ИННОВАЦИОННЫЕ ГИБРИДНЫЕ МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ СТРОИТЕЛЬСТВА

Аннотация

Сложно переоценить важность точной оценки затрат в сфере инвестиций в строительстве, поскольку это служит краеугольным камнем для принятия важнейших инвестиционных решений. К сожалению, неточные оценки часто приводят к значительным убыткам из-за неверных инвестиционных целей. Поэтому создание эффективной системы поддержки принятия инвестиционных решений стало первостепенным направлением исследований, призванных помочь инвесторам в строительство сделать обоснованный и своевременный выбор. Данное исследование посвящено новому гибридному подходу машинного обучения (HML), объединяющему различные базовые модели, такие как искусственные нейронные сети (ANN), машины векторов поддержки (SVM), множественная линейная регрессия (MLR), деревья решений (DT) и случайный лес (RF), для построения сложной модели прогнозирования стоимости строительства. Примечательно, что эмпирические результаты демонстрируют исключительную точность гибридной модели ANN-DT, достигающую впечатляющих 92,1% и превосходящую отдельные модели. Это обещает существенные преимущества и повышение рентабельности в строительной отрасли, что будет полезным для специалистов в области гражданского строительства, архитектуры и инвестирования в строительство. Сочетая предсказательную силу ANN с прозрачными правилами принятия решений DT, эта гибридная модель эффективно удовлетворяет потребности отрасли в точных прогнозах и понятных методологиях прогнозирования, представляя собой значительное достижение в улучшении процессов принятия обоснованных решений в строительной сфере.