造价预测

摘要： 针对电网工程数据价值未被深入挖掘的问题,文中分析了电网工程投资造价评估分析系统的架构以及各模块的主要功能,进一步提出了基于模糊C均值聚类(FCM)与最小二乘支持向量机(LSSVM)算法的电网工程造价智能评估方法。该方法将电网工程数据样本作为FCM算法输入进行聚类分析,将聚类结果作为LSVSM算法的输入进行回归分析,得到电网工程数据特征参数与造价之间的关系。算例分析表明,通过FCM算法实现了具有相似特征的电网工程数据的聚类,缩减了LSSVM算法处理数据的规模,大幅度提高了算法的计算速度。同时FCM算法能够自动提取特征,得到的电网工程造价预测结果具有更高的准确性。

摘要： 经过多年建设,轨道交通项目沉淀了大量历史数据。鉴于近期轨道交通造价控制要求的提高,结合历史造价数据,利用合适的数学工具分析辅助设计人员进行车站土建造价快速且准确估算,是具有较高使用意义和迫切性的。笔者选取10个造价特征值,利用20个明挖车站样本,采用BP神经网络算法进行造价预测分析,探讨利用历史造价资料预测车站土建造价的可行性。

摘要： 为减少电网工程概算对于工程数据的依赖性并提高预测精度,构建了用于电网工程概算预测的改进FOA-SVR模型。通过灰色关联法进行工程样本数据筛选,将筛选后的数据导入SVR训练,并在标准FOA和自适应FOA的基础上,设置局部最优解跳出机制和飞行步长收敛模式,提出一种全局寻优能力和收敛效率均较高的改进FOA算法,寻找合适参数优化SVR模型。以某电力设计院2020年的30个电网工程架空线路为样本进行模型训练与概算预测,多次测试发现,模型能够稳定输出高精度的预测结果,且改进FOA算法参数寻优的效率较高,为电网工程概算的自动化计算和FOA算法的参数寻优应用提供了一定参考。

摘要： 为解决公路工程估算中存在的计算烦琐、耗时长、受人为因素影响较大等问题,以公路工程造价预测为研究对象,在综述其研究进展的基础上,对机器学习在预测公路工程造价中的应用进行分析,展望了机器学习的发展前景。通过机器学习来处理复杂的非线性工程数据,使其精准地完成公路工程造价预测,更好地控制公路工程成本。

摘要： 在可行性研究阶段,可以明确的建筑工程信息相对较少,为保证投资决策的正确性,需要准确地预测建筑的工程造价。首先通过参考文献初步选取出13项工程造价指标,并结合主成分分析法消除各项指标之间的相关性。最后将主成分得分值作为自变量输入到I-GWO-BP模型中进行训练与仿真。预测结果与传统BP神经网络、粒子群算法和传统灰狼算法模型进行对比分析,结果表明I-GWO-BP神经网络模型更加稳定与准确。

摘要： 为解决当前建筑工程造价预测敏感性偏低的问题,本文研究了一种建筑工程造价快速预测的ARIMA-ES混合模型设计与仿真方法。采用ARIMA-ES混合模型,计算预测指标变化趋势稳定性,并针对不稳定变化趋势作平滑处理,确定造价预测阈值,得到造价预测函数,实现对建筑工程造价的快速预测。实验结果:与其他方法相比,研究的ARIMA-ES混合模型的预测效果较好,对造价预测的敏感性较高,以期通过上述研究为提升建筑工程造价预测敏感性提供一定帮助。

摘要： 为给公路工程资金控制提供有价值的参考数据,解决现有造价预测方法存在的精度低的问题,在考虑公路工程造价影响因素的前提下,实现工程造价预测方法的优化设计。分别从外部和内部因素两个方面,分析相关因素的影响机理并计算其权重值。根据公路工程的内容确定公路工程造价组成,通过对历史价格数据的分析,提取其变化规律,估算各个造价指标的具体取值,最终得出公路工程造价的预测结果。通过实测分析得出结论:与传统预测方法相比,设计预测方法的平均预测误差有所降低,由此证明优化设计的公路工程造价预测方法在精度性能方面存在明显优势。

摘要： 为了提高工程造价预测性能,将神经网络(Neural network, NN)模型用于工程造价预测,并采用量子人工蜂群(Quantum artificial bee colony, QABC)算法对NN模型的参数进行优化,以进一步提高工程造价预测的准确率。首先,提取工程造价预测核心指标要素,并对指标进行量化及归一化处理。其次,建立NN工程造价预测模型,并以NN的核心网络参数构建多个蜜蜂个体,以工程造价预测值与实际值误差的倒数作为人工蜂群算法的适应度。根据适应度值确定最优蜜源,在蜜蜂个体的位置更新时,借助量子比特对个体位置编码,以增强搜索精度。最后,根据最优蜜源位置确定NN核心网络参数。采用QABC优化的NN模型实现工程造价预测,并对预测结果进行了评估。实验结果表明,通过合理设置QABC参数,相比于常用工程造价预测算法,所提出的QABC-NN模型能够获得更高的工程造价预测准确率和稳定性。

摘要： 建筑工程项目决策阶段信息量少,精准高效的造价预测是科学决策的关键。为了提高项目前期工程造价预测的精度,探讨如何利用历史项目大数据及机器学习进行新建建筑工程项目的造价预测至关重要。本文首先通过文献研究确定了建筑工程决策阶段造价的主要影响因素,然后利用人工蜂群算法(ABC)对支持向量机(SVM)参数即惩罚因子C和核函数参数g进行优化计算,最终构建了基于ABC-SVM的建筑工程造价预测模型。最后以某工程造价数据平台上的84个建筑工程项目为数据源进行模型验证,结果显示,与GRID-SVM模型和BP神经网络模型相比,本文所提的ABC-SVM模型的预测精度更高,具有更好的适用性。

摘要： 为提高工程造价预测的精度,提出基于粗糙集和RBF神经网络的造价预测模型.将已完工程的历史造价数据作为研究对象,首先,利用粗糙集理论的属性约简特性,识别与工程造价有较大相关性的影响因素,剔除非主要影响因素;其次,将粗糙集约简后的数据作为输入,总造价作为输出,构建RBF神经网络进行造价预测;最后,将RS-RBFNN的预测结果与其他方法的预测结果进行对比分析,验证了该方法的适用性和有效性.作为工程造价预测在智能化方向上的一次尝试性研究,以期对建筑企业提高造价管理水平有所裨益.

摘要： 本文分析了工程项目造价预测的几种方法的缺点,提出了工程项目造价的变结构神经网络预测方法,从理论和实例上说明了该方法的优点,为工程项目造价管理提供了新的方法.

摘要： 基于变分贝叶斯深度学习的电网工程造价管控指标预测方法，基于工程造价数据库，选取概算前造价数据x与结算造价指标y，形成新的训练样本数据库，当给定新的造价数据x

摘要： 一种可视化造价数据预测智能分析系统，包括数据采集系统、数据校验模块、筛选匹配模块、数据智能处理单元、BIM计算单元、神经网络预测单元、分析决策单元与监督管理单元，数据采集系统的输出端分别与数据校验模块、筛选匹配模块的输入端连接，数据校验模块的输出端与数据智能处理单元的输入端连接，数据智能处理单元的输出端分别与BIM计算单元、筛选匹配模块的输入端连接，筛选匹配模块的输出端与神经网络预测单元的输入端连接，BIM计算单元、神经网络预测单元的输出端分别与分析决策单元的输入端连接，分析决策单元的输出端与监督管理单元的输入端连接。本设计不仅提高了造价过程数据分析能力，而且提高了预测精度。

摘要： 本实用新型属于建筑工程技术领域，尤其为一种用于工程造价分析预测显示装置，包括架体，架体的一端上方转动连接有展示板，架体的后端上方固有第一固定架，第一固定架的内侧固定连接有齿轮，齿轮的内侧转动连接有延伸杆，延伸杆远离齿轮的一端固定有把手，把手的内侧转动连接有连杆，展示板的后端固定有第二固定架，且连杆远离把手的一端与第二固定架转动连接，架体的底端固定有内柱，内柱的外壁套有外柱，外柱的底端固定有三脚架，解决了在现有技术中，工程造价分析装置功能比较单一，使其使用存在局限性，且现有的建筑工程造价分析装置多为固定式结构，不能灵活调节角度和高度的问题。

摘要： 本发明公开了一种特高压输变电工程造价组合预测方法及预测装置。本发明将特高压输变电工程历史样本分为训练样本和验证样本；用多种造价预测方法分别对特高压输变电工程的子模块进行预测模型的构建；根据各预测模型所得的各子模块预测值与真实值之间的误差，用熵权法计算各单一预测模型的初步权重；对预测模型初步权重进行修正，获得特高压工程各子模块组合预测模型的最终权重；根据最终权重计算待预测工程的子模块造价组合预测值，对各子模块造价组合预测值简单相加可得待预测特高压工程的造价组合预测值。本发明用于对特高压输变电工程进行造价预测，尤其用于待建工程的造价预测，从而指导实际工程的决策和工程管理。

摘要： 本发明提供了一种变电工程造价预测与结余控制方法及系统，包括以下步骤：测算影响因素与变电工程造价的关联系数，并基于熵权的修正关联系数；构建造价影响因素指标；以变电工程造价影响因素指标作为LSTM的输入节点，以预测造价作为输出节点，建立LSTM变电工程造价预测模型；获取待测变电工程的造价影响因素指标数值并将其输入至LSTM变电工程造价预测模型，得到待测变电工程的预测造价；以变电工程造价影响因素指标和LSTM变电工程造价预测模型输出的预测造价作为LSTM的输入节点，以投资结余率作为输出节点，建立LSTM变电工程投资结余率预测模型；根据预测造价和投资结余率计算出资金结余。本发明提高变电工程造价水平预测的精准度。

摘要： 本发明公开了一种基于MLP的公路桥梁工程造价预测方法，包括：获取公路桥梁工程造价的历史数据，并从所述历史数据提取影响公路桥梁工程造价的多个影响因子；对多个所述影响因子预处理后得到样本数据集；将所述样本数据集分为训练集样本、测试集样本和验证集样本，并将所述训练集样本作为输入训练MLP神经网络模型，并利用所述测试集样本监视所述MLP神经网络模型训练过程中的错误，利用验证集样本评估所述MLP神经网络模型的准确性；利用所述MLP神经网络模型对公路桥梁的工程造价进行预测。本发明对于提高公路桥梁工程造价的科学性、有效性和智能性具有重要意义。

摘要： 本发明公开了一种单位造价预测方法、装置、电子设备及计算机可读存储介质。其中，该方法包括：确定待预测单位造价的目标工程项目，已知单位造价的多个第一工程项目，以及影响单位造价的多个影响因素；依据目标工程项目，确定在多个影响因素中任意两个影响因素影响单位造价程度的目标影响比例，以及，依据多个第一工程项目，确定在多个影响因素中任意两个影响因素影响单位造价程度的多组第一影响比例；依据目标影响比例与多组第一影响比例，确定目标工程项目分别与多个第一工程项目的多个贴近度；依据第二工程项目的第二影响比例，预测目标工程项目的预测单位造价。本发明解决了相关技术中难以准确预测工程项目的单位造价的技术问题。

摘要： 本发明提出了一种基于工程资料和现场数据的工程造价预测方法和系统。所述工程造价预测方法包括实时监测读取工程项目进行中工作人员上传的工程资料，并获取所述工程资料中记载的工作人员数量信息和进出场物资数量信息；实时监测读取主管部门上传的造价信息材料，获取所述造价信息材料中的人工单价数据和工程物资单价数据；通过自动调取和匹配对应数据的方式将所述工作人员数量信息和进出场物资数量信息与所述人工单价数据和工程物资单价数据进行自动匹配，获取工程项目实施过程中的人工费和材料费；依据人工费和材料费的所占工程造价的比例原则，利用人工费和材料费预测所述工程造价的总额范围。所述系统包括与所述方法步骤对应的模块。

摘要： 本发明属于数据分析领域与机器学习领域，具体涉及一种基于机器学习的电网线路工程造价预测方法。包括以下步骤：步骤1、加载数据，对存储于sqlite数据库中的数据进行读取。首先在python的开发环境中对sqlite数据库进行连接，利用connect接口与存储数据的数据库连接，利用cursor方法加载驱动，创建游标，编辑对应的SQL语句，在游标作用下读取所需数据存入程序变量；成功读取数据后关闭游标，提交事务，结束数据库服务。步骤2、数据预处理，对数据集中的各字段数据进行清洗工作，并将非数值类型的定性数据进行数字化编码，最终归一化处理。步骤3、线性回归模型训练，初始化回归模型参数，输入已预处理好的特征数据与标签数据进行模型训练，并保存模型。步骤4、模型应用与评估，基于历史特征数据预测，生成预测标签，利用数学评价指标评价回归模型性能。

摘要： 本发明公开了基于灰色关联模型的LSSVM变电工程造价预测方法，包括以下步骤：选取若干关联因素并获取原始预测数据，对数据进行无量纲化处理；将数据带入灰色关联模型，得到若干关联因素的关联系数；通过设置阈值对关联系数进行选取，得到关键因素；将关键因素作为LSSVM模型的输入变量，通过LSSVM模型得到预测造价。本发明通过灰色关联模型计算得到若干关联因素的关联系数，设置阈值对关联系数进行选取，只选取主要影响因素，降低模型的计算冗余，解决了陷入高维数困境的问题；另外LSSVM即最小二乘法支持向量机模型利用核函数解决非线性问题和决策依据少数支持向量，增加了本发明的计算速度和预测精度。