[发明专利]一种基于支持向量机的建筑智能化工程投资预测方法

权利要求书

1.一种基于支持向量机的建筑智能化工程投资预测方法，其特征在于：该方法包括以下步骤：

(1)支持向量机回归算法应用思路；

(2)特征向量的选取；

(3)样本数据采集与预处理；

(4)造价预测模型搭建、模型训练与预测。

2.根据权利要求1所述的一种基于支持向量机的建筑智能化工程投资预测方法，其特征在于：所述步骤(1)具体为：

建筑智能化工程投资预测模型看作非线性回归函数问题：第i年，工程造价影响因子指标值为自变量X_i＝{x_i1,x_i2,…x_in}，第j年，工程造价预测数值假设为y_j，假设X_i与y_j之间存在非线性函数关系F(x)让y_i＝F(x_i1,x_i2…x_in)；输入为X_i＝{x_i1,x_i2,…x_in}，输出为y_j，用ε-SVR求解回归方程通过该方程得到工程投资预测值；应用思路如下：

1)确定工程造价影响因子，获取造价数据，提取工程造价影响因子指标值，对数据进行预处理；

2)选择一个合适的SVR函数类型、合理的核函数与核参数，选取ε-SVR回归函数模型与径向高斯核函数代入回归方程，用交叉验证与网格搜索法，获得最优参数(C,λ)；

径向高斯核函数：K(x_l,x)＝exp(-λ||x_l-x||²)

3)将最优(C,λ)参数代入预测模型，对样本数据进行训练；

4)使用训练出的预测模型，通过测试集验证预测结果的准确性；

其中：支持向量个数为n_sv；核函数为K(x_i,x)，核参数为λ；核参数λ用于控制样本划分精细程度；惩罚系数C，用于控制SVR模型的经验风险与置信范围，C数值会影响模型的复杂度与稳定性；不敏感损失函数ε控制回归函数对样本数据的不敏感区域的宽度。

3.根据权利要求1所述的一种基于支持向量机的建筑智能化工程投资预测方法，其特征在于：所述步骤(2)具体为：

选择五项特征向量，作为造价模型特征向量：建设地区x₁、建筑类型x₂、建设需求x₃、建筑面积x₄、报价指数x₅；预测指标中的定性指标量化、定量指标数量级差别，需要进行预处理；

其中建设地区、建筑类型不同类别分别量化为自然数字；报价指数由建设时间所确定，根据建筑智能化行业专家意见整合，人工造价、设备造价指数分别按照0.45与0.55的权重计算，参照《2018年重庆市建设工程计价定额》与建设工程造价数据进行对比计算得到；“建设需求”预测指标量化，由于建筑智能化专业的建设系统种类繁多，影响预测结果准确性；依据《智能建筑设计标准(GB50314-2015)》中对于不同类型建筑，均含“应建项”、“宜建项”、“可建项”三个系统建设方案；

将建设需求简化为：基本型，即包括应建项；

拓展型，即包括应建项、宜建项；

高端型，即包括应建项、宜建项、可建项。

4.根据权利要求1所述的一种基于支持向量机的建筑智能化工程投资预测方法，其特征在于：所述步骤(3)具体为：

将样本数据归一化至[0,1]范围内，计算公式如下：

其中，i＝1,2,…n；X_max,X_min分别为某一预测指标中数据的最大、最小值。

5.根据权利要求1所述的一种基于支持向量机的建筑智能化工程投资预测方法，其特征在于：所述步骤(4)具体为：

1)SVR函数类型选择

在支持向量机的回归模型中，常用nu-SVR与ε-SVR两种类型函数；其中nu-SVR需事先确定支持向量的数量，需要慢慢调整ε数值得到最优模型，花费时间较多；ε-SVR需事先确定ε数值，即损失函数的值，预测模型函数有很好的表现；

2)核函数选择

在SVR模型中，线性核函数linear没有映射至高维空间，用于线性回归问题；多项式核函数Poly参数较多，使模型的复杂度变高；径向高斯函数RBF在解决非线性回归问题表现较好，在特征维数少、样本数量正常时，可取度较高；Sigmoid函数生成神经网络，泛化能力相对RBF较弱，部分参数无效；

3)寻参方法及参数优化

k折交叉验证，即对指定范围内的每一组(C,λ)进行计算，得到最优解；

4)模型训练与测试

对于限额误差参数ε的确定，使用80组数据作为训练样本建立预测模型，取预测表现最好的ε值；其中确定系数SSR是预测值与原始样本均值差的平方和，SST是原始数据和均值的平方和；R²用来判定模型的拟合优化度，越接近1，表示模型越拟合训练数据；当R²的值远离1时，表示模型拟合度较差；

当ε取0.5时，模型拟合度高；通过90组数据作为训练样本，通过网格搜索算法与交叉验证取得最优参数(C,λ)，其中C＝16，λ＝0.3125，n_SV＝25，其中n_SV是支持向量个数；剩余10组数据进行模型测试，工程投资预测结果与实际值的对比及偏差对比结果；

5)预测效果分析

预测模型的预测值与实际值的相对误差小于等于10％时，则说明该模型计算准确度可靠。