一、GM(1,1)模型在住宅工程单方造价预测中的应用（论文文献综述）
陈悦华,郑思敏,刘文路[1]（2021）在《基于机器学习的工业建筑工程造价预测研究》文中研究指明为在项目前期进行准确快速的工业建筑工程造价预测,在现有研究的基础上,对比多种算法优化的神经网络与支持向量机模型预测效果,以得到最优工业建筑造价预测模型。通过箱型图对样本进行筛选,分别利用主成分分析法（PCA）与灰色关联法（GRA）对输入指标进行处理,将处理后的数据分别导入BP、GA-BP、PSO-BP、CV-SVM、GA-SVM、PSO-SVM 6个模型进行训练与预测,对预测结果进行多方面对比分析,选择最优造价预测模型。结果显示,PCA-CV-SVM模型为最优模型,运行时间短、预测结果稳定且精确度高。
张珊珊[2]（2021）在《基于时间序列的新疆保障性住房工程单方造价预测研究》文中研究表明保障性安居工程是国家实施的重大民生工程,关系社会稳定和长治久安总目标的落实。目前,保障性住房的建设资本回收期长,对政府投资的依赖程度高,项目建设单方造价作为成本控制的重要指标在国有资产投资过程中具有重要参考价值。本研究基于时间序列分析法,通过对新疆六个地区保障性住房工程单方造价序列特点的检验分析提出构建ARIMA模型应用于此类序列的预测。列举了在不同条件下显示出平稳性的样本序列分别适用的建模步骤,为表现为同种性质的新疆其他地区的保障性住房工程单方造价序列建模、预测、评价提供方法上的参考,为工程综合单方造价的预测提供新思路。主要工作及研究成果如下:（1）通过造价信息监测系统数据平台采集2013年上半年至2020年下半年新疆保障性住房工程的历史数据,分析哈密市、吐鲁番市、博州、昌吉州、巴州、和田地区等六地的工程综合单方造价样本数据的平稳性和纯随机性。根据数据样本量及平稳性等特征,提出可运用一种基于时间序列分析的ARIMA模型分析此类样本时间序列,实现工程综合单方造价的短期快速预测。（2）分别对哈密市、吐鲁番市、博州、昌吉州、巴州、和田地区等六地的工程综合单方造价样本数据进行模型识别与阶数确定、相关参数估计及模型校验,构建预测模型。利用信息准则法、最小二乘法、构造QLB统计量法对比分析,确定各样本序列的较优预测模型及阶数:哈密市、吐鲁番市、博州样本序列的较优预测模型及阶数为AR（1）,昌吉州、和田地区样本序列的较优预测模型及阶数为AR（2）,巴州样本序列的较优预测模型及阶数为ARIMA（1,2,2）。（3）利用构建的各地样本序列较优预测模型分别进行样本内和样本外、动态和静态、长时段和短时段预测。经对比各预测方法的主要预测效果评价指标,哈密市、吐鲁番市、博州、昌吉州、和田地区样本数据预测模型的静态长时段预测法优于其他预测方法,巴州样本数据预测模型的静态短时段预测法优于其他预测方法,各地样本数据在同一预测模型下静态预测效果普遍优于动态预测效果。
刘运鹄[3]（2021）在《基于IABC-LS-SVM的水利工程项目建设成本估算与控制方法》文中研究表明水利工程项目是重要的民生工程,它的建设周期长、投资规模大,易受地形、地质、水文等自然条件的影响,同时还会受到当地经济发展状况等市场条件的限制,提高水利工程项目建设成本管理的质量是保证项目实现预定经济目标和充分发挥项目经济效益的重要手段。由于水利工程项目具有较强的公益性,在现行的成本管理模式下,“决算超预算、预算超概算、概算超估算”的现象时有发生,有时甚至会出现成本失控的情况。因此,加强对建设成本的估算与控制,科学评判项目的成本状态是工程项目成本管理工作的一个重要组成部分,也是提高项目成本管理水平和质量的科学手段。本文针对水利工程项目建设成本估算问题具有的小样本数据特征,采用最小二乘支持向量机算法（LS-SVM）作为构建成本估算模型的核心算法,以获得能够表征成本与其影响因素之间复杂非线性关系的回归函数,综合运用因子分析法和敏感性分析方法得到关键成本影响因子作为模型的输入向量,使用Levy飞行算法改进基本人工蜂群算法（ABC）侦查蜂阶段新食物资源的产生方式,并运用改进后的IABC算法确定模型核心参数的取值,以实际收集到的工程数据为例对成本估算模型进行训练和测试以验证模型的有效性和科学性。同时,在本文构建的成本估算模型的基础上,以可接受的项目成本变化百分率值η为基准构建成本控制区间,进而构建成本控制模型,并给出了以本文构建的成本估算模型与控制模型为基础的实现项目全生命周期成本动态控制的思路。工程实例验证结果表明,本文构建的成本估算模型的平均绝对百分比误差（MAPE）小于10%,模型建模时间约为17.0s,说明本文构建的成本估算模型能够充分利用各算法的优势,实现估算精度和建模效率的双重提高。同时,本文构建的成本控制模型能够有效监控项目建设成本的变化,可以通过判断项目完工成本与成本控制区间之间的相对位置关系评判项目的成本状态和管理水平。本文将机器学习算法和仿生智能算法应用到水利工程项目建设成本的估算与控制问题中,对提高工程项目建设成本预测精度和成本管理水平具有一定的推动作用,为实现水利工程项目的高质量成本管理提供了更为便捷的手段和更科学的参考。此外,基于项目全生命周期的工程项目建设成本动态控制方法框架的提出,能够为设计人员、施工组织人员和项目成本管理人员提供一个有力的工具,帮助他们获得更有价值的成本管理信息。
王巧凤[4]（2021）在《基于智能算法的快速工程投资估算研究》文中提出当前,城市化进程的不断推进导致城市土地资源紧缺,价格上涨严重,高层住宅凭借着容积率较高和单位面积土地开发成本较低,逐渐取代了多层住宅成为住宅建设的主要类型。然而高层住宅层数多、建筑面积大、结构复杂,导致建设过程中的“三超”现象严重,因此如何将高层住宅的工程造价限制在一个合理的范围内是当前建筑行业亟待解决的问题。根据一些西方学者的研究,工程项目初期阶段的成本花费只占到了整个项目全部花费的1%左右,对项目全部花费额的影响却占到了75%,可以说项目建设前期的工作是整个项目建设的“牛鼻子”。本文旨在根据智能算法理论构建工程投资估算模型,实现高层住宅工程决策阶段的快速投资估算。本文做了大量的数据预处理工作。输入指标的选取是否恰当对智能估算模型的估算结果影响很大,但影响建筑工程造价的因素众多,全部加以考虑会导致网络运算效率不高,传统的根据经验挑选代表性指标又不具有客观性。本文查阅大量文献建立了指标选取原则,并通过相关性分析筛选高层住宅工程各单位工程的特征向量,删除对造价没有影响的指标。最后通过因子分析简化特征向量,去除数据之间的信息重叠,将提取后的因子作为模型的输入向量大大提升了网络的训练性能。在MATLAB软件中分别构建BP神经网络模型、极限学习机模型（ELM）、支持向量机（SVM）模型,并通过遗传算法优化BP神经网络的初始权值和阈值、支持向量机模型中的参数c、g,构建GA-BP与GA-SVM模型。收集山西省2016-2020年共257个高层住宅项目进行验证分析,将土建工程、装饰装修工程、安装工程造价单独进行估算。结果显示遗传算法优化后的模型性能普遍提升,BP模型的整体拟合度比较好,ELM模型参数容易确定但对样本的敏感性较高,SVM模型的预测效果则是三者中最好的。整体来看,土建模型的最大相对误差都在10%以内,装饰装修工程、安装工程的最大相对误差都在15%以内,GA-SVM模型总造价的最大相对误差控制在5%以内,模型具有一定的实用性,能够作为工程投资估算的参考。
周淑媛[5]（2020）在《基于机器学习的居住建筑工程造价预测研究》文中认为随着建筑行业的快速发展,如何对居住建筑的工程造价进行快速、准确的估算,成为一个日益受到关注的问题。实现居住建筑的工程造价快速估算,可以为项目的可行性研究等提供重要支持。本论文在对国内外造价估算的方法进行了对比分析基础上,总结了其合理性及不足之处,提出本文的研究对象、研究方法和研究内容。首先,在分析居住建筑工程造价的相关理论基础上,通过对文献的分析,总结影响居住建筑工程造价的因素。主要分为建筑特征类指标、装饰装修类指标、基础结构指标、建筑材料类指标和建筑特性类指标,共53项指标。通过对9位专家的问卷调查和设置5项筛选条件,最终确定了16项影响因素。其次,基于BP神经网络对居住建筑工程造价预测模型的训练数据进行选择。按照居住建设的时间、建筑的高度、建筑的结构类型、建筑的基础类型、抗震烈度、建筑的层数等特征的顺序依次确定。在此基础上,最终确定了BP神经网络的模型结构,居住建筑工程造价预测模型的模型层次为3层,输入参数为15个,输出参数为1个,隐含层节点数为10个,学习率为0.1。最后,通过主成分分析对15个输入参数进行优化分析,形成PCA-BP神经网络预测模型。对40组样本数据进行收集整理,并进行预处理。将其中的30组作为训练样本,10组作为测试样本。通过计算结果表明,PCA-BP神经网络的居住建筑工程造价预测精度,高于BP神经网络的居住建筑预测模型。PCA-BP估算方法所建立的预测模型精度较高,能够满足工程造价管理和控制的应用需要,具有一定的实际意义。
陈小丽[6]（2020）在《基于PSO-BP神经网络的高层住宅工程造价预测研究》文中指出快速准确地预测工程造价是行业专业人士和众多学者关注的焦点,高层住宅工程造价预测是项目建议书和可行性研究的前提,也是限额设计的基础。对于工程造价的前馈管理而言,精准有效地预测工程造价具有重要的意义。近年来,基于人工神经网络方法的工程造价预测研究较为广泛,但在神经网络中最具代表性的前馈神经网络—BP神经网络具有收敛速度慢且泛化性能差的缺点。因此,本研究通过粒子群优化算法改进BP神经网络,提出了一种基于粒子群优化BP神经网络的预测方法,并将其应用于高层住宅工程造价预测。首先,在阅读大量相关文献的基础上结合高层住宅工程造价的构成及影响因素,建立了全面客观的高层住宅工程造价预测指标体系。对于这些指标,采用主成分分析进行降维处理,得到独立的综合指标,然后将其作为预测模型的输入向量,从而提高了模型的学习效率。其次,利用BP神经网络工具箱构建高层住宅工程造价预测模型。针对BP神经网络利用梯度下降法更新权值和阈值存在的缺陷,本文借助粒子群算法在参数优化领域的优势,通过PSO算法对BP神经网络进行优化。即对BP神经网络结构中各神经元之间的权值和阈值进行编码,通过对每个粒子的智能搜索,找到最合适的权值、阈值,从而使BP神经网络具有更快的收敛速度,更强的泛化能力、更高的预测精度。最后,以兰州市近三年的高层住宅工程为例,对44组样本数据进行收集整理,运用SPSS软件对数据进行预处理。选取14-19组数据作为测试样本,剩余的38组数据作为训练样本,再通过Matlab软件进行仿真分析。结果表明,经过粒子群优化的BP神经网络预测模型精度较高,验证了粒子群优化BP神经网络模型能够满足工程造价管理和控制的要求,具有一定的实际意义。
王瑶[7]（2020）在《基于BP神经网络的住宅工程概算预测》文中研究说明在市场经济条件下,工程造价的定价原则是“企业自主报价、竞争形成价格”。在项目可行性研究、设计方案比选环节,住宅工程的概算预测可以为其提供重要依据,其准确与否将直接影响项目的投资决策。来到市场经济繁荣的今天,政府加强工程造价计价改革,出台了一系列相关政策,尤其是《建设工程工程量清单计价规范》的出台,让建筑企业对快速估价有了更高的要求。建筑招投标市场的竞争也变得激烈,各个企业争分夺秒,投标报价的时间期限越来越短。因此,准确的工程概算快速估算方法,对建筑企业取得优先权至关重要。论文在阅读大量相关资料的基础上,结合具体工程实例,通过建立概算预测指标及预测模型对住宅项目概算进行快速预测。本文首先利用模糊综合评价法对影响住宅工程概算的因素进行分析,确定住宅工程项目的特征因素,并根据其取值论域,分成定性和定量两类,应用模糊理论对模糊的特征元素进行模糊隶属度的求解,最后筛选出住宅工程概算指标体系。论文以BP神经网络为主要模型,在此基础上进行模型算法的优化,首先利用拥有全局搜索能力的遗传算法改进BP神经网络,建立住宅工程概算快速估算模型,又引入Hooke-Jeeves算法,优化GA-BP神经网络。将通过模糊综合评价法确定出的影响因素作为输入变量,单方造价作为输出变量,建立主要影响因素与单方造价之间的非线性函数关系,通过样本训练,使模型拥有较好的逼近能力,最终实现住宅工程概算的快速估算。本文通过MATLAB软件编写住宅工程概算估算程序。运用模糊综合评价法得出指标体系,再建立BP神经网络和两种改进的BP神经网络模型。最后,通过工程实例验证三种模型的可行性,通过对比分析得出最适用的预测模型。为建筑企业快速报价提供了理论参考依据。经过实证分析得出,HJGA-BP神经网络估算模型在满足同样精度的条件下,训练速度快,其预测值与具体住宅工程实例的实际值比较后的误差小,得到了满意的效果。
李娜[8]（2019）在《基于灰色系统理论的PC建筑成本预测研究》文中提出预制装配式混凝土（PC）建筑与传统现浇建造模式相比,在建设效率、环境保护、提升建筑品质、节约资源能源等方面具有显着优势,符合我国社会发展和建筑改革需要。同时,装配式建造模式成本高于现浇模式的问题,制约着装配式建筑大规模推广,政府及相关企业、学者等均对此做了大量研究,提出了有针对性的成本管控措施,但是,从工程项目成本管理理论出发,成本预测环节理论研究和实际应用较少,而且实际应用中也只是粗略估计,精度较低。在我国装配式建筑发展初期,对成本预测研究,在丰富装配式建筑成本管理理论的同时,有助于项目相关方利用预测数据,指导项目决策、成本管理等方面工作。基于此,本文将灰色系统理论与PC建筑成本预测相结合,从理论和实际两方面进行分析和验证,探索灰色系统理论在PC建筑成本预测中的应用。研究内容包括:1.本文根据装配式建筑发展现状及相关研究现状,结合工程项目成本管理理论,提出对PC建筑成本的预测研究。2.按照装配式建筑建造流程,对设计、生产、运输、施工各阶段分别识别并总结成本影响因素,建立成本影响因素的层次分析结构,邀请相关专家打分,计算影响因素权重,确定成本影响关键因素。3.构建PC建筑GM（1,1）预测模型,结合案例,进一步探讨模型特点和适用性,发现GM（1,1）模型在实际应用中的优缺点,针对存在的不足,进一步分析改进方法,提出应用灰色区间预测模型建模。4.将GM（1,1）模型与灰色区间预测模型应用于实际案例,就精度检验及预测结果进行对比分析,总结:GM（1,1）模型对单调性序列建模精度较高,而灰色区间预测模型对于具有波动特点原始序列预测精度明显优于GM（1,1）模型。本文是对PC建筑成本预测研究的探索,尚需继续深入研究,不断提高PC建筑成本预测精度,促进我国装配式建筑发展。
罗腾飞[9]（2019）在《基于基因表达式编程的建筑工程造价预测研究》文中研究表明随着我国建筑业的迅速发展,全社会固定资产的投资逐年增长。然而,由于固定资产的投资建设周期长、涉及金额大,如果投资决策不科学、造价控制存在问题,势必会给建设方和施工方甚至是金融机构造成巨大的损失。可见如何合理的确定项目的投资估算,做出科学的投资决策,如何有效的控制项目的工程造价是避免损失的关键。对于一个拟建工程而言,项目建设前期的造价预测是分析项目投资经济效益的基础,是投资限额确定的前提,也是招投标过程中招标标底确定的依据。因此,探索一个精准高效的建筑工程造价预测方法,对项目前期的投资决策和造价控制有重要意义。本文首先通过分析了国内外建筑工程造价预测的现状,发现现有造价预测方法都有各自的优势和适用性,但都存在一定的局限性,从而引入基因表达式编程理论进行建筑工程造价预测;其次通过主次因素分析法对分布分项工程进行分类,再结合对以往成果中因素的统计初步筛选得到15个工程特征因素,在此基础上利用直觉模糊层次分析法对因素的重要性进行评判,并利用主次因素分析法对因素进行分类,最终筛选得到12个主要工程特征因素作为造价预测的基础;再次通过分析现有造价预测方法和流程得出模型构建的总体思路,并根据总体思路对基因表达式编程算法相关参数进行设定,在Visual Studio编程环境下设计和开发出模型求解的实验程序;最后通过实际工程案例数据进行模型求解分析,在求解程序中多次实验挖掘出特征因素与单方造价之间的最优模型,并通过预测分析和评价分析证明了该模型具有较高的预测精度,能够为项目前期的投资估算、招标标底的确定以及投标报价提供可靠的参考依据。
蔡璧蔓[10]（2019）在《基于BP神经网络的装配式建筑投资估算方法研究》文中进行了进一步梳理目前我国装配式建筑得到大力推广,装配式建筑形式的投资额逐步增大,但是装配式建筑造价比传统现浇建筑较高,极易发生投资失控现象。而在建设项目全生命周期中,投资决策阶段对工程投资控制的影响程度最高,且早期进行装配式建筑投资估算可为项目可行性研究、设计方案比选提供重要依据,投资估算的实现能够为装配式建筑工程造价的控制管理带来极大便利。因此,在投资决策阶段对装配式建筑进行投资估算意义重大。首先,本研究介绍了本文所选用的理论和方法,并对BP神经网络较传统快速估算方法的优势进行分析。详细阐述装配式建筑的类别、投资估算的内容、精度要求及投资估算的作用、BP神经网络的概念,更进一步确立了 BP神经网络较传统的快速估算方法具有较大优势,本文选取BP神经网络作为估算模型的原因。然后,在阅读大量相关文献的基础上,结合多年的装配式建筑工程案例,确定了影响装配式建筑造价的特征参数,并界定了各特征参数的内涵;运用主成分分析法与专家打分法相结合的筛选评价模型筛选出主要的影响参数。随后系统阐述了 BP神经网络的基本原理、网络参数、运算步骤和MATLAB程序语言实现等方面,构建了装配式建筑的投资估算模型。最后,选取2015～2018年的典型工程,作为训练样本,长沙某小学装配式教学楼作为检验样本,通过案例工程的仿真分析进行了模型精度验证。验证结果表明,基于BP神经网络的装配式建筑投资估算模型符合投资估算精度要求。本文构建的BP神经网络装配式建筑投资估算模型全程依托于MATLAB工具箱,运行速度迅速、操作简单。且通过工程实例进行验证,符合投资决策阶段的精度要求,为装配式建筑投资估算提供了较高精度的预测方法。
二、GM(1,1)模型在住宅工程单方造价预测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、GM(1,1)模型在住宅工程单方造价预测中的应用（论文提纲范文）
（1）基于机器学习的工业建筑工程造价预测研究（论文提纲范文）
| 1 指标构建与数据预处理 |
| 1.1 模型输入量确定与数据预处理 |
| 1.2 主成分分析降维 |
| 1.3 灰色关联分析降维 |
| 2 优化算法与BP神经网络、SVM支持向量机 |
| 2.1 优化算法 |
| (1)遗传算法(GA)。 |
| (2)粒子群优化算法(PSO)。 |
| (3)交叉验证(CV)与网格搜索。 |
| 2.2 BP神经网络 |
| 2.3 SVM支持向量机 |
| 3 模型结果分析 |
| 3.1 主成分分析预测模型 |
| 3.1.1 算法优化BP神经网络模型 |
| 3.1.2 算法优化支持向量机模型 |
| 3.2 灰色关联分析预测模型 |
| 3.2.1 算法优化BP神经网络模型 |
| 3.2.2 算法优化支持向量机模型 |
| 3.3 模型对比分析 |
| 4 结论 |
（2）基于时间序列的新疆保障性住房工程单方造价预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 第2章 数据来源及序列检验 |
| 2.1 数据收集 |
| 2.1.1 数据范围 |
| 2.1.2 样本数据 |
| 2.2 序列检验 |
| 2.2.1 平稳性检验 |
| 2.2.2 差分运算 |
| 2.2.3 纯随机性检验 |
| 2.3 本章小结 |
| 第3章 预测模型的构建 |
| 3.1 模型基本理论 |
| 3.1.1 AR模型 |
| 3.1.2 MA模型 |
| 3.1.3 ARMA模型 |
| 3.1.4 ARIMA模型 |
| 3.2 模型构建步骤 |
| 3.3 模型识别与定阶 |
| 3.3.1 模型识别 |
| 3.3.2 模型定阶 |
| 3.4 参数估计 |
| 3.4.1 模型参数估计方法 |
| 3.4.2 样本序列模型参数估计 |
| 3.5 模型检验 |
| 3.5.1 模型检验方法 |
| 3.5.2 样本序列预测模型检验 |
| 3.6 本章小结 |
| 第4章 模型应用及效果评价 |
| 4.1 模型应用 |
| 4.1.1 样本序列预测 |
| 4.2 预测效果评价 |
| 4.2.1 预测效果评价指标 |
| 4.2.2 样本序列预测效果评价 |
| 4.3 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（3）基于IABC-LS-SVM的水利工程项目建设成本估算与控制方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 工程项目成本估算方法的研究现状 |
| 1.2.1 基于类比和回归思想的传统成本估算方法 |
| 1.2.2 基于现代数学理论的成本估算方法 |
| 1.2.3 基于人工智能的成本估算方法 |
| 1.3 论文的研究思路 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 2 相关理论基础 |
| 2.1 支持向量机理论 |
| 2.1.1 结构风险最小化原理 |
| 2.1.2 支持向量机算法的原理 |
| 2.2 最小二乘支持向量机算法的原理 |
| 2.3 基本人工蜂群算法的原理 |
| 2.4 本章小结 |
| 3 水利工程项目建设成本估算模型输入向量的确定 |
| 3.1 水利工程项目建设费用的构成 |
| 3.2 确定模型输入向量的原则 |
| 3.3 模型输入向量的初步确定 |
| 3.4 模型输入向量的冗余处理 |
| 3.4.1 因子分析法 |
| 3.4.2 敏感性分析方法 |
| 3.5 模型输入向量的确定 |
| 3.6 本章小结 |
| 4 基于IABC-LS-SVM的水利工程项目建设成本估算模型 |
| 4.1 样本数据的处理 |
| 4.1.1 训练集和测试集的确定 |
| 4.1.2 样本数据的归一化处理 |
| 4.2 核函数及核参数的确定 |
| 4.3 基于正交试验法的模型参数敏感性分析 |
| 4.3.1 正交试验法的基本原理 |
| 4.3.2 正交试验结果的分析方法 |
| 4.4 基于IABC的模型参数优化方法 |
| 4.5 基于IABC-LS-SVM的成本估算模型的构建方法 |
| 4.6 本章小结 |
| 5 案例分析 |
| 5.1 案例基本情况 |
| 5.2 模型输入向量的确定 |
| 5.3 成本估算模型的构建 |
| 5.3.1 样本数据的处理 |
| 5.3.2 核函数的确定 |
| 5.3.3 基于正交试验法的模型参数敏感性分析 |
| 5.3.4 基于IABC的模型参数优化 |
| 5.3.5 基于IABC-LS-SVM的成本估算模型的构建 |
| 5.3.6 模型性能分析 |
| 5.4 本章小结 |
| 6 水利工程项目建设成本控制模型 |
| 6.1 水利工程项目建设成本控制模型的构建方法 |
| 6.1.1 工程项目成本状态的判断标准 |
| 6.1.2 工程项目建设成本控制模型的构建步骤 |
| 6.2 水利工程项目建设成本控制模型案例分析 |
| 6.2.1 案例情况 |
| 6.2.2 工程项目建设成本控制模型的构建 |
| 6.3 基于项目全生命周期的工程项目建设成本动态控制方法框架 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 附录 A 原始样本数据集 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）基于智能算法的快速工程投资估算研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 国家经济环境及政策导向 |
| 1.1.2 工程投资估算的发展趋势 |
| 1.1.3 实现快速投资估算的意义 |
| 1.2 建筑工程投资估算国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 现有研究存在的问题与不足 |
| 1.3 论文研究的目的和主要内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.3.4 技术路线 |
| 第2章 工程投资估算相关理论基础 |
| 2.1 建筑工程造价的概念及构成 |
| 2.2 建筑工程造价估算 |
| 2.2.1 建筑工程造价估算的概念 |
| 2.2.2 建筑工程投资估算的内容 |
| 2.2.3 建筑工程投资估算的计价依据 |
| 2.3 工程造价估算影响因素分析 |
| 2.3.1 估算模型特征向量选取原则 |
| 2.3.2 估算模型特征向量选取 |
| 2.4 本章小结 |
| 第3章 智能算法相关理论基础 |
| 3.1 BP神经网络 |
| 3.1.1 人工神经网络概述 |
| 3.1.2 BP神经网络简介 |
| 3.1.3 BP神经网络基本原理 |
| 3.2 极限学习机(ELM) |
| 3.2.1 极限学习机(ELM)简介 |
| 3.2.2 极限学习机(ELM)基本原理 |
| 3.3 支持向量机(SVM) |
| 3.3.1 支持向量机(SVM)简介 |
| 3.3.2 支持向量机(SVM)基本原理 |
| 3.4 遗传算法 |
| 3.5 本章小结 |
| 第4章 数据收集与预处理 |
| 4.1 工程项目数据收集 |
| 4.2 定性指标的量化 |
| 4.2.1 通用特征定量化处理规则 |
| 4.2.2 实体特征定量化处理规则 |
| 4.3 数据预处理 |
| 4.3.1 运用相关性分析筛选特征向量 |
| 4.3.2 各单位工程离群值的查找与删除 |
| 4.4 因子分析法降维 |
| 4.4.1 因子分析法原理 |
| 4.4.2 因子分析法流程 |
| 4.4.3 因子分析法与智能算法结合的基本思想 |
| 4.4.4 各单位工程因子分析 |
| 4.5 本章小结 |
| 第5章 智能算法估算模型构建与实证分析 |
| 5.1 模型实现计算环境简介 |
| 5.2 模型构建前的准备工作 |
| 5.2.1 估算模型训练集与测试集的划分 |
| 5.2.2 数据归一化 |
| 5.2.3 模型评价性能函数确定 |
| 5.3 基于智能算法的投资估算模型构建 |
| 5.3.1 BP神经网络估算模型构建流程 |
| 5.3.2 BP神经网络估算模型计算结果 |
| 5.3.3 极限学习机(ELM)估算模型构建流程 |
| 5.3.4 极限学习机(ELM)估算模型计算结果 |
| 5.3.5 支持向量机(SVM)估算模型构建流程 |
| 5.3.6 支持向量机(SVM)估算模型计算结果 |
| 5.4 各模型预测结果对比 |
| 5.5 对某拟建工程进行投资估算 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）基于机器学习的居住建筑工程造价预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外工程造价预测研究进展 |
| 1.3.1 国外工程造价预测研究进展 |
| 1.3.2 国内工程造价预测研究进展 |
| 1.3.3 小结 |
| 1.4 研究方法 |
| 1.4.1 文献研究法 |
| 1.4.2 系统分析法 |
| 1.4.3 验证分析法 |
| 1.4.4 人工神经网络 |
| 1.5 研究内容 |
| 1.6 研究框架 |
| 1.7 本章小结 |
| 2 工程造价预测与机器学习理论基础 |
| 2.1 工程造价预测对象研究 |
| 2.2 工程造价预测概述 |
| 2.2.1 工程造价分类 |
| 2.2.2 工程造价预测定义 |
| 2.2.3 工程造价预测影响因素分析 |
| 2.3 工程造价预测方法选择 |
| 2.3.1 工程造价预测方法分析 |
| 2.3.2 工程造价预测方法确定 |
| 2.4 主成分分析基本原理 |
| 2.4.1 主成分分析几何解释 |
| 2.4.2 主成分分析方法特点 |
| 2.5 BP神经网络基本原理 |
| 2.5.1 BP神经网络基本原理 |
| 2.5.2 BP神经网络算法 |
| 2.6 本章小结 |
| 3 居住建筑工程造价预测模型输入量选取 |
| 3.1 居住建筑工程造价预测模型输入量选择原则 |
| 3.2 居住建筑工程造价影响因素分析 |
| 3.3 居住建筑工程造价预测模型输入量分析 |
| 3.3.1 基于文献分析获取输入量 |
| 3.3.2 预测模型输入量评估与初选 |
| 3.4 居住建筑工程造价预测模型输入参数调整 |
| 3.4.1 居住建筑工程造价预测模型输入参数选取流程的确定 |
| 3.4.2 居住建筑工程造价预测模型输入参数选取与调整 |
| 3.5 居住建筑工程造价预测指标内涵界定与量化 |
| 3.6 本章小结 |
| 4 基于机器学习造价预测模型构建 |
| 4.1 模型构建机理 |
| 4.2 确定居住建筑工程样本 |
| 4.2.1 确定样本特征 |
| 4.2.2 相似工程的选取 |
| 4.3 基于BP神经网络造价预测模型构建 |
| 4.3.1 工程造价预测模型样本数据预处理 |
| 4.3.2 BP神经网络拓扑结构及参数的设计 |
| 4.4 基于BP神经网络造价预测模型实现 |
| 4.5 本章小结 |
| 5 实例验证 |
| 5.1 工程样本的选取 |
| 5.2 数据预处理 |
| 5.3 居住建筑工程造价预测分析 |
| 5.3.1 基于BP神经网络的造价预测模型训练 |
| 5.3.2 基于PCA-BP神经网络的造价预测模型训练 |
| 5.3.3 预测结果对比分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（6）基于PSO-BP神经网络的高层住宅工程造价预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状评述 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 2 相关理论基础 |
| 2.1 建筑工程与工程造价 |
| 2.1.1 建筑工程的分类 |
| 2.1.2 工程造价的含义 |
| 2.1.3 工程造价的构成 |
| 2.1.4 工程造价的特点 |
| 2.2 神经网络 |
| 2.2.1 基本概念 |
| 2.2.2 神经元模型 |
| 2.2.3 神经网络结构 |
| 2.3 BP神经网络 |
| 2.3.1 BP神经网络结构 |
| 2.3.2 BP神经网络算法的数学推导 |
| 2.3.3 BP神经网络算法流程 |
| 2.3.4 BP神经网络算法的优缺点 |
| 2.4 本章小结 |
| 3 高层住宅工程造价预测指标体系的构建及指标降维方法 |
| 3.1 高层住宅工程造价预测指标体系确定思路 |
| 3.2 高层住宅工程造价预测指标体系的构建 |
| 3.2.1 高层住宅工程造价预测指标体系的构建 |
| 3.2.2 高层住宅工程造价预测特征指标的内涵界定 |
| 3.2.3 高层住宅工程造价预测特征指标的量化 |
| 3.3 基于主成分分析的指标降维 |
| 3.3.1 主成分分析含义 |
| 3.3.2 主成分分析的特点 |
| 3.3.3 主成分分析的基本步骤 |
| 3.4 主成分分析和BP神经网络结合的基本思想 |
| 3.5 本章小结 |
| 4 基于PSO-BP的高层住宅工程造价预测模型的建立 |
| 4.1 粒子群算法 |
| 4.1.1 PSO算法概述 |
| 4.1.2 PSO算法的数学描述 |
| 4.1.3 PSO算法的参数设定 |
| 4.1.4 PSO算法的优化流程 |
| 4.2 基于PSO-BP的高层住宅工程造价预测模型 |
| 4.2.1 BP神经网络工具箱函数 |
| 4.2.2 BP神经网络预测模型的建立 |
| 4.2.3 PSO算法优化BP神经网络参数 |
| 4.2.4 基于PSO-BP的高层住宅工程造价预测流程 |
| 4.3 本章小结 |
| 5 实例验证 |
| 5.1 数据的选取与预处理 |
| 5.2 主成分分析确定输入变量 |
| 5.3 基于PSO-BP的高层住宅工程造价仿真预测分析 |
| 5.3.1 模型的训练与仿真 |
| 5.3.2 预测结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 高层住宅工程造价预测指标调查问卷 |
| 攻读学位期间的研究成果 |
（7）基于BP神经网络的住宅工程概算预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 建筑工程概算预测的现状、面临问题 |
| 1.2.1 建筑工程概算预测的现状 |
| 1.2.2 建筑工程概算预测存在的问题 |
| 1.3 国内外工程概算预测研究综述 |
| 1.3.1 国内研究综述 |
| 1.3.2 国外研究综述 |
| 1.4 论文研究的目的和主要内容 |
| 1.4.1 研究目的 |
| 1.4.2 内容安排 |
| 1.4.3 研究方法 |
| 1.4.4 技术路线 |
| 1.5 论文研究重点 |
| 1.6 本章小结 |
| 2 住宅工程概算预测模型的基本理论 |
| 2.1 住宅工程造价相关概念 |
| 2.1.1 工程概算的编制标准及分类 |
| 2.1.2 工程概算影响因素 |
| 2.2 住宅工程预测相关理论基础 |
| 2.2.1 住宅工程概算预测概念及意义 |
| 2.2.2 传统的预测方法 |
| 2.3 BP神经网络 |
| 2.3.1 人工神经网络的定义 |
| 2.3.2 BP神经网络基本概念 |
| 2.3.3 BP神经网络的激励函数 |
| 2.3.4 BP神经网络函数简介 |
| 2.3.5 BP神经网络计算过程 |
| 2.3.6 BP神经网络算法流程 |
| 2.3.7 BP神经网络的应用 |
| 2.4 遗传算法 |
| 2.4.1 遗传算法的基本概念 |
| 2.4.2 遗传算法的原理 |
| 2.4.3 遗传算法基本法则 |
| 2.4.4 遗传算法的运行参数 |
| 2.5 BP神经网络优化模型的建立 |
| 2.5.1 Hooke-Jeeves算法的定义 |
| 2.5.2 Hooke-Jeeves运算机理 |
| 2.5.3 Hooke-Jeeves算法改进的遗传算法 |
| 2.5.4 改进遗传算法优化的BP神经网络 |
| 2.6 本章小结 |
| 3 住宅工程概算预测模型指标的建立 |
| 3.1 住宅工程概算预测模型指标的构成 |
| 3.1.1 文献法分析影响因素 |
| 3.2 住宅工程概算预测模型指标的筛选 |
| 3.2.1 模糊综合评价法筛选指标 |
| 3.2.2 定量化分析预测指标 |
| 3.3 住宅工程造价指标内涵界定及量化 |
| 3.3.1 住宅工程造价指标内涵界定 |
| 3.3.2 住宅工程概算指标的量化方式 |
| 3.4 本章小结 |
| 4 住宅工程概算预测模型的应用 |
| 4.1 案例的选取 |
| 4.2 指标处理 |
| 4.2.1 样本数据收集 |
| 4.2.2 样本数据归一化处理 |
| 4.2.3 指标的降维 |
| 4.3 模型建立与验证 |
| 4.3.1 MATLAB简介 |
| 4.3.2 BP神经网络预测模型 |
| 4.3.3 GA-BP神经网络模型 |
| 4.3.4 HJGA-BP神经网络模型 |
| 4.3.5 预测结果分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 专家打分表 |
（8）基于灰色系统理论的PC建筑成本预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 问题的提出 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和技术路线 |
| 1.4 本文创新点 |
| 第二章 PC建筑成本影响因素分析 |
| 2.1 PC建筑成本构成 |
| 2.2 设计阶段成本影响因素分析 |
| 2.3 生产制造阶段成本影响因素分析 |
| 2.4 运输阶段成本影响因素分析 |
| 2.5 施工阶段成本影响因素分析 |
| 2.6 装配式建筑成本影响因素综合分析 |
| 第三章 基于GM(1,1)的PC建筑成本预测分析 |
| 3.1 灰色系统理论 |
| 3.2 GM(1,1)模型构建 |
| 3.3 案例分析 |
| 3.4 模型检验 |
| 3.5 成本预测及分析 |
| 第四章 预测模型的改进 |
| 4.1 预测模型应用对比 |
| 4.2 预测模型改进 |
| 4.3 GM(1,1)模型与灰色区间预测模型对比分析 |
| 第五章 结论 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
| 附录4 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（9）基于基因表达式编程的建筑工程造价预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义及目的 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究评述 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 第二章 相关理论基础及方法 |
| 2.1 建筑工程与工程造价相关理论 |
| 2.1.1 建筑工程概念及分类 |
| 2.1.2 建筑工程造价基本概念 |
| 2.1.3 建筑工程造价的构成 |
| 2.1.4 建筑工程造价预测对象界定 |
| 2.1.5 建筑工程造价估算 |
| 2.2 直觉模糊层次分析法相关理论 |
| 2.2.1 层次分析法 |
| 2.2.2 模糊集 |
| 2.2.3 直觉模糊集理论 |
| 2.3 基因表达式编程理论 |
| 2.3.1 GEP的概念及特点 |
| 2.3.2 GEP的编码 |
| 2.3.3 终结符和函数 |
| 2.3.4 适应度函数 |
| 2.3.5 遗传操作 |
| 2.4 BP神经网络 |
| 2.4.1 基本概念 |
| 2.4.2 网络模型 |
| 2.4.3 功能特点 |
| 2.5 本章小结 |
| 第三章 基于直觉模糊层次分析法的工程特征因素选取 |
| 3.1 工程特征因素初步筛选 |
| 3.1.1 数据分析 |
| 3.1.2 因素统计 |
| 3.1.3 因素初选 |
| 3.2 直觉模糊层次分析法选取步骤 |
| 3.2.1 参与因素确定 |
| 3.2.2 建立直觉模糊判断矩阵 |
| 3.2.3 一致性检验 |
| 3.2.4 工程特征因素权值计算 |
| 3.2.5 工程特征因素选取 |
| 3.3 工程特征因素选取计算 |
| 3.4 工程特征因素分析 |
| 3.5 本章小结 |
| 第四章 建筑工程造价预测模型构建 |
| 4.1 总体思路 |
| 4.2 数据收集与处理 |
| 4.2.1 数据收集 |
| 4.2.2 数据处理 |
| 4.3 GEP算法参数设定及流程 |
| 4.3.1 参数设定 |
| 4.3.2 算法流程 |
| 4.4 GEP算法在C#下的实现 |
| 4.4.1 种群初始化程序设计 |
| 4.4.2 适应度计算程序设计 |
| 4.4.3 遗传操作程序设计 |
| 4.4.4 平台界面设计 |
| 4.5 评价方法 |
| 4.6 本章小结 |
| 第五章 实证研究 |
| 5.1 案例采集与处理 |
| 5.1.1 案例采集 |
| 5.1.2 数据处理 |
| 5.2 模型求解及预测分析 |
| 5.2.1 模型求解 |
| 5.2.2 预测分析 |
| 5.3 模型可行性分析 |
| 5.4 模型评价分析 |
| 5.4.1 对比评价分析 |
| 5.4.2 统计量评价分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 研究结论 |
| 研究展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读学位期间发表论文目录) |
| 附录B (调查问卷) |
| 附录C (GEP算法代码) |
（10）基于BP神经网络的装配式建筑投资估算方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 工程投资估算模型 |
| 1.2.2 装配式建筑 |
| 1.2.3 神经网络 |
| 1.3 研究的主要内容、方法、技术路线 |
| 1.3.1 研究的主要内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 第二章 概念与理论基础 |
| 2.1 装配式建筑 |
| 2.1.1 装配式建筑的分类 |
| 2.1.2 装配式建筑的特点 |
| 2.2 工程投资估算 |
| 2.2.1 工程项目投资估算的要求 |
| 2.2.2 投资估算的作用 |
| 2.3 主成分分析法 |
| 2.3.1 主成分分析法的基本原理 |
| 2.3.2 主成分分析法的步骤 |
| 2.4 BP神经网络 |
| 2.4.1 BP神经网络的概念 |
| 2.4.2 BP神经网络优缺点 |
| 2.4.3 BP神经网络对比传统估算方法的优势分析 |
| 2.5 本章小结 |
| 第三章 基于主成分分析法的投资估算特征参数选取 |
| 3.1 建立筛选模型 |
| 3.2 装配式建筑工程特征参数概述 |
| 3.3 特征参数选取 |
| 3.3.1 运用主成分法筛选 |
| 3.3.2 根据工程经验进一步筛选 |
| 3.4 本章小结 |
| 第四章 装配式建筑投资估算的BP神经网络模型 |
| 4.1 投资估算特征参数的量化 |
| 4.2 BP神经网络模型的建立 |
| 4.2.1 网络结构的确定 |
| 4.2.2 神经网络的计算过程 |
| 4.2.3 BP神经网络的改进 |
| 4.2.4 MATLAB的实现 |
| 4.3 投资估算模型的实现步骤 |
| 4.4 本章小结 |
| 第五章 实例论证 |
| 5.1 案例选取 |
| 5.2 指标处理 |
| 5.3 模型仿真分析 |
| 5.3.1 投资估算模型的预测过程 |
| 5.3.2 预测结果的分析与评价 |
| 5.4 本章小结 |
| 结论与展望 |
| 论文主要结论 |
| 创新点 |
| 研究展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间取得的研究成果 |
| 附录B 影响装配式建筑造价的主要特征参数分析调查问卷 |
| 附录C BP神经网络模型MATLAB程序编码 |
四、GM(1,1)模型在住宅工程单方造价预测中的应用（论文参考文献）
- [1]基于机器学习的工业建筑工程造价预测研究[J]. 陈悦华,郑思敏,刘文路. 武汉理工大学学报(信息与管理工程版), 2021
- [2]基于时间序列的新疆保障性住房工程单方造价预测研究[D]. 张珊珊. 新疆大学, 2021
- [3]基于IABC-LS-SVM的水利工程项目建设成本估算与控制方法[D]. 刘运鹄. 大连理工大学, 2021(01)
- [4]基于智能算法的快速工程投资估算研究[D]. 王巧凤. 太原理工大学, 2021(01)
- [5]基于机器学习的居住建筑工程造价预测研究[D]. 周淑媛. 内蒙古科技大学, 2020(06)
- [6]基于PSO-BP神经网络的高层住宅工程造价预测研究[D]. 陈小丽. 兰州交通大学, 2020(01)
- [7]基于BP神经网络的住宅工程概算预测[D]. 王瑶. 兰州交通大学, 2020(01)
- [8]基于灰色系统理论的PC建筑成本预测研究[D]. 李娜. 聊城大学, 2019(01)
- [9]基于基因表达式编程的建筑工程造价预测研究[D]. 罗腾飞. 长沙理工大学, 2019(07)
- [10]基于BP神经网络的装配式建筑投资估算方法研究[D]. 蔡璧蔓. 长沙理工大学, 2019(06)