王德美， 陈 慧， 肖之鸿， 夏松林， 范淑倩， 崔常辉， 张清华

(1. 烟台大学 土木工程学院， 山东 烟台 264005； 2. 广东海龙建筑科技有限公司， 广东 深圳 518110；3. 烟台天海房地产开发有限公司， 山东 烟台 264003)

随着工程建设的高速发展，工程建设领域各相关单位都积累了大量的历史工程建设数据，但多数单位没有对数据进行充分挖掘利用，存在“数据丰富，知识贫乏”的现象。工程建设的各项数据和指标之间存在着千丝万缕的关系，利用数据挖掘技术深度挖掘隐藏在繁杂数据背后的规律，可以为快速计价和工程决策提供数据基础。

建筑工程造价预测最初是通过概算指标估算法[1]，分别套用概算指标来估算投资额。然而由于项目相关数据的准确性较差，且估算指标过于统一，故投资估算的精度较低。统计分析中的线性回归方法是比较常见的回归方法，但这种方法对异常值较敏感，面对维度较大、较复杂数据集时模型性能差[2]。灰色理论可用以解决“小样本、贫信息”的问题，算法相对简单，属于一种非线性预测方法，但是受初始数据序列波动较大，对高维数据并不友好，因此预测模型的精度较低[3]。随着信息技术和机器学习人工智能的不断发展，近年来国内外逐步兴起了遗传算法、人工神经网络、支持向量机、极限学习机等机器学习算法。其中人工神经网络(Artificial Neutral Network，ANN)和支持向量机算法(Support Vector Machine，SVM)相对更适合于建筑工程造价预测建模。很多学者使用人工神经网络的方式进行建筑工程的造价预测研究[4,5]，虽然ANN与传统的统计方法相比，模型预测精度有所改善，但是ANN在大样本下才能得到较优结果，且ANN容易出现局部最优的缺陷。……