居住项目的工程成本估算研究

发布时间：2017-06-10 03:06

  本文关键词：居住项目的工程成本估算研究，由笔耕文化传播整理发布。

【摘要】：随着中国房地产进入市场进入了平稳增长的阶段,住宅价格逐步走向理性化,修建居住项目所带来的企业利润也开始市场化,建筑项目的投资决策也逐步进入精细化管理的阶段。政府颁布的定额往往周期长、速度慢,具有滞后性,造成估算出来的结果不准确,不能适应当前的价格水平。如果能够根据既有的竣工资料和拟建项目的工程特征,快速而准确地得出工程造价,不但对于居住项目的施工方来讲,可以节约投标花费的时间,而且对于建设方来讲,也可以很好地安排项目资金计划。本文的研究就是为了达到快速而准确地得出工程造价,辅助建设企业决策的目的。本文的工作主要有以下四点：1.提出问题,分析居住项目工程成本的研究背景和意义,回顾国内外的文献和研究成果和建筑项目成本估算、案例推理理论等内容。2.介绍了一个案例推理成本估算模型,建立数据库,对数据进行预处理,利用灰色关联度计算来进行案例检索,将相似度汇总求和,用案例库中的案例与相似度之和的比值作为权值,对历史案例加权求和来求解目标案例,最后,对案例推理模型的估算精度进行分析。3.提出了SVR成本估算模型和CBR-SVR成本估算模型。其中,SVR成本估算模型没有对数据进行任何的筛选处理,直接采用支持向量机对参数寻优、训练模型得到工程成本的估算值并对其精度进行分析；而CBR-SVR筛选训练样本、训练模型得到工程成本的估算值并对其精度进行分析。最后,对两个模型的精度进行了对比分析。4.提出两个粒子群的优化模型。一个是粒子群优化支持向量机成本估算模型,通过建立模型,设置粒子群算法参数,采用支持向量机对训练样本的训练均方差为适应度函数,对参数C和σ进行寻优、训练模型,得到工程成本的估算值并对其精度进行分析；另一个是粒子群优化的支持向量机案例推理成本估算模型,通过筛选训练样本、建立模型,对参数C和σ进行寻优、训练模型得到工程成本的估算值并对其精度进行分析。最后对两个模型的精度进行了对比分析。5.对提出的5个模型进行了对比分析。本文提出的五种模型相对误差均在10%以内,可以满足项目决策阶段估算误差应在10%以内的规定,可以为初期投资辅助决策有一定的借鉴作用。
【关键词】：成本估算 案例推理 支持向量机 粒子群算法
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TU723.3
【目录】：

• 摘要6-7
• Abstract7-12
• 第1章 绪论12-21
• 1.1 研究背景和研究意义12-13
• 1.1.1 研究背景12
• 1.1.2 研究意义12-13
• 1.2 国内外研究现状13-18
• 1.2.1 国内研究现状13-16
• 1.2.2 国外研究现状16-18
• 1.3 研究内容和技术路线18-21
• 1.3.1 研究内容18-19
• 1.3.2 技术路线19-21
• 第2章 成本估算及案例推理相关理论21-28
• 2.1 建设项目成本估算理论21-24
• 2.1.1 建设项目成本估算概念21-22
• 2.1.2 建设项目成本影响因素22-23
• 2.1.3 建设项目成本分析方法23-24
• 2.2 案例推理理论24-28
• 2.2.1 案例推理概述24
• 2.2.2 案例推理的基本思想24-25
• 2.2.3 案例推理的基本流程25-27
• 2.2.4 案例推理的特点27-28
• 第3章 基于案例推理的成本估算模型28-36
• 3.1 案例数据库的建立28-31
• 3.2 案例检索31-33
• 3.2.1 计算案例相似度31-32
• 3.2.2 相似度排名32-33
• 3.3 造价估算33-34
• 3.4 估算精度分析34-35
• 3.5 本章小结35-36
• 第4章 基于支持向量机的成本估算模型36-52
• 4.1 支持向量机机理论36-40
• 4.1.1 支持向量机概述36
• 4.1.2 支持向量机结构36-37
• 4.1.3 支持向量机算法原理37-39
• 4.1.4 支持向量机的特点39-40
• 4.2 支持向量机算例40-45
• 4.2.1 建立回归模型41
• 4.2.2 模型设定41-42
• 4.2.3 模型训练和计算42-44
• 4.2.4 模型性能分析44-45
• 4.3 支持向量机案例推理模型45-50
• 4.3.1 支持向量机案例推理模型建立45-47
• 4.3.2 模型参数计算47
• 4.3.3 模型训练和预测47-50
• 4.3.4 模型性能分析50
• 4.4 SVR模型和CBR-SVR模型对比分析50-51
• 4.5 本章小结51-52
• 第5章 基于粒子群算法的优化估算模型52-69
• 5.1 粒子群算法概述52-54
• 5.1.1 粒子群算法的数学模型52-53
• 5.1.2 粒子群算法的基本原理53
• 5.1.3 粒子群算法的特点53-54
• 5.2 粒子群优化模型及算例54-62
• 5.2.1 PSO-SVR估算模型简介54
• 5.2.2 PSO-SVR估算模型建立54-57
• 5.2.3 PSO-SVR估算模型设定57-58
• 5.2.4 PSO-SVR估算模型计算58-61
• 5.2.5 PSO-SVR估算模型分析61-62
• 5.2.6 PSO-SVR模型与SVR模型对比分析62
• 5.3 PSO-SVR案例推理模型及算例62-67
• 5.3.1 PSO-SVR案例推理模型建立62-65
• 5.3.2 CBR-PSO-SVR模型计算65
• 5.3.3 CBR-PSO-SVR模型分析65-66
• 5.3.4 CBR-PSO-SVR和PSO-SVR对比66-67
• 5.4 成本估算模型分析67-68
• 5.5 本章小结68-69
• 结论69-71
• 致谢71-72
• 参考文献72-76
• 附录76

【参考文献】

中国期刊全文数据库 前4条

1 黎亚鹏;;高校基建工程投资估算方法评析[J];大众科技;2011年08期

2 彭光金;俞集辉;崔荣;韦俊涛;司海涛;朱辉;;基于数据挖掘技术的输电工程造价估算[J];工业工程与管理;2009年03期

3 张光前,邓贵仕,李朝晖;基于事例推理的技术及其应用前景[J];计算机工程与应用;2002年20期

4 黄崇;甘国融;;基于PCA-BP的高速公路工程造价预测模型[J];公路与汽运;2014年05期

  本文关键词：居住项目的工程成本估算研究，由笔耕文化传播整理发布。

，

本文编号：437247