基于PCA-GA-BP的工程项目工期风险预测研究

为了在工程项目实施前准确地预测出工期风险的大小,在介绍BP神经网络、遗传算法、主成分分析等理论的基础上,针对现有预测模型的缺点以及BP神经网络自身缺陷,采用主成分分析法对样本数据进行降维处理,并利用遗传算法对BP神经网络的初始权值阈值进行优化,提出了基于PCA-GA-BP的工程项目工期风险预测模型。将以往工程风险数据作为学习样本,训练并构建模型对待建工程项目工期风险进行预测。实例证明该模型有效、可靠,对指导实际工程具有重要意义。

基于RF-PSO-LSSVM的高层建筑项目工期风险预测

针对高层建筑项目在工期风险预测时样本数据少且特征维度高的特点,建立了利用随机森林(random forest,RF)算法和粒子群(particle swarm optimization,PSO)算法优化最小二乘支持向量机(least squares support vector machine,LSSVM)的高层建筑项目工期风险预测模型。采用在特征选择方面具有显著优势的RF算法筛选出最佳特征子集;利用PSO算法对LSSVM的正则化参数和核函数参数进行优化;采用精确率、召回率以及F 1m值对所建立模型的预测性能进行验证与评估。研究结果表明:用所建立的模型对高层建筑项目进行工期风险预测,平均精确率达到了93.71%,平均召回率达到了94.04%。该模型能够准确预测高层建筑项目工期的风险等级,进一步完善了高层建筑项目工期风险的预测方法,其预测结果可为高层建筑项目控制工期风险提供一定的参考。