Development of cost estimation models based on ann ensebles and the SVM method
Authors:
- Michał Juszczyk
Abstract
Cost estimation, as one of the key processes in construction projects, provides the basis for a number of project-related decisions. This paper presents some results of studies on the application of artificial intelligence and machine learning in cost estimation. The research developed three original models based either on ensembles of neural networks or on support vector machines for the cost prediction of the floor structural frames of buildings. According to the criteria of general metrics (RMSE, MAPE), the three models demonstrate similar predictive performance. MAPE values computed for the training and testing of the three developed models range between 5% and 6%. The accuracy of cost predictions given by the three developed models is acceptable for the cost estimates of the floor structural frames of buildings in the early design stage of the construction project. Analysis of error distribution revealed a degree of superiority for the model based on support vector machines.
- Record ID
- CUT461aa7e7a3a340eaaf4312bf8980b556
- Publication categories
- ;
- Author
- Journal series
- Civil and Environmental Engineering Reports, ISSN 2080-5187, e-ISSN 2450-8594
- Issue year
- 2020
- Vol
- 3
- No
- 30
- Pages
- 48-67
- Other elements of collation
- schem.; tab.; wykr.; Bibliografia (na s.) - 64-67; Bibliografia (liczba pozycji) - 37; Oznaczenie streszczenia - Abstr.; Numeracja w czasopiśmie - Vol. 3, Nr 30
- Keywords in English
- construction cost estimation, cost modelling, ensembles of neural networks, support vector machine
- Abstract in Polish
- Oszacowania kosztowe, jako jeden z kluczowych procesów dla przedsięwzięć budowlanych procesów, dają podstawy do podejmowania wielu decyzji związanych z przedsięwzięciem. W artykule przedstawiono wyniki badań nad możliwościami wykorzystania sztucznej inteligencji i uczenia maszynowego w oszacowaniach kosztów. W toku prac badawczych opracowano trzy oryginalne modele oparte na zespołach sztucznych sieci neuronowych lub metodzie wektorów nośnych dla potrzeb predykcji kosztów realizacji konstrukcji nośnych kondygnacji budynków. W świetle ogólnych miar (RMSE, MAPE) trzy zaproponowane modele charakteryzują się podobną jakością predykcji kosztów. Wartości MAPE obliczone dla procesów trenowania i testowania trzech opracowanych modeli wahały się pomiędzy 5% a 6%. Dokładność predykcji kosztów realizacji konstrukcji nośnych kondygnacji budynków uzyskanych w oparciu o opracowane modele jest zadowalająca dla wczesnego etapu projektowania obiektu budowlanego. Analiza rozkładu błędów trenowania i testowania modeli pozwala stwierdzić, że dla rozważanego problemu model oparty o metodę wektorów nośnych jest nieco lepszy od modeli opartych o sztuczne sieci neuronowe
- DOI
- DOI:10.2478/ceer-2020-0033 Opening in a new tab
- URL
- https://ceer.com.pl/resources/html/article/details?id=207995 Opening in a new tab
- Language
- eng (en) English
- License
- Score (nominal)
- 70
- Additional fields
- Indeksowana w: Web of Science
- Uniform Resource Identifier
- https://cris.pk.edu.pl/info/article/CUT461aa7e7a3a340eaaf4312bf8980b556/
- URN
urn:pkr-prod:CUT461aa7e7a3a340eaaf4312bf8980b556
* presented citation count is obtained through Internet information analysis, and it is close to the number calculated by the Publish or PerishOpening in a new tab system.