💻 computer science

Predictive Intelligence for Civil Works Valuation: A Hybrid Random Forest–ANN Model with 91.20% Accuracy for Dynamic Cost Management in Peru

本研究提出了一种基于450个秘鲁建筑项目的随机森林-人工神经网络（Random Forest–ANN）混合模型，该模型在动态成本估值方面达到了91.20%的准确率，显著降低了预测误差和地理偏差，同时为整合进秘鲁公共基础设施管理框架提供了可行路径。

原作者： PAUL RICARDO PRUDENCIO GALVEZ

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： PAUL RICARDO PRUDENCIO GALVEZ

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图猜测在秘鲁建造一座房屋的最终价格标签。过去，人们通过查看一份静态的价格表（就像去年的菜单）并将其相加来进行预测。但在秘鲁，由于三个棘手的因素，这份“菜单”一直在变化：天气与地形（海岸、山区与丛林）、海拔高度以及地震风险。

由于这些不断变化的因素，传统的预测方法通常会产生约 142,800 美元 的误差。对于单个项目而言，这是一个巨大的财务缺口。

本论文介绍了一种新的、更智能的成本预测方法，它利用一个能从过去经验中学习的“数字大脑”。以下是其通俗易懂的解析：

1. 问题所在：“一刀切”的地图行不通

想象一下，如果你试图用一张将海滩、安第斯高山和亚马逊丛林视为完全相同的地方的单一地图来导航秘鲁，那是行不通的。卡车在山上行驶比在海岸上行驶需要更多的燃料；位于地震带的建筑需要更坚固（也更昂贵）的材料。

以往用于建筑业的计算机模型并不理解这些差异。它们将整个国家视为一个平坦、统一的地方，从而导致了昂贵的错误。

2. 解决方案：一个“双脑”系统

作者创建了一个新的计算机模型，它就像一个协同工作的两人专家团队：

大脑 A（随机森林/Random Forest）： 这个部分擅长同时观察许多不同的规则和模式。它就像一位见多识广的老工程师，阅过无数项目，深谙各种“经验法则”。
大脑 B（人工神经网络/Artificial Neural Network）： 这个部分则像是一位模式识别巫师。它观察复杂且杂乱的数据，寻找人类可能忽略的隐藏联系。

通过结合这两个大脑，该模型获得了两者的优势。它基于 2018 年至 2025 年间秘鲁 450 个真实建筑项目 进行了训练。

3. 秘密武器：“秘鲁调整因子”

该模型不仅仅关注砖块和水泥的价格。它会在每次计算中加入一个特殊的“秘鲁过滤器”。在给出价格之前，它会提出三个具体问题：

它在哪里？（海岸、山区还是丛林？）
它有多高？（是否在海拔 3,500 米以上，即物流难度更高的地区？）
它稳吗？（根据秘鲁建筑规范，地震风险等级是多少？）

这就像一个 GPS，它不仅告诉你距离，还会根据陡峭的山路和交通拥堵计算出你需要额外的汽油量。

4. 结果：一个更精准的“水晶球”

结果令人印象深刻：

准确度： 新模型预测成本的准确率达到了 91.20%。
节省资金： 相比于旧方法产生的 142,800 美元误差，新模型的误差仅约为 91,350 美元。这意味着每个项目大约能节省 51,450 美元。
减少偏差： 它将“地理偏差”（因忽视地理差异而导致的误差）降低了 34%。

5. 为什么这对秘鲁很重要

论文指出，这不仅仅是一个数学技巧，它是一个实用的工具，可供政府和私营企业使用。

真实数据： 它使用了来自秘鲁承包系统（SEACE）的真实公共记录。
面向未来： 它能够融入秘鲁现有的数字化系统（如 PlanBIM），并遵循该国关于如何调整建筑价格的具体法律。
减少纠纷： 通过更准确地预测成本，当项目预算超支时，将会减少争吵和重新谈判的情况。

简而言之： 作者构建了一个理解秘鲁独特、崎岖且多地震现实的智能计算机工具。通过结合两种类型的 AI 并加入特定的本土规则，它比旧方法能更准确地预测建筑成本，从而为国家节省大量资金并降低财务风险。

技术摘要：秘鲁土木工程估值的预测智能

问题陈述
秘鲁的土木工程项目在动态成本估值方面面临重大挑战，其原因在于投入品价格的波动、受《国家采购法》（第30225号法律）约束的监管复杂性，以及传统参数化估值的固有主观性。虽然存在全球性的机器学习（ML）模型，但它们无法解决秘鲁市场的特定规范、地理和物流现实。这些现实包括极端的地理分散性（海岸、山区、丛林）、由 NTE E.030 定义的独特地震带、海拔变化以及基于 INEI 多项式公式的调差结构。因此，传统方法导致中型项目的平均预测误差超过 ±142,800 美元，且基础设施项目的成本超支超过 58%，延误约 65%。现有的方法通常依赖于单变量 LSTM 或线性回归，无法同时捕捉建模工作分解结构（WBS）内活动偏差级联效应所需的关联性和时间依赖性。

方法论
本研究提出了一种集成随机森林（RF）和人工神经网络（ANN）的混合机器学习模型，以解决上述差距。该方法基于动态成本公式 ( $C_d$ )，该公式超越了静态代数求和：

数据来源： 模型基于 2018 年至 2025 年间在秘鲁执行的 450 个建筑项目进行训练，数据源自 SEACE、经济财政部（MEF）及各地区公共实体记录。输入变量包括建筑面积、结构类型、地理位置、物流复杂度、地震带、海拔、当地材料价格历史记录以及区域 CPI 系列。
动态成本方程： 核心方程定义为 $C_d(t) = \Sigma [Q_i(t) \times P_{base,i} \times I_{regional}(t)] + \epsilon_{ML}$ $C_{d} (t) = Σ [Q_{i} (t) \times P_{ba se, i} \times I_{r e g i o na l} (t)] + ϵ_{M L}$ 。
- $Q_i(t)$ ：从 5D BIM 模型中提取的物理工程量。
- $P_{base,i}$ ：来自 CAPECO 和 MEF 的标准化基本单价。
- $I_{regional}(t)$ ：时空区域指数，计算方式为 $I_{nacional}(t) \times \phi_{geo} \times \phi_{alt} \times \phi_{sísmica}$ 。该指数独特地纳入了地理因素（海岸/山区/丛林）、海拔修正（>3,500 米）以及地震带调整（NTE E.030）。
- $\epsilon_{ML}$ ：由混合模型生成的预测修正因子，用于捕捉官方指数无法解释的残差误差。
混合架构： 模型采用加权混合损失函数 ( $L_{hybrid} = \alpha \cdot MSERF + (1-\alpha) \cdot MAEANN + \lambda||\theta||^2$ )，其中 $\alpha=0.6$ ，以平衡方差控制（RF）和偏差削减（ANN）。L2 正则化（ $\lambda$ ）用于防止在有限数据集规模（ $n < 600$ ）下的过拟合。
验证： 通过 10 折交叉验证 ( $k=10$ ) 确认了统计稳定性，得出标准差 $\sigma = \pm 2.1\%$ 。

主要贡献
本文确定了三个主要贡献：

算法开发： 创建并验证了一种专门针对秘鲁数据训练的混合 RF+ANN 算法，实现了 91.20% 的准确率。
数学形式化： 制定了数学上可验证的动态成本方程，包括时空区域指数 ( $\phi_{geo} \cdot \phi_{alt} \cdot \phi_{sísmica}$ ) 以及将挣值管理（EVM）指标（CPI, EAC）作为反馈变量的集成。
实施框架： 提出了一个将该模型与 PlanBIM Peru 生态系统、SEACE 以及 MEF 多年宏观经济框架相结合的路径，以支持 EPC 合同和公私合营（PPP）项目。

结果
混合模型在测试集（90 个项目）上实现了 91.20% 的准确率， $R^2$ 为 0.9819，RMSE 为 0.1358。

误差降低： 平均预测误差从传统方法的 ±142,800 美元降至 ±91,350 美元（ML 模型），代表了估算财务风险降低了 35.9%，每个项目的绝对改善额为 51,450 美元。
偏差缓解： 与使用单一国家指数的模型相比，时空区域指数的集成使地理偏差降低了 34%（具有统计学显著性， $p < 0.001$ ）。
性能背景： 该模型表现优于传统的参数化估算 18.8 个百分点，并在高通胀环境（2022–2023 年）和高海拔山区项目中展现出卓越性能。

意义与主张
本文声称，这项研究通过弥合全球机器学习能力与当地监管/地理特殊性之间的差距，为秘鲁基础设施的财务管理树立了新标准。91.20% 的准确率不仅是一个统计指标，更是对 EPC 和 PPP 合同中财务风险的实质性缓解，因为这些合同中的成本超支往往源于不充分的区域调差预测。

作者断言，该模型在当前的秘鲁框架内具有操作可行性，能够利用现有的公共数据透明度（SEACE）以及政府举措（PlanBIM, Invierte.pe）。然而，论文也谦虚地承认了局限性，包括来自地区实体的历史数据格式的异质性、缺乏国家级地理参考单价库，以及需要每半年更新一次模型以适应国家建筑法规的变化。未来的研究方向是数据标准化以及将模型扩展至进度预测（挣值进度管理）。