地统计学与支持向量机相融合的建筑工程造价预测①

2018-05-04 06:33:45刘春
计算机系统应用 2018年4期
关键词:工程造价建筑模型

刘 春

(四川建筑职业技术学院 网络管理中心,德阳 618000)

1 引言

随着我国经济水平的不断提高,人们住房、生活得到了大幅度的改善,出现了许多大型建筑. 在建筑构建过程中,工程造价是大家关心的重要问题,其直接影响到工程的管理、成本以及其它方面,因此建立高精度的建筑工程造价预测模型一直是人们关注的焦点[1-3].

建筑工程造价建模常基于时间序列数据进行,把建筑工程造价看作是一种按时间前后顺序组织在一起的数据,数据之间存在明显时序特性,同时受到其它因素影响,具有较强的非线性变化特点. 传统建筑工程造价预测模型有:多元性线回归,滑动平均模型等,它们属于线性建模方法,无法描述建筑工程造价的非线性变化特征,建筑工程造价预测结果不太可靠[4,5]. 近些年,人们将神经网络引入到了建筑工程造价的建模中,由于具有非线性预测能力,获得了比传统模型更高的建筑工程预测精度[6-8]. 神经网络要求建筑工程造价的历史数据多,如果历史数据太少,会出现“过拟合”的建筑工程造价预测结果. 支持向量机(Support Vector Machine,SVM)是一种非线性建模能力强的算法,克服了神经网络对训练样本规模的约束条件,预测性能要优于神经网络,为建筑工程造价提供了一种新的建模工具[9]. 如何对历史数据间的时间相关性进行有效挖掘十分关键,常采用拓阶的方法实现,拓阶过程消耗时间长,而且属于线性拓阶方法,结果无法描述建……

登录APP查看全文

猜你喜欢
工程造价建筑模型
一半模型
《北方建筑》征稿简则
北方建筑(2021年6期)2021-12-31 03:03:54
关于建筑的非专业遐思
文苑(2020年10期)2020-11-07 03:15:36
建筑的“芯”
现代装饰(2020年6期)2020-06-22 08:43:12
重尾非线性自回归模型自加权M-估计的渐近分布
如何加强工程造价管理有效的控制工程造价
3D打印中的模型分割与打包
工程造价之旅
独特而伟大的建筑
对工程造价进行审计的几点思考