导读:本文包含了造价预测论文开题报告文献综述、选题提纲参考文献，主要关键词:神经网络,工程造价,造价,算法,模型,乌兰察布,建筑工程。
造价预测论文文献综述写法
朱琳,刘春[1]（2019）在《基于改进支持向量机的工程造价预测模型》一文中研究指出工程造价预测是当前工程管理领域研究中的热点,针对当前工程造价预测模型存在的预测精度低、建模效率低等不足,提出了基于改进支持向量机的工程造价预测模型。首先收集工程造价历史数据,并对它们进行一定的预处理,然后采用改进支持向量机对工程造价建模的训练样本进行学习,并采用粒子群算法确定模型的参数,从而建立工程造价的预测模型,最后采用Matlab 2014R工具箱实现了工程造价预测的仿真对比实验,结果表明,改进支持向量机大幅度提高了工程造价的预测精度,而且工程造价整体预测性能要明显优于对比模型,具有更高的实际应用价值。(本文来源于《计算机与数字工程》期刊2019年12期）
王永梅[2]（2019）在《基于时间序列的建筑工程造价预测探究》一文中研究指出在建设项目的项目管理中,项目成本管理的控制是一项非常重要的工作。当今现代建筑市场的创新发展为控制建筑项目成本提出了许多新的控制方法。基于时间序列的工程造价控制是将统计概率分析合理地应用于工程造价控制中,通过科学的数据计算和分析,可以提高建筑工程的整体造价控制水平。如今,根据建筑项目成本预测的时间序列,个体建筑企业已取得了出色的成果。因此,加强对建设项目成本预测和利用时间序列的分析具有重要的现实意义和理论意义。(本文来源于《建材与装饰》期刊2019年34期）
郭琦,邓唯,姜章维[3]（2019）在《基于GA-BP神经网络的水电工程造价指数预测》一文中研究指出水电工程造价指数是反映市场价格变动对水电工程造价影响的综合性指数,准确有效地对水电工程造价指数进行预测可以提高建设管理部门的管理水平。以2004年～2013年的半年水电工程造价指数为基础,建立BP神经网络模型,通过训练集输入网络,测试集检测网络,构建出人工、材料、机械单一造价指数与综合造价指数的连接关系,并运用GA遗传算法根据误差反向传导的原理调整BP神经网络的权值跟阈值,最终预测出2014年～2016年的半年水电工程造价指数,结果显示预测精度达到97.4%。由此表明,GA-BP神经网络模型在水电工程造价指数的预测应用上具有一定参考价值,对提高水电工程管理水平具有一定实际意义。(本文来源于《水利水电工程造价》期刊2019年04期）
妙旭娟,刘锦明,高亮,李昌陵,张新燕[4]（2019）在《基于主成分分析法和神经网络的技改工程造价预测模型》一文中研究指出目前输变电工程造价经济技术指标复杂,影响造价的因素众多,导致造价估算困难,工程设计和概算过程难以达到预期效果。为了解决该难题,文章建立基于主成分分析法和改进BP神经网络的输变电工程造价预测模型,采用主成分分析法提取输变电工程造价主要影响因素,结合工程实际情况,通过改进的BP神经网络对样本数据训练学习。通过测试验证,建立的模型预测结果较为准确,能够较为合理的预测输变电工程的造价费用,对电网工程造价预算具有一定的参考价值。(本文来源于《内蒙古科技与经济》期刊2019年19期）
王轩,杨文波[5]（2019）在《建筑工程造价预测模型的设计与实现》一文中研究指出为了使编制投资计划及控制施工成本的造价估算做到准确有效,建筑工程在投资决策过程中必做工作之一就是工程造价预估。基于模糊逻辑和神经网络方法设计建筑工程造价预测模型,依据建筑工程特征,通过直觉模糊分析方法,对造价的影响程度系数的求解;并在此基础上完成了对建筑工程造价影响程度较大的5个工程特征的确定,还在神经网络模型中用作输入向量,结合MATLAB工具箱完成程序设计,使用已完工程数据实现模型的训练、修正以及验证。验证说明了所设计的模型可使建筑工程造价预测的精确度得到显着提高,具有较强的实用价值。(本文来源于《微型电脑应用》期刊2019年08期）
周子东,李东伟,李国胜,汪群,陈晓路[6]（2019）在《基于逐步回归的AdaBoost-SVR模型在海上风电项目造价预测中的应用》一文中研究指出为克服海上风电造价预测模型中自变量存在的多重共线性对建模的影响;同时针对现阶段海上风电实际成本数据较少,样本数量不多的现状,提出一种基于逐步回归的AdaBoost-SVR造价预测模型。逐步回归方法可以有效提取重要的自变量,避免多重共线性的影响;AdaBoost-SVR模型可以在小样本的条件下,保证模型的精度,并可提高泛化能力。工程实例分析表明,该模型可以有效提高预测精度。(本文来源于《水利水电工程造价》期刊2019年03期）
杨凯,于波,肖艳利,何勇萍,王封潇[7]（2019）在《基于GA-BP神经网络的配电网工程造价预测》一文中研究指出为了解决前馈(BP)神经网络在配电网工程建设工程造价预测时,容易陷入局部极小而导致预测精度降低的问题,提出了一种GA-BP神经网络的配电网工程造价预测模型。模型试算与分析结果表明:除了个别样本数据外,GA-BP模型预测数据的相对误差小于BP模型预测数据的相对误差。其中,GA-BP模型的预测数据的相对误差整体最小,BP模型的相对误差整体最大,BP整体的相对误差要稍小于GA-BP。GA-BP和BP的模型平均相对误差数值更小,GA-BP模型的平均相对误差最小,说明该模型的预测稳定性最强。此外,GA-BP和BP的模型稳定性和预测的精度上都要优于GA-BP和BP。其中,GA-BP的预测模型最好,BP预测模型最差。该基于GA-BP神经网络的配电网工程造价预测模型为提高配电网工程造价预测精度提供了一定的理论基础。(本文来源于《自动化仪表》期刊2019年07期）
庞燕[8]（2019）在《乌兰察布市施工招标投标阶段工程造价指数预测研究》一文中研究指出建筑工程施工招标投标阶段需运用造价指数准确快速确定工程造价,采用灰色系统预测模型对乌兰察布市建筑工程造价指数进行预测。结果表明,基于灰色系统理论的预测可行度较高,可为乌兰察布市建筑工程施工招标投标阶段的工程造价预算提供参考借鉴。(本文来源于《集宁师范学院学报》期刊2019年04期）
王茹[9]（2019）在《基于扩展BP网络道路造价预测影响因素确定》一文中研究指出为有效确定影响道路造价的关键因素,设计采用一种基于中心性的关键因素筛选方法,并基于BP神经网络模型分析了道路工程造价的影响因素。(本文来源于《山东交通科技》期刊2019年03期）
陆业奇[10]（2019）在《基于数据资源库的水电工程造价预测方法研究》一文中研究指出本文介绍当前工程造价数据资源库的发展状况,分析说明目前在应用工程造价数据资源库中存在的不足。借助水电水利规划设计总院牵头建立的工程项目造价基础数据库系统,以预测水电项目枢纽工程投资为例,介绍了一种创新应用工程造价数据资源库的方法。以工程实例说明所提出方法的实际操作步骤,并验证方法的有效性和合理性。(本文来源于《水电与抽水蓄能》期刊2019年03期）
造价预测论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在建设项目的项目管理中,项目成本管理的控制是一项非常重要的工作。当今现代建筑市场的创新发展为控制建筑项目成本提出了许多新的控制方法。基于时间序列的工程造价控制是将统计概率分析合理地应用于工程造价控制中,通过科学的数据计算和分析,可以提高建筑工程的整体造价控制水平。如今,根据建筑项目成本预测的时间序列,个体建筑企业已取得了出色的成果。因此,加强对建设项目成本预测和利用时间序列的分析具有重要的现实意义和理论意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
造价预测论文参考文献
[1].朱琳,刘春.基于改进支持向量机的工程造价预测模型[J].计算机与数字工程.2019
[2].王永梅.基于时间序列的建筑工程造价预测探究[J].建材与装饰.2019
[3].郭琦,邓唯,姜章维.基于GA-BP神经网络的水电工程造价指数预测[J].水利水电工程造价.2019
[4].妙旭娟,刘锦明,高亮,李昌陵,张新燕.基于主成分分析法和神经网络的技改工程造价预测模型[J].内蒙古科技与经济.2019
[5].王轩,杨文波.建筑工程造价预测模型的设计与实现[J].微型电脑应用.2019
[6].周子东,李东伟,李国胜,汪群,陈晓路.基于逐步回归的AdaBoost-SVR模型在海上风电项目造价预测中的应用[J].水利水电工程造价.2019
[7].杨凯,于波,肖艳利,何勇萍,王封潇.基于GA-BP神经网络的配电网工程造价预测[J].自动化仪表.2019
[8].庞燕.乌兰察布市施工招标投标阶段工程造价指数预测研究[J].集宁师范学院学报.2019
[9].王茹.基于扩展BP网络道路造价预测影响因素确定[J].山东交通科技.2019
[10].陆业奇.基于数据资源库的水电工程造价预测方法研究[J].水电与抽水蓄能.2019