基于自动化机器学习方法并纳入经济指数的施工成本预测比较分析

《KSCE Journal of Civil Engineering》:Comparative analysis of forecasting construction costs via automated machine learning approach and inclusion of economic index

【字体: 大 中 小 】 时间:2026年07月09日 来源:KSCE Journal of Civil Engineering 2.4

编辑推荐:

  施工项目早期阶段的施工成本预测对于设定总体预算和促进招标与合同流程至关重要。尽管研究人员已通过采用机器学习(ML)算法来开发稳健的成本预测模型,但这些模型往往严重依赖专业人员的领域知识和手动工作(例如超参数优化)。此外,尽管经济指数与施工成本之间存在关联,但该

  
施工项目早期阶段的施工成本预测对于设定总体预算和促进招标与合同流程至关重要。尽管研究人员已通过采用机器学习(ML)算法来开发稳健的成本预测模型,但这些模型往往严重依赖专业人员的领域知识和手动工作(例如超参数优化)。此外,尽管经济指数与施工成本之间存在关联,但该指数在用于训练算法的数据集中被整合的程度极小。一个有望的替代方案是利用纳入市场敏感指标——施工成本指数(CCI)的自动化机器学习方法(AutoML)。为此,本文介绍了一种以AutoML为核心的施工成本预测方法,并通过内部/外部验证、纳入CCI、特征重要性分析以及对输入特征数量与计算效率之间权衡的探究,证明了其有效性。
论文解读文章

研究背景、问题与研究意义

施工成本预测在建设项目早期阶段至关重要,它直接影响总体预算设定、招标与合同流程的顺利推进。传统上,施工成本预测多依赖统计回归或专家经验,但近年来机器学习(Machine Learning,ML)算法被广泛采用以提升预测精度。然而,现有ML方法仍存在若干不足:一是过度依赖专业人员的领域知识和手动超参数优化,导致开发效率低下且易引入偏见;二是市场敏感经济指标(如施工成本指数(Construction Cost Index,CCI))常被忽略,尽管它与施工成本存在显著关联,但鲜少被整合至训练数据集中。为克服这些局限,本研究提出一种以自动化机器学习(Automated Machine Learning,AutoML)为核心的施工成本预测方法,通过引入CCI作为额外输入特征,并系统比较多种算法性能,旨在提升预测准确性、降低开发门槛,并增强模型对市场波动的敏感性。该研究发表于《KSCE Journal of Civil Engineering》。

主要关键技术方法

研究人员采用以下关键技术方法:首先,从韩国公共采购服务平台(Construction Cost Information Plaza、Nara Jangteo和Architecture Hub)收集2014年至2023年间完工的1053个公共建筑项目历史数据,并从韩国统计信息服务(KOSIS)数据库按项目招标日期匹配CCI。数据预处理包括剔除不相关特征、对数值型缺失值进行均值插补、对类别型缺失值进行众数插补、对类别特征进行独热编码、对数值特征进行Z-score标准化,并通过方差膨胀因子(Variance Inflation Factor,VIF)检查多重共线性(所有VIF<5),最终保留897个数据点和20个输入特征。其次,使用PyCaret框架构建11种预测模型(包括梯度提升回归器(Gradient Boosting Regressor,GBR)、极端梯度提升(eXtreme Gradient Boosting,XGBoost)、随机森林回归器(Random Forest Regressor,RFR)等),采用10折交叉验证和随机搜索进行超参数优化。最后,基于平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、均方误差(Mean Squared Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)和归一化均方根误差(Normalized Root Mean Squared Error,NRMSE)五个指标评估模型,并以NRMSE为主要比较依据。

研究结果

4.1 十一个预测模型的性能

通过比较11种模型在测试集(269个数据点)上的表现,XGBoost模型获得最高性能:NRMSE为0.056,RMSE为5,228×106韩元,MAE为3,247×106韩元,MAPE为0.175。紧随其后的为GBR、LASSO和OMP。性能最差的为AdaBoost和贝叶斯岭回归。进一步分析发现,性能排名前两位的XGBoost和GBR均属于基于树的集成学习算法,表明此类方法在捕捉成本相关变量间的非线性关系方面具有优势。

4.2 外部保持数据集验证

为验证模型在实际应用中的有效性,研究人员收集了2024年1月至9月的52个新项目数据(经预处理后为51个数据点),输入至最优的XGBoost模型。结果显示,所有评估指标均有所提升:NRMSE降至0.050,RMSE为4,654×106韩元,MAE为3,253×106韩元,MAPE降至0.1295,MSE为21,661,260×1012韩元2。性能提升可能归因于外部数据集样本量较小且变异系数较低(49.69% vs. 94.46%),从而促进了预测稳定性。

4.3 特征重要性分析与附加实验

4.3.1 关键特征识别

基于XGBoost模型的“增益”重要性计算,研究人员对20个输入特征进行重要性排序。结果显示,地面以上总面积(Above Ground Floor Area,AFA)、建筑用途(Building Use,BU)和CCI是排名前三的特征,重要性分数均超过0.1(分别为0.267、0.144和0.129)。进一步通过对比实验验证了CCI的贡献:移除CCI后,XGBoost的NRMSE从0.056升至0.069,表明经济指标显著提升了预测性能。

4.3.2 基于关键特征和计算效率的累积性能

通过逐步增加特征(从重要性最高的AFA开始)并记录NRMSE和训练时间(Training Time,TT),研究人员发现使用17或18个特征时获得最低NRMSE(0.049),但训练时间约为6.1-6.5秒;使用10个特征时NRMSE为0.052,训练时间约4.5秒,实现了性能与效率的最佳平衡。超过18个特征后性能下降,表明冗余变量可能产生负面影响。

4.4 研究发现与贡献总结

研究人员总结出四个主要发现:1)XGBoost在11种算法中表现最优,树集成方法在成本预测中效果显著;2)外部验证证明了模型在真实场景中的适用性,甚至优于内部测试结果;3)特征重要性分析明确了AFA、BU和CCI为关键预测变量,进一步实验确认了CCI的贡献;4)累积性能分析表明10个输入特征可在预测精度和计算效率之间达到最优权衡,为资源有限的实际应用提供了指导。

总结讨论与结论翻译

在讨论部分,研究人员指出本研究提出的AutoML预警方法有效克服了传统ML模型对专家经验的依赖,并通过纳入市场敏感经济指标增强了预测的时效性和稳健性。特征重要性分析揭示了CCI在成本预测中的关键角色,而累积性能分析则强调了特征数量对模型实用性的影响。尽管研究取得了显著成果,但存在若干局限性:训练数据仅来自韩国公共建筑项目,限制了向其他国家的推广;ML算法对类别变量中的语义信息捕捉不足。未来研究可通过引入国际数据集、结合大语言模型和自然语言处理技术、采用滞后CCI或其他经济指标来进一步提升预测性能。

研究结论部分翻译如下:本文的目标是开发一种以AutoML为核心的计划施工成本(Planned Construction Cost,PCC)预测方法,通过整合市场敏感经济指标CCI作为额外训练输入。为实现该目标,构建了包含897个数据点和20个数据特征的预处理数据集,分别开发了十一个预测模型,并基于五个评估指标(例如归一化均方根误差NRMSE)比较了它们的性能。通过保持数据集验证证明了预测模型的有效性,通过特征重要性分析识别了关键输入特征(AFA、BU和CCI),通过附加实验揭示了性能与计算效率之间的权衡关系。尽管有这些贡献,仍存在若干值得未来持续研究的局限性。第一,用于训练、测试和验证ML算法的数据集仅基于韩国历史项目,难以反映其他国家背景。将数据来源扩展到国际项目可增强研究结果的规模、多样性和代表性。第二,尽管XGBoost等ML算法取得了强预测性能,但它们在捕捉类别变量(如项目名称)中的语义信息方面能力有限。然而,这类信息即使是对于数值输出(如PCC)的预测也具有价值,因为它们常包含与成本相关的上下文线索。在未来的研究中,研究人员将尝试通过利用大语言模型和自然语言处理技术提取施工数据中嵌入的语义和定性知识,并探究其在增强施工成本预测中的可行性。未来研究还可进一步探索使用滞后CCI值或其他经济指标,以提高在变化市场条件下PCC预测的稳健性和时间敏感性。也可在多个数据子集上开展专家手动调参与AutoML之间的直接实证比较,以检验一致性、可重复性和调参效率方面的差异。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号