基于粒子群优化最小二乘支持向量机的建筑工程造价预测研究

摘要

建筑工程造价预测是工程项目可行性研究的基础，是限额设计的前提，也是招投标过程中制定标底的依据。精准而高效地进行工程造价预测，对于工程造价的前馈型管理具有重要的理论与现实意义。
　　工程建设项目由于建设周期长且涉及面较广，其历史数据存在样本量有限、属性多的特点，工程造价预测实质上是一类小样本学习问题。近年来，基于模糊数学、灰色关联度以及人工神经网络等方法的工程造价预测研究较为广泛，但模糊数学和灰色系统理论的模型设计过于简单，难以获得理想的预测精度，而神经网络学习则存在样本需求量大、收敛速度较慢且泛化性能差的缺陷。支持向量机的出现为小样本数据的学习处理提供了最佳的技术平台，因此本研究结合粒子群算法对支持向量机进行改进，旨在提出一种基于粒子群优化支持向量机的智能学习方法，并将其运用于建筑工程造价预测工作。
　　论文首先在阐述标准支持向量机的基本思想和数学原理的前提下，给出了其改进算法——最小二乘支持向量机的数学模型。然后在相关文献研究及专家打分的基础上，结合建筑工程造价的构成及其影响因素，构建了合理的建筑工程造价预测指标体系。其次，利用系统聚类分析对相似样本数据归类，同时采用主成分分析对属性指标降维，得到互不相关的综合指标，从而降低了样本复杂度并提高了模型的学习效率。最后，针对模型中参数设置依赖经验值的缺陷，借助粒子群算法在参数寻优领域的优势，提出了基于粒子群优化参数的预测模型，进一步提高了模型的预测精度和稳定性。
　　结合上述理论成果，在搜集整理历史工程造价数据的基础上，运用SPSS对数据预处理，并利用Matlab编程进行仿真分析，验证了粒子群优化最小二乘支持向量机模型的适用性与有效性，对提高工程造价管理水平具有积极的指导意义。

目录

声明

第1章 绪论

1.2研究目的及意义

1.3国内外研究现状综述

1.4研究的主要内容及思路

1.5本章小结

第2章 相关理论基础

2.1建筑工程造价相关理论

2.2建筑工程造价预测相关理论

2.3支持向量机（SVM）相关理论

2.4最小二乘支持向量机（LS-SVM）

2.5本章小结

第3章 建筑工程造价预测指标体系的构建与数据预处理方法

3.1建筑工程造价预测指标体系确定思路及原则

3.2建筑工程造价预测指标体系的构建

3.3基于主成分分析的指标降维

3.4基于系统聚类分析的样本数据分类

3.5 本章小结

第4章 基于PSO-LSSVM的建筑工程造价预测模型构建

4.2粒子群优化算法概述（PSO）

4.3基于PSO-LSSVM的建筑工程造价预测模型

4.4本章小结

第5章 基于PSO-LSSVM的建筑工程造价预测模型的应用

5.1数据的搜集与整理

5.2样本数据的系统聚类分析

5.3特征指标的降维处理

5.4基于PSO-LSSVM的建筑工程造价仿真预测分析

5.5本章小结

第6章 结论与展望

6.2展望

参考文献

攻读硕士期间发表学术论文

致谢

附录 基于PSO优化LS-SVM的建筑工程造价预测指标调查问卷