力随着年龄的变化等因素都在客观影响着个人工作能力，以至于影响着团队的工作能力，难以准确衡量，所以并未列在样本的输入因素中，这客观上造成了预测误差的加大。
在实际应用中，可在GRNN预测后的数据基础上，考虑工时10%的误差，而如果设计团队相对比较固定，就可以取更小的误差。但是必须要指出的是，有些因素可能会对项目工时造成较大的不确定性影响，比较突出的两个问题是业主背景和项目所在地点。有些业主属于行业投资商，对项目本身的定位和价值通常有着偏重于商务战略的思考，经常会造成前期方案修改多遍，甚至有项目在只有概念性的设计框架的时候，就要进入施工图设计阶段，假如顺利实施，对项目工时影响不大，但是如果出现大的原则性修改，就会造成较大的工时损耗。
项目所在地是另一个比较突出的问题，国内的项目突出表现在地方标准不一，尤其是消防验收标准，在其他省份没有遇到问题，在这里可能就会无法通过，设计工时的增加不多，如果工期拖延还会遭到业主的索赔。国外项目就更加复杂，业主总是规定设计公司遵守当地法律和设计标准，而且国际项目常常由多家服务商共同承担，不同国家的设计标准和制造标准有着众多技术问题接口，当地的验收又意味着一定的返工量。
在遇到上述问题的时候，项目管理人员可以在工时预估的基础上，根据风险评估和价值收益，把最后的理论数值乘以相应的保全因子或者直接加上一部分附加工时。工时的变化最终会体现在成本费用的变动上，也就是影响最后的报价，所以当遇到这种数据上的奇点时，项目管理人员应该当做特殊情况处理。
3 结语
根据人工时率，既可以衡量项目的工作效率，也可以找到项目管理的规律。如果建立起各种项目人工时率的统计库，可以指导企业做好项目管理工作。尤其对于经常承接大型工业设计项目的公司来说，良好的工时数据积累意义重大。有了这些宝贵的数据，项目管理人员就可以利用系统工程理论对其进行归纳总结。电气作为工业项目设计专业其中之一，涉及到与多个专业的配合，牵涉到的人工时影响因素很多，借助心理咨询师，建立人员状态数据库，在实现对员工人性化管理的同时，在项目工时预测中引入个人状态影响因素，使预测数据会更加真实可靠。初期项目数据较少，信息不完善，可以采用灰色理论进行预测，随着数据库的不断更新，可以逐步引入广义回归神经网络等遗传算法，进行更为精确的预测。在项目的实施过程中，利用project、timesheet等专业软件，进行项目工时的全程跟踪管理和数据更新，不断细化和分析项目工时影响因素，从而为今后的预测提供可靠的数据依据。随着技术在不断进步，项目人员的管理水平的不断提高，工业项目电气工时预测方法也会越来越科学和完善，从而为广大设计公司提供更好的帮助。
参考文献
[1] 王小川，史峰，郁磊，李洋.Matlab神经网络43个案例分析[M].北京：北京航空航天大学出版社，2011.
[2] 赵闯，刘凯，李电生.基于广义回归神经网络的货运量预测[J].铁道学报，2004，26（1）.
[3] 陈东彦，李冬梅，王树忠.数学建模[M].北京：科学出版社，2007.
（责任编辑：周 琼）