Искусственный интеллект и моделирование параметрической оценки стоимости строительства: обзор современного состояния
Artificial Intelligence and Parametric Construction Cost Estimate Modeling: State-of-the-Art Review
2019-10-19
SCID: 54.1/zd9xw7nt
Discuss with AI
XGBoostискусственный интеллектпроекты улучшения полевых каналовмодели машинного обученияпараметрическая оценка стоимости строительства
Figures from the paper
Abstract (AI)
В данном исследовании рассматриваются распространённые методы и процедуры, применяемые для выявления факторов, определяющих стоимость; в предшествующей литературе они классифицируются по двум основным категориям: качественные и количественные процедуры. Кроме того, в исследовании рассматриваются различные методы вычислительного интеллекта (CI) и ансамблевые методы, используемые для разработки практических моделей прогнозирования стоимости. Обсуждаются гибридизация этих методов моделирования, будущие тенденции развития моделей стоимости, ограничения и рекомендации. Основное внимание уделено обзору наиболее распространённых методов искусственного интеллекта (AI) для моделирования стоимости, включая модели нечёткой логики (FL), искусственные нейронные сети (ANN), регрессионные модели, рассуждение по прецедентам (CBR), гибридные модели, деревья решений (DT), случайные леса (RF), машины опорных векторов (SVM), AdaBoost, масштабируемые деревья бустинга (XGBoost) и эволюционные вычисления (EC), включая генетические алгоритмы (GA). Кроме того, в статье представлены исчерпывающие сведения, необходимые для разработки надёжной параметрической модели стоимости на концептуальной стадии проекта. В качестве реального практического примера для анализа эффективности моделей машинного обучения (ML) используются проекты по улучшению полевых каналов (FCIP). Среди 20 методов искусственного интеллекта наиболее точным и подходящим оказался XGBoost: средняя абсолютная процентная ошибка (MAPE) составила 9,091%, а скорректированный R² — 0,929. Для 20 разработанных моделей искусственного интеллекта обсуждаются способность к нелинейной адаптации, обработка пропущенных значений и выбросов, интерпретируемость моделей и неопределённость. Кроме того, в исследовании представлен общедоступный набор данных по проектам улучшения полевых каналов (FCIP), предназначенный для последующей валидации и анализа моделей.
Key Findings
1
Рассмотрены методы искусственного и вычислительного интеллекта, а также ансамблевые методы для разработки параметрических моделей прогнозирования стоимости строительства.
2
Обзор классифицирует процедуры выявления факторов стоимости строительства на качественные и количественные категории.
3
Модели сопоставлены по способности учитывать нелинейности, обрабатывать пропуски и выбросы, обеспечивать интерпретируемость и учитывать неопределённость.
4
Исследование предлагает рекомендации по созданию надёжных параметрических моделей стоимости на концептуальной стадии и предоставляет открытый набор данных по проектам улучшения полевых каналов для последующей валидации.
5
Двадцать моделей ИИ были оценены на примере проектов улучшения полевых каналов; наилучшие результаты показала XGBoost, достигнув MAPE 9,091% и скорректированного R² 0,929.
Research Object
Параметрические модели оценки стоимости строительства, применённые к проектам улучшения полевых каналов (FCIP) в качестве практического примера
Research Subject
Факторы стоимости, прогностическая точность, применимость и неопределённость методов искусственного и вычислительного интеллекта для моделирования стоимости строительства на концептуальной стадии
Publication Details
Publication Date
2019-10-19
Journal
Publisher
ISSN
Access Type
Author Information
Download PDF
Subscribe to digest