基于深度学习算法的住宅设施维修成本预测

《Buildings》：Predicting Repair Costs of Residential Facilities Using Deep Learning Algorithms

　　

本研究致力于构建基于深度学习的框架，以预测住宅领域的维护支出。为保持建筑价值、居民安全及能源效率，持续的设施维护不可或缺。鉴于超高层及高性能建筑建设量的近期增长，这一需求尤为迫切。然而，与其他物业用途相比，住宅设施的维修成本估算因建筑类型、所有权结构及入住模式的多样性而颇具挑战。因此，本研究提出了一种深度学习模型，利用从实际住宅设施收集的经验数据，建立高度可靠且科学的维修成本估算方法。在深度学习算法中，研究人员采用了循环神经网络（Recurrent Neural Networks, RNNs）、长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Units, GRUs），并通过固定分割进行模型开发与优化。本文的框架与结果有助于促进住宅设施维护成本的预测，可为预算规划、长期设施管理、预防性维护、资源管理及高级决策提供支持。此外，该研究将推动住宅设施设施管理（Facility Management, FM）的发展。

**一、研究背景与问题提出**

设施管理（Facility Management, FM）作为建成环境领域的重要分支，近年来在各行业中日益受到重视。现代组织的复杂性日益增加，技术 rapid advances、演变的监管要求以及对可持续性的强调，均推动了对 robust 设施管理策略的需求。在这一背景下，精准的维修成本预测对于当代设施管理至关关键——其能够使设施管理人员准确评估并分配维护预算资源，实施主动维护策略，开展成本效益分析，并优化资产管理实践。

然而，住宅设施的设施管理重要性往往滞后于商业、工业及机构建筑群体。住宅建筑的所有权结构较其他建筑类别更为分散，涉及私人业主、公寓协会及物业管理公司等多方利益相关者，这种分散性阻碍了集中协调与问责机制的形成。此外，住宅环境中设施管理的紧迫性感知与投资回报率通常较低，有限财务资源制约了先进设施管理系统及预防性维护项目的应用。尽管维修成本计算在住宅设施管理中非常重要，但针对住宅设施维修成本预测的研究仍显不足，主要面临数据不完整或不一致、缺乏预测模型等挑战——住宅设施的历史数据不足、记录缺乏标准化，且缺乏专门考虑住宅设施特性的预测模型。

**二、研究设计与方法**

为填补上述研究空白，研究人员以韩国城南市某大型公寓复合体为对象，收集2013至2023年约十年间的维修成本数据，采用深度学习算法构建维修成本预测模型，并与传统线性回归（Linear Regression）基线模型对比以验证效果。

**主要技术方法包括：（1）数据来源与变量构建**：样本为城南市1994年竣工、含22栋建筑1774户的大型公寓复合体，观测单元为整个复合体层面特定维修类别在某月的维修成本记录；输出变量为当月维修成本金额（韩元，KRW），输入变量包括建筑年龄（Building Age）、月份（Month，1–12）、维修类别（Category，1–6）及基于12个月滚动窗口的历史维修成本序列信息；对分类变量采用独热编码（one-hot encoding），对维修成本值进行log(1+x)转换以处理右偏分布及零值，再经z-score标准化处理。**（2）模型架构与训练策略**：采用RNN、LSTM、GRU三种循环深度学习架构，利用其处理序列数据及捕获时间依赖性的固有能力；按时间顺序 strict chronological split 划分数据——前70%用于训练（其中30%用于验证），剩余30%为测试数据，以避免时序数据泄漏。**（3）超参数优化**：通过模拟试验调优，测试四种优化器（Adam、RMSprop、AdaGrad、Adadelta）及不同隐藏层配置，采用修正线性单元（Rectified Linear Unit, ReLU）激活函数，设置200个epoch及批次大小5；以均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）及决定系数（R²）作为评估指标。**（4）模型验证**：比较验证集与测试集性能以检测过拟合，并通过五次不同随机种子的重复实验评估模型稳定性。

**三、研究结果**

**3.1 模型性能比较与最终模型选定**

经系统模拟比较，各算法在最优配置下表现如下：RNN最优配置为RMSprop优化器配合3层隐藏层；GRU最优为RMSprop配合2层隐藏层；LSTM最优为RMSprop优化器配合3层隐藏层，且LSTM取得了最低的MAE（0.183）和RMSE（0.379）及最高的R²（0.895），故被选定为最终模型。预测值与实际值对比显示高度拟合，验证了模型的可靠性与准确性。

线性回归基线模型在相同预处理及数据划分条件下的表现显著劣于深度学习模型（MAE: 0.953, RMSE: 1.165, R²: 0.089），反标准对数化后的实际货币误差显示：基线模型MAE_KRW为1,290,148韩元、RMSE_KRW为2,180,262韩元，而LSTM模型分别降至480,000韩元和890,000韩元，证实了LSTM框架在实际预算规划中的优越性。

**3.2 泛化能力与稳定性验证**

验证集与测试集的性能对比显示：验证集MAE为0.206、RMSE为0.464；测试集MAE为0.236、RMSE为0.523，两者差异微小，表明未出现显著过拟合问题。五次重复实验的平均测试MAE为0.185、平均RMSE为0.391、平均R²为0.857，标准差分别为0.005、0.008和0.006，证明模型性能不依赖于初始权重设置，具有良好的稳定性。

**3.3 按维修类别与建筑年龄组的误差分析**

按六类维修类别进行的误差分析显示：Category 2（建筑内部，Inside the building）和Category 4（水、燃气、排水及通风设施，Water, gas, drainage and ventilation facilities）误差相对较低，预测性能稳定；Category 3（电力、消防、电梯及智能家居网络设施，Electricity, fire extinguishing, elevator and intelligent home network facilities）的RMSE最高（0.498），归因于该类包含高成本或不规律设备维护项目。

按建筑年龄组（19–21年、22–24年、25–27年、28–30年）的分析呈现清晰的误差递增趋势：19–21年组MAE为0.168、RMSE为0.356；22–24年组MAE为0.176、RMSE为0.373；25–27年组MAE为0.188、RMSE为0.394；28–30年组MAE为0.219、RMSE为0.456。此趋势源于建筑老化后维修成本发生更为不规律且大规模维修可能性增加。

**四、讨论与结论**

**4.1 讨论**

本研究提出的框架在住宅设施管理领域具有实际应用价值。基于误差分析，设施管理人员可制定更有针对性的维护策略：针对Category 3等预测误差最大的类别，应主动预留更多应急储备；对于模型预测精度较高的类别，则可更精准地规划维修预算。该框架向商业或公共设施等其他建筑类型的扩展应用，有待具备可比纵向维修成本数据集时的进一步研究。

研究局限性包括：第一，模型基于单一住宅复合体验证，其建设类型、规模、年龄及管理历史等特定背景限制了向其他住宅复合体推广，未来需收集多地点、多区域、多建设时期及多种建筑类型的数据以进行外部验证；第二，LSTM架构作为复杂黑盒模型，其预测结果的可解释性有限，未来可整合可解释人工智能（Explainable AI, XAI）技术（如SHAP）以提供透明的决策解释，增强模型的可靠性与可问责性。

**4.2 结论**

本研究利用来自大型公寓复合体的十年经验数据集，提出了基于深度学习的住宅设施维修成本预测框架。三种循环深度学习架构经系统评估后，LSTM模型配合RMSprop优化器及三层隐藏层取得了最优预测性能（标准化对数尺度下MAE: 0.183, RMSE: 0.379, R²: 0.895），反变换后的实际误差分别为MAE_KRW 480,000韩元及RMSE_KRW 890,000韩元。与线性回归基线的比较确认了循环深度学习方法有效捕获了简单模型无法充分表征的时间依赖性与非线性成本模式。

本研究的主要贡献在于：将先进深度学习算法与住宅设施管理领域相结合，为高度可变的住宅维修支出提供了专门定制的数据驱动工具；通过12个月滚动窗口构建类别特定时间输入序列，为利用RNN、LSTM及GRU网络的循环结构进行特定预测任务提供了透明的方法论路径；详细的分类误差分析揭示了预测难度存在系统性差异，为实际维护预算规划提供了可操作的数据驱动指导。

未来研究应优先利用收集自不同区域、建设时期及建筑类型的多中心数据集扩展本框架，并探索整合额外解释变量及XAI技术以进一步提升预测精度与算法透明度。