人工智能技术在项目概念阶段成本预测中的比较
机器学习
2019-09-26 v1 人工智能
摘要
在项目概念阶段建立可靠的参数化成本模型对项目经理与决策者至关重要。现有方法如概率与统计算法已用于项目成本预测。然而，由于数据样本小而不稳定，这些方法无法为概念成本预测提供准确结果。人工智能（AI）与机器学习（ML）算法包含众多用于监督回归应用的模型与算法。因此，需要对AI模型进行比较分析以指导从业者选用合适模型。本研究聚焦于考察二十种用于成本建模的人工智能（AI）技术，如模糊逻辑（FL）模型、人工神经网络（ANNs）、多元回归分析（MRA）、基于案例推理（CBR）、混合模型以及集成方法如可扩展提升树（XGBoost）。以田间渠道改造项目（FCIPs）为实际案例，分析所应用ML模型的性能。在20种AI技术中，结果表明最准确且合适的方法是XGBoost，基于平均绝对百分比误差（MAPE）与调整R2分别为9.091%和0.929。针对所开发的二十种AI模型，讨论了非线性适应性、缺失值与离群值处理、模型解释与不确定性。关键词：人工智能，机器学习，集成方法，XGBoost，演化模糊规则生成，概念成本，参数化成本模型。
引用
@article{arxiv.1909.11637,
title = {Comparison of Artificial Intelligence Techniques for Project Conceptual Cost Prediction},
author = {Haytham H. Elmousalami},
journal= {arXiv preprint arXiv:1909.11637},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1905.11804