基于支持向量机回归的工程项目投资估算区间预测研究

发布时间：2023-04-22 06:14

　　投资估算是项目前期决策的关键环节,对于控制项目的成本十分重要,能够决定一个项目的成功与否,工程实践证明,前期的投资决策对项目成功的影响程度高达70%。因此,建立一套科学准确有效的估算方法是至关重要的。传统的投资估算主要依靠估价师的个人经验,采用拟建工程与已建工程的相似程度进行类比得出拟建工程项目的估算造价,有生产能力指数法、系数估算法等,这些估算方法速度快,但准确度不高。随着计算机技术的进步,越来越多的学者开始研究如何使用人工智能估算方法来提高投资估算的准确性与科学性。其中,人工神经网络、支持向量机等方法由于在解决非线性回归问题上具有很大优势,在许多研究中都得到充分应用。此外,为了提高人工智能方法的估算精度,更多研究者们也将优化算法引入估算过程中,例如遗传算法、粒子群算法、差分进化算法等。前人研究在很大程度上完善了人工智能估算体系,弥补了传统估算中估价师根据自身经验进行估算的缺陷,使得估算精度有了很大提高。论文主要对建筑工程项目投资估算的科学性与准确性作出研究,不同于现有研究,本文创新性地将估算过程中存在的不确定性和风险考虑在内,并以概率性置信区间的形式体现出来。如此,得到一种更加切实...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
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
    1.3 主要研究内容和研究方法
        1.3.1 研究范围与研究内容
        1.3.2 研究方法与技术路线
        1.3.3 研究创新点
2 相关理论与方法
    2.1 工程投资估算理论概述
        2.1.1 工程造价管理的内容
        2.1.2 工程造价估算的特点和作用
        2.1.3 工程造价估算的影响因素
    2.2 因子分析方法
        2.2.1 因子分析的概念
        2.2.2 因子分析的特点
    2.3 支持向量机回归方法
        2.3.1 支持向量机概述
        2.3.2 用于函数拟合的SVR
    2.4 灰狼优化算法
        2.4.1 灰狼优化算法概述
        2.4.2 灰狼优化算法优化步骤
    2.5 核密度估计方法
        2.5.1 参数估计与非参数估计
        2.5.2 核密度估计方法概述
3 工程投资估算区间预测模型
    3.1 工程特征指标体系的建立
        3.1.1 指标初选
        3.1.2 定性指标的量化处理
        3.1.3 工程特征指标体系的因子分析
    3.2 GWO-SVR确定性点预测模型
        3.2.1 SVR模型的设计
        3.2.2 GWO算法优化SVR模型参数
    3.3 基于KDE的概率性预测区间
        3.3.1 预测误差的概率分布
        3.3.2 置信区间的构造
4 案例研究
    4.1 案例数据
    4.2 估算确定性点预测结果
    4.3 估算概率性区间预测结果
    4.4 模型性能比较与估算结果评价
        4.4.1 评价指标
        4.4.2 结果评价
5 结论与展望
    5.1 结论与实际应用
    5.2 展望
附录
在学期间发表的科研成果
参考文献
后记



本文编号：3797079