长租公寓装饰工程造价的快速预测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 建筑装饰工程造价预测的现状及面临的问题 | 第11-12页 |
| 1.3 论文研究的目的和主要内容 | 第12-15页 |
| 1.3.1 研究目的 | 第12页 |
| 1.3.2 研究内容 | 第12-13页 |
| 1.3.3 研究方法 | 第13-14页 |
| 1.3.4 技术路线 | 第14-15页 |
| 1.4 研究的重点问题 | 第15页 |
| 1.4.1 输入指标的确定 | 第15页 |
| 1.4.2 预测方法的选择 | 第15页 |
| 1.5 R语言简介 | 第15-17页 |
| 2 文献综述 | 第17-21页 |
| 2.1 工程造价预测概述 | 第17-19页 |
| 2.1.1 建筑工程造价预测综述 | 第17-18页 |
| 2.1.2 装饰工程造价预测综述 | 第18-19页 |
| 2.2 机器学习模型研究概述 | 第19-21页 |
| 3 装饰工程造价预测分析 | 第21-25页 |
| 3.1 工程造价的分类 | 第21-22页 |
| 3.2 装饰工程造价预测的流程 | 第22-23页 |
| 3.3 装饰工程造价影响指标分析 | 第23-25页 |
| 4. 工程造价快速预测方法选择 | 第25-35页 |
| 4.1 单位指标法 | 第25页 |
| 4.2 模糊估价预测方法 | 第25页 |
| 4.3 传统时间序列预测方法 | 第25-26页 |
| 4.4 线性回归模型 | 第26-29页 |
| 4.5 神经网络模型 | 第29-33页 |
| 4.6 随机森林模型 | 第33-35页 |
| 5 装饰工程预测模型的指标选取和反推规则 | 第35-39页 |
| 5.1 指标选取 | 第35-37页 |
| 5.2 反推规则 | 第37-39页 |
| 6 模型验证 | 第39-57页 |
| 6.1 案例选取 | 第39页 |
| 6.2 指标处理 | 第39-40页 |
| 6.3 多元回归分析及诊断 | 第40-48页 |
| 6.3.1 全子集回归 | 第41-42页 |
| 6.3.2 模型的诊断 | 第42-48页 |
| 6.4 BP神经网络及预测 | 第48-51页 |
| 6.4.1 基于数据训练模型 | 第48-49页 |
| 6.4.2 评估模型的性能 | 第49-50页 |
| 6.4.3 提高模型的性能 | 第50-51页 |
| 6.5 随机森林 | 第51-53页 |
| 6.5.1 训练随机森林 | 第51-52页 |
| 6.5.2 评估随机森林的性能 | 第52-53页 |
| 6.6 模型的比较及改进 | 第53-57页 |
| 7 结论与展望 | 第57-59页 |
| 7.1 结论 | 第57页 |
| 7.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 附录A | 第62-66页 |
| 附录B | 第66-71页 |
| 索引 | 第71-72页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
