隨著大數據、人工智能的深入發(fā)展,造價管理也逐步進入數字化、智能化的階段。在可行性研究階段,由于掌握的工程信息有限,設計深度不夠等原因導致投資估算結果誤差大、耗時久,致使造價估算難以對后續(xù)的概預算等管理提供有價值的指導和參考�，F階段,合理利用歷史數據和智能化模型在房地產住宅領域投資估算領域的研究不夠深入。鑒于以上背景,論文提出將小波神經網絡用于對住宅建筑的投資估算,能提高估算精度,縮短估算時間,為投資決策和確定融資方案、籌措資金提供參考依據。論文在研究國內外研究現狀的基礎上,初步總結了住宅建筑估算的影響因素一級范疇,運用主成分分析法對影響住宅建筑投資估算影響因素的一級范疇進行降維,消除了范疇間的相關性。結合Nvivo軟件文獻分析和訪談結果進行分析,得到一級范疇之下的二級因子,再通過問卷調查和皮爾遜相關性分析,剔除了低強度相關的影響因素,篩選得到最終的住宅建筑投資估算影響因素庫。同時,歸納了估算模型的演變過程及目前研究存在不足,基于原始數據資料和小波激活函數,通過初始閾值和權值的不斷迭代調整,確定了合理的網絡結構和相關參數,得到小波神經網絡估算模型,以住宅建筑投資估算的影響因素作為輸入指標...

【文章頁數】：94 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRCT
第1章 緒論
    1.1 問題來源
        1.1.1 研究背景
        1.1.2 研究目的
        1.1.3 研究意義
    1.2 國內外研究現狀綜述
        1.2.1 國外研究現狀
        1.2.2 國內研究現狀
        1.2.3 研究評述
    1.3 研究內容和研究方法
        1.3.1 研究內容
        1.3.2 研究方法
        1.3.3 技術路線圖
第2章 相關概念及理論基礎
    2.1 住宅建筑投資估算的影響因素
        2.1.1 概述
        2.1.2 外部因素的影響
        2.1.3 技術方案的影響
    2.2 投資估算的相關方法
        2.2.1 傳統(tǒng)方法估算分析
        2.2.2 現代模型估算分析
        2.2.3 方法簡評
    2.3 主成分分析法相關理論
        2.3.1 基本思想
        2.3.2 基本步驟
        2.3.3 適用性分析
    2.4 小波神經網絡相關理論
        2.4.1 基本原理
        2.4.2 模型優(yōu)點
        2.4.3 結構類型
    2.5 本章小結
第3章 住宅建筑投資估算影響因素的確定
    3.1 住宅建筑估算影響因素獲取原則和流程
        3.1.1 原則
        3.1.2 流程
    3.2 住宅建筑投資估算影響因素的獲取
        3.2.1 影響因素范疇識別
        3.2.2 影響因素初步提取
        3.2.3 影響因素二次篩選
        3.2.4 影響因素相關性分析
    3.3 住宅建筑估算關鍵影響因素的內涵界定和量化方式
        3.3.1 內涵界定
        3.3.2 量化方式
    3.4 本章小結
第4章 基于小波神經網絡住宅建筑投資估算模型構建
    4.1 模型構建說明
    4.2 模型的數據來源
    4.3 模型的輸入和輸出
        4.3.1 模型的輸入
        4.3.2 模型的輸出
    4.4 模型構建的基本程序
        4.4.1 網絡結構的確定
        4.4.2 參數初始化
        4.4.3 網絡傳遞函數的選擇
        4.4.4 網絡學習
        4.4.5 計算輸出
        4.4.6 網絡參數修正
    4.5 本章小結
第5章 實證分析
    5.1 數據的收集與整理
    5.2 模型實現環(huán)境
    5.3 模型的訓練與仿真
        5.3.1 小波神經網絡模型
        5.3.2 BP神經網絡模型
    5.4 模型對比分析
    5.5 本章小結
第6章 結論與展望
    6.1 結論
    6.2 不足和展望
參考文獻
致謝
附錄A 學位期間發(fā)表的論文和取得的科研成果
附表B 訪談主要提綱
附表C 小波神經網絡訓練代碼



本文編號：3861894