The Prediction of Low-Rise Building Construction Cost Estimation Using Extreme Learning Machine

Abstract

This research aims to employ learning model frameworks for predicting construction cost estimation of low-rise buildings. The study uses various techniques and models to identify the most effective predictor among all 10 learning models, evaluating their performance using indicators such as R2, MSE, RMSE, and MAE. Subsequently, model efficiency is assessed within two major groups: 1) The single-model or basic-model group includes models like Artificial Neural Network (ANN), Support Vector Machine (SVM), Multiple Linear Regression (MLR), Decision Tree (DT), and Random Forest (RF). 2) The ensemble learning model group consists of models like the Maximum Voted Ensemble (MVE), Average Ensemble, Stacking Ensemble, Bagging Ensemble, and Boosting Ensemble. The experimental results highlight the Artificial Neural Network (ANN) as the most proficient single-model predictor with an R2 Score of 0.891, followed by Multiple Linear Regression (MLR) and Decision Tree (DT) models, both with accuracies of 0.884 and 0.864, respectively. In the extreme learning machine model group, the Maximum Voted Ensemble (MVE) exhibits superior efficiency with an exceptional accuracy of 0.924. This discovery underscores the potential of the novel approach proposed by the extreme ensemble group, offering enhanced prediction accuracy compared to individual basic models and providing valuable insights for real estate stakeholders. Furthermore, the research suggests that further investigation into architectural model variations and additional techniques could lead to even higher prediction accuracy for various architectural structures and incorporate additional variables in the future.

การวิจัยนี้มีเป้าหมายในการใช้แบบจำลองการเรียนรู้เพื่อทำนายราคาค่าก่อสร้างบ้านพักแบบแนวราบ โดยใช้เทคนิคและแบบจำลองหลากหลาย เพื่อหาแบบจำลองที่มีประสิทธิภาพสูงสุดในการทำนายระหว่างแบบจำลองการเรียนรู้ทั้งหมด 10 แบบ โดยประเมินผลโดยใช้ตัวชี้วัดเช่น R2, MSE, RMSE, และ MAE ผลการทดลองเปิดเผยว่าโครงข่ายประสาทเทียม (ANN) เป็นแบบจำลองเชิงเดี่ยวที่มีประสิทธิภาพสูงสุดด้วยคะแนน R2 เท่ากับ 0.891 ตามมาด้วยการวิเคราะห์ถดถอยพหุคูณ (MLR) และต้นไม้ตัดสินใจ (DT) ที่มีความแม่นยำเท่ากันที่ 0.884 และ 0.864 ตามลำดับ ในแบบจำลองเครื่องจักรเรียนรู้เอ็กซ์ตรีม แบบจำลองการเรียนรู้แบบการโหวตสูงสุด (MVE) มีประสิทธิภาพสูงสุดด้วยความแม่นยำที่ 0.924 ที่สูงเป็นพิเศษ และแบบจำลองการเรียนรู้แบบ stacking และแบบเฉลี่ยมีความแม่นยำเท่ากับ 0.883 และ 0.871 ตามลำดับ ผลลัพธ์นี้เน้นถึงศักยภาพของวิธีการใหม่ที่แนะนำโดยกลุ่มเครื่องจักรเรียนรู้เอ็กซ์ตรีมในการเพิ่มความแม่นยำในการทำนายเหนือแบบจำลองเดี่ยวและนำเสนอความรู้มูลค่าสำหรับผู้เกี่ยวข้องในอุตสาหกรรมอสังหาริมทรัพย์ และแนะนำเส้นทางสำหรับการศึกษาเพิ่มเติมในการสำรวจรูปแบบแบบจำลองสถาปัตยกรรมและเทคนิคเพื่อความแม่นยำในการทำนายที่มากขึ้นสำหรับโครงสร้างสถาปัตยกรรมต่างๆ รวมถึงการรวมตัวแปรเพิ่มเติมในอนาคตเช่นกัน