建筑材料价格预测的粗粒度框架：计量经济学与机器学习方法
机器学习
2025-12-11 v1 计量经济学
摘要
建筑材料价格的持续波动对成本估算、预算和项目交付构成显著风险，凸显了对粗粒度和可扩展预测方法的紧迫需求。本研究开发了一个预测框架，利用建筑规范协会 (CSI) MasterFormat 作为目标数据结构，使预测能够在六位数章节级别进行，支持广泛建筑材料的详细成本预测。为提高预测精度，该框架整合了解释变量，包括原材料价格、商品指数和宏观经济指标。在基线配置（仅使用 CSI 数据）和包含解释变量的扩展版本下，评估了四种时间序列模型：长短期记忆网络 (LSTM)、自回归移动平均整合模型 (ARIMA)、向量误差修正模型 (VECM) 和 Chronos-Bolt。结果表明，纳入解释变量显著提高了所有模型的预测性能。在所测试的方法中，LSTM 模型始终实现最高的准确率，RMSE 值可低至 1.390，MAPE 值为 0.957，代表比传统统计时间序列模型 ARIMA 提高了最高可达 59%。跨多个 CSI 部门的验证确认了该框架的可扩展性，详细报告了第 06 部门（木材、塑料和复合材料）的案例。该研究提供了一种稳健的方法，使业主和承包商能够改进预算实践，实现在 Definitive 级别的更可靠成本估算。
引用
@article{arxiv.2512.09360,
title = {A Granular Framework for Construction Material Price Forecasting: Econometric and Machine-Learning Approaches},
author = {Boge Lyu and Qianye Yin and Iris Denise Tommelein and Hanyang Liu and Karnamohit Ranka and Karthik Yeluripati and Junzhe Shi},
journal= {arXiv preprint arXiv:2512.09360},
year = {2025}
}