[论文解读] A Neural Network Model for Construction Projects Site Overhead Cost Estimating in Egypt

Ismaail ElSawy, Hossam Hosny+1 more|arXiv (Cornell University)|Jun 8, 2011

BIM and Construction Integration被引用 27

一句话总结

本文提出一种前馈反向传播人工神经网络（ANN）模型，用于估算埃及建筑项目的现场管理成本占总项目成本的百分比。该模型基于2002至2009年间的52个实际建筑项目数据进行训练，预测现场管理成本的准确性较高，为传统人工估算方法提供了数据驱动的替代方案。

ABSTRACT

Estimating of the overhead costs of building construction projects is an important task in the management of these projects. The quality of construction management depends heavily on their accurate cost estimation. Construction costs prediction is a very difficult and sophisticated task especially when using manual calculation methods. This paper uses Artificial Neural Network (ANN) approach to develop a parametric cost-estimating model for site overhead cost in Egypt. Fifty-two actual real-life cases of building projects constructed in Egypt during the seven year period 2002-2009 were used as training materials. The neural network architecture is presented for the estimation of the site overhead costs as a percentage from the total project price.

研究动机与目标

• 开发一种可靠且基于数据的估算方法，用于埃及建筑项目的现场管理成本。
• 克服传统人工估算方法存在的易错性和主观性等局限性。
• 利用历史项目数据训练人工神经网络，以提高成本预测的准确性。
• 建立一个参数化模型，将现场管理成本表示为总项目造价的百分比。
• 利用2002至2009年期间埃及的实际建筑项目数据，验证模型的预测性能。

提出的方法

• 选择前馈反向传播神经网络架构，用于建模项目特征与现场管理成本之间的关系。
• 输入特征包括项目特定变量，如建筑面积、楼层数和地理位置，这些变量在训练过程中进行了归一化处理。
• 输出层以总项目成本的百分比形式输出现场管理成本，实现参数化估算。
• 使用2002至2009年间收集的52个埃及实际建筑项目数据对网络进行训练。
• 采用反向传播算法，在训练过程中最小化预测值与实际现场管理成本百分比之间的误差。
• 通过数据集的测试子集对模型进行验证，以评估其泛化能力和预测精度。

实验结果

研究问题

• RQ1 人工神经网络能否有效建模埃及建筑项目的现场管理成本估算？
• RQ2 与传统估算方法相比，该ANN模型在预测现场管理成本方面的准确性如何？
• RQ3 项目特征与现场管理成本占总项目成本百分比之间存在何种关系？
• RQ4 该模型在未见过的埃及建筑项目上具有多大程度的泛化能力？
• RQ5 能否有效利用多样化埃及建筑项目的历时数据，训练出可靠的成本估算模型？

主要发现

• 训练后的神经网络模型在估算现场管理成本占总项目成本百分比方面表现出高预测精度。
• 该模型在未见数据上展现出强大的泛化能力，表明其在实际应用中具有鲁棒性。
• 利用52个实际建筑项目的历时真实数据，使模型能够捕捉成本行为中的复杂非线性关系。
• 与传统人工估算方法相比，该ANN方法在一致性与精确度方面表现更优。
• 通过学习七年期间的实证项目数据，该模型成功降低了估算的不确定性。
• 结果证实，人工神经网络是埃及建筑行业参数化成本估算中一种可行且高效的工具。