基于PCA与SVM算法的住宅工程造价预测研究.pdfVIP

36第24卷第2期中国建筑金属结构Vol．24No．2

2025年1月CHINACONSTRUCTIONMETALSTRUCTUREJan．2025

基于PCA与SVM算法的住宅工程造价预测研究

12

王月志，孙娜

（1.长春工程学院，吉林长春130021；2.长春工业大学人文信息学院，吉林长春130122）

摘要：针对住宅工程造价影响因素多的现状，本文通过对影响因素相关性检验，采用主成分分析对影响因素进行处理，去除相关度，降低

输入维度和噪声，然后和支持向量机相结合，构成主成分-支持向量机（PCA-SVM）和主成分-最小二乘支持向量机（PCA-LSSVM）两

个预测模型，对模型的性能进行了评价。算例结果表明，应用PCA-SVM和PCA-LSSVM模型对住宅工程造价进行估算准确度高，模型性能好，

PCA-LSSVM比PCA-SVM模型综合性能略优。

关键词：住宅工程造价；主成分分析；支持向量机；最小二乘支持向量机；预测模型

中图分类号：TU-9文献标识码：A

DOI：10.20080/j.cnki.ISSN1671-3362.2025.02.012

0引言1预测模型的建立

建筑工程造价估计是项目规划和预设计阶段研究与分析项本研究构建的模型主要包括五个部分：①确定影响住宅工

目投资经济效果的重要条件。近年来，建筑行业进入高速发展程造价的影响因素，确定每个因素的数据类型、取值范围和编

期，工程建设领域积累了许多历史工程信息，这些信息为造价码方式，建立样本数据集；②对数据进行降噪、标准化等预

[1]

估测领域引入数据挖掘、机器学习等先进技术提供了条件。处理，划分训练集和测试集；③通过PCA方法进行数据降维；

200.0310.15%99.94%

210.0120.06%100.00%

建筑工程造价估测方法主要包含回归分析和机器学习两大类，④对训练集采用SVM、LS-SVM进行学习训练，选择评价模型

与回归模型相比，人工神经网络的主要优点在于无需考虑变量性能的指标，如均方误差（RMSE）等；⑤使用测试集对模型

间的相关性，可以对非线性关系和多输入多输出问题建立预测进行测试，讨论评估预测模型性能。具体流程图参见图1。

[2]

模型，已被用于解决各种造价估测问题，田宇晖提出了基于

BP神经网络的大型建筑工程施工造价预测方法，构建了施工造确定影响因素

价预测模型。然而，人工神经网络在处理高维小样本时泛化能

力比较差，容易出现过拟合问题。支持向量机（SVM）是一种建立数据集及预处理

基于结构风险最小化原理的算法，它解决了高维模式下的非线

相关分析，PCA降维

性问题，其在小数据集情况下仍具有较高的泛化能力，最小二

乘支持向量机（LS-SVM）是SVM的一种改进算法，它使用最

小二乘损失函数来优化模型，将求解二次规划